目录：
第一章 Hive基本概念
第二章 Hive安装
第三章 Hive数据类型
第四章 DDL数据定义
第五章 DML数据操作（重要）
第六章 查询（非常重要）
第七章 函数（很重要）
第八章 压缩和存储
第九章 企业级调优
第一章Hive基本概念
什么是Hive
Hive是基于Hadoop的数据仓库工具，解决海量、结构化、日志的数据统计。将结构化数据文件映射为一张表，并提供类SQL查询功能。常用于一次写入，多次读取。(HDFS背景：增、删、查)
本质是：将HQL转化成MapReduce程序1）Hive处理的数据存储在HDFS
2）Hive分析数据底层的默认实现是MapReduce(可以改为Spark)
3）执行程序运行在Yarn上
类似是一个Hadoop的客户端。
并不是一个分布式框架。
（之后如果讲到这是一个计算框架，那么这个框架一定是分布式的）
注：大数据框架可分为：传输、存储、计算。注意学习总结！
优缺点：
优点：类SQL,不用写MR程序；执行延迟较高，常用于数据分析等对实时性要求不高的场合；优势在于处理大数据；支持用户自定义函数。
缺点：1.HQL表达能力有限(迭代式算法无法表达、数据挖掘方面不擅长。本质原因是MR的缺陷)
2.Hive的效率低(自动生成的MR作业不够智能、调优困难)
架构(面试简单问)
Hive从第三方框架如MySQL取得元数据获得路径，然后去HDFS去读实际数据。
Hive框架主要构成：解析器、编译器、优化器、执行器。
与其他数据库比较
最核心的区别就是数据量的区别。
其他区别：
1.查询语言
Hive除了使用类SQL语言HQL以外，和其他数据库没有类似的地方。
2.数据存储位置
Hive建立在Hadoop上，所有数据存在HDFS上。其他数据库则可将数据保存在块设备或本地文件系统中。
3.数据更新
Hive是为了数据仓库而设计的，适用场景是大数据读多写少的情景。所以，Hive中不建议对数据的改写，所有数据都是在加载时确定好的。
4.执行
Hive中多数查询执行是通过Hadoop的MapReduce来实现的，其他数据库通常有自己的执行引擎。
5.执行延迟
Hive查询数据时没有索引，须扫描整个表；且MapReduce框架本身的延迟高，故Hive执行延迟较高。相对地，其他数据库在小规模数据时执行较快。
6.扩展性和数据规模
Hive和Hadoop的扩展性一致，大公司一般可达6000台至上万台。其他数据库一般最多100台。
Hive可利用MapReduce进行并行计算，数据规模可以很大。其他数据库相对较小。
第二章 Hive安装
Hive常用目录：1
2
3
4
5/bin：操作、启动命令
/conf：配置文件
/examples:案例
/hcatalog:apache框架，用来抓数据用
/lib:依赖jar包
修改配置文件：
修改/conf下的hive-env.sh
添加Hadoop地址和Hive配置文件的地址1
2export HADOOP_HOME=/opt/module/hadoop-2.7.2
export HIVE_CONF_DIR=/opt/module/hive/conf
启动hive后新增了两个文件夹：derby.log和metastore_db
Hive基本操作
1 | （1）启动hive |
将本地文件导入Hive案例
展示default数据库中的表：hive> show tables;
删除之前创建的student表：hive> drop table student;
创建student表，并声明数据行的分隔符为\t:hive> create table student(id int,name string) row format delimited fields terminated by '\t';
以下三种方式都可以往表中添加数据，正常的insert操作效率太低：
1.加载/opt/module/student.txt文件到student数据表中：hive> load data local inpath '/opt/module/data/stu.txt' into table student;
2.将本地文件stu1.txt上传到HDFS中表table所在位置：hadoop fs -put stu1.txt /user/hive/warehouse/student
这种方式是以后生产环境中用的最多的。
3.加载HDFS中根目录/的文件stu2.txt到student数据表中（命令不带local）：hive> load data inpath '/stu2.txt' into table student;
安装MySQL
因为默认的derby元数据库只支持开启一个Hive的客户端，不适合正常情况，需要安装MySQL替代derby。
注意安装时，视频中CentOS版本是6.5。我这里是CentOS 7。需要开始时把系统中默认的MySQL删除干净。学习hive时安装mysql出现始终安装不上的问题
剩下的按照笔记文档安装即可。
MySQL中user表中主机配置
1．进入mysql[root@hadoop101 mysql-libs]# mysql -uroot -p000000
2．显示数据库mysql>show databases;
3．使用mysql数据库mysql>use mysql;
4．展示mysql数据库中的所有表mysql>show tables;
5．展示user表的结构mysql>desc user;
6．查询user表mysql>select User, Host, Password from user;
7．修改user表，把Host表内容修改为%mysql>update user set host='%' where host='localhost';
8．删除root用户的其他hostmysql>delete from user where Host='hadoop102';mysql>delete from user where Host='127.0.0.1';mysql>delete from user where Host='::1';
9．刷新mysql>flush privileges;
10．退出mysql>quit;
在mysql的user表中，select user,host from user;后只保留一条属性：1
2user host
root %
使用通配符%，保证所有主机都能以root用户进入mysql;
配置Metastore到MySql
默认的元数据库derby不支持多用户，所以将其转移到MySQL中支持多用户。
按照笔记文档修改conf/hive-site.xml之后，会出现hive启动不了的情况。
参考下面两个网站：
Hive配置hive-site.xml后启动出错
mysql 赋给用户远程权限 grant all privileges on
Navicat for MySQL12 安装破解图文教程(亲测可用)
执行完以上配置之后，使用Navicat进入hadoop101。点击metastore中的表DBS，其中的DB_LOCATION_URI就记录了hive的元数据存放地址变化为在hdfs://hadoop101:9000/user/hive/warehouse。
在metastore数据库中，最关心的有以下6张表：1
2
3
4
5
6DBS
TBLS
PARTITION_KEY_VALS
PARITION_KEYS
PARTITION_PARAMS
PATITIONS
HiveJDBC访问
主要就是hiveserver2服务启动 和 启动beeline。了解即可，实际生产环境很少拿代码直接去用hive连JDBC，效率很低。
具体可看笔记文档。
Hive常用交互命令
在hive的目录下执行bin/hive -help可以得知常用的命令。其中最常用的有两条：-e 和 -f-e不进入hive交互窗口执行sql语句:bin/hive -e "select * from aa;"
-f执行脚本中的sql语句:
首先写一个hivef.sql文件：touch hivef.sql。文件中写入正确的sql语句：select * from aa;
然后执行文件中sql语句：bin/hive -f /opt/module/data/hivef.sql
还可以将执行结果写入文件中：bin/hive -f /opt/module/data/hivef.sql > /opt/module/data/hive_result.txt
常见配置信息
1.默认数据仓库位置
使用default默认数据库创建的表都在HDFS的/user/hive/warehouse中，是默认值。可以在hive-site.xml中修改。
2.查询数据库和表列信息显示
还可以在hive中显示当前数据库，以及查询表的头信息配置，在hive-site.xml中添加两个property:hive.cli.print.header设为truehive.cli.print.current.db设为true
重启后出现数据库和表列信息。
3.Hive运行日志配置
Hive的log默认存放在/tmp/hadoop/hive.log目录下（当前用户名下）
修改hive的log存放日志到/opt/module/hive/logs
修改/opt/module/hive/conf/hive-log4j.properties.template文件名称为 hive-log4j.propertiesmv hive-log4j.properties.template hive-log4j.properties
在hive-log4j.properties文件中修改log存放位置hive.log.dir=/opt/module/hive/logs
4.参数配置方式（3种）
（1）配置文件方式：配置文件的设定对本机启动的所有Hive进程都有效。
默认配置文件：hive-default.xml
用户自定义配置文件：hive-site.xml
（2）命令行参数方式：仅对本次hive启动有效
启动Hive时，可以在命令行添加-hiveconf param=value来设定参数。
（3）参数声明方式：仅对本次hive启动有效。
可以在HQL中使用SET关键字设定参数
第三章 Hive数据类型
基本数据类型
Hive和Java的基本数据类型基本相同。只有少数名称不同。主要记住INT、BIGINT、DOUBLE、STRING。大小写不区分。1
2
3
4
5
6
7
8
9
10
11Hive数据类型 Java数据类型 长度
TINYINT byte 1byte有符号整数
SMALINT short 2byte有符号整数
INT int 4byte有符号整数
BIGINT long 8byte有符号整数
BOOLEAN boolean 布尔类型，true或者false
FLOAT float 单精度浮点数
DOUBLE double 双精度浮点数
STRING string 字符系列。可以指定字符集。可以使用单引号或者双引号。
TIMESTAMP 时间类型
BINARY 字节数组
集合数据类型
STRUCT、MAP、ARRAY
一般不直接使用，而是转化成基本数据类型
类型转化
小的数据类型往大的转不会存在数据丢失；大的数据类型往小的转会出现数据丢失，和高级编程语言一样。
还可以使用CAST('1' as int)把字符串’1’转换成整型1；如果强制类型转换失败，如执行CAST('X' AS INT)，表达式返回空值 NULL。
第四章 DDL数据定义
创建数据库
1 | hive> CREATE DATABASE [IF NOT EXISTS] database_name |
查询数据库
显示数据库：hive> show databases;
模糊匹配显示：hive> show databases like 'db_hive*';
查看数据库信息，可看扩展信息：hive> desc database [extended] db_hive;
切换当前数据库：hive> use db_hive;
修改数据库
hive (default)> alter database db_hive set dbproperties('createtime'='20170830');
更改或新增的只是一些数据库的属性信息。
删除数据库
删除空数据库：hive> drop database db_hive2;
如果删除的数据库不存在，会报错。
最好采用 if exists判断数据库是否存在：hive> drop database if exists db_hive2;
如果数据库不为空，普通删除会报错。可以采用cascade命令，强制删除:hive> drop database db_hive cascade;
创建表
1 | CREATE [EXTERNAL] TABLE [IF NOT EXISTS] table_name ##重要 |
管理表/外部表
创建表默认创建是管理表，也称内部表。默认存在HDFS的/user/hive/warehouse定义的目录下。
还可以创建外部表。Hive认为表不是完全拥有这份数据。所以，删除表时，Hive不会删除这份数据，只会将描述表的元数据信息删除。在实际工作中，也常使用这种方式，因为这样协同开发时，数据更加安全。重新创建表时也可以恢复Hive的读取结果。
管理表和外部表的转换：
首先查询表的类型：hive> desc formatted hive_db
会显示Table Type: MANAGED_TABLE或者Table Type: EXTERNAL_TABLE
修改内部表为外部表：alter table student2 set tblproperties('EXTERNAL'='TRUE');
修改外部表为内部表：alter table student2 set tblproperties('EXTERNAL'='FALSE');
分区表
分区概念&简单使用
分区表实际上就是对应一个HDFS文件系统上的独立文件夹。
Hive中的分区就是分目录，把一个大的数据集根据业务分隔成小的数据集，通过where子句中的表达式选择查询所需要的分区，方便查询。
另外，整个SQL的执行顺序，在from之后先走where。这样可以提前将数据集过滤出来，这个技术叫做：“谓词下推”。是一种常见的优化技术。
创建分区表：1
2
3
4hive (default)> create table dept_partition(
deptno int, dname string, loc string
)
partitioned by (month string)
加载数据到分区表中：hive (default)> load data local inpath '/opt/module/data/dept.txt' into table default.dept_partition partition(month='201707');
表建立在/user/hive/warehouse/depth_partition下，新建子文件夹month=201707中。
查询分区表：hive (default)> select * from dept_partition where month='201709';
“分区信息有些像索引的作用” 。查询语句中where字段可以使用分区信息缩小查询的范围。看起来是在原来的表中添加了一列分区字段。但实际上这列的信息是存在元数据库MySQL上的，会首先访问，其余列存在HDFS上。
分区表基本操作
增加分区：
创建单个分区：hive (default)> alter table dept_partition add partition(month='201706');
同时创建多个分区：hive (default)> alter table dept_partition add partition(month='201705') partition(month='201704');删除分区：
删除单个分区：hive(default)> alter table dept_partition drop partition(month='201704);
同时删除多个分区：hive(default)> alter table dept_partition drop partition(month='201705'), partition(month='201706');查看分区表有多少分区：
hive> show partitions dept_partition;查看分区表结构：
hive> desc formatted dept_partition;
“使用时可以将分区字段当作普通字段使用，在where中加减都可以。但是要明白它和其它字段本质上不同：它存在元数据中。”
创建二级分区：
hive> create table dept_partition2(deptno int, dname string, loc string) partitioned by (month string, day string) row format delimited fields terminated by '\t';
就建立了/month/day的二层目录把数据直接上传到分区目录上，如果没有设置分区信息，数据会查询不到。
让分区表和数据产生关联的三种方式：
方式一：执行修复命令hive> msck repair table dept_partition2;
方式二：执行添加分区hive (default)> alter table dept_partition2 add partition(month='201709',day='11');
方式三：创建文件夹后load数据到分区
创建目录hive (default)> dfs -mkdir -p /user/hive/warehouse/dept_partition2/month=201709/day=10;
上传数据hive (default)> load data local inpath '/opt/module/datas/dept.txt' into table dept_partition2 partition(month='201709',day='10');
常用方式二和方式一。
修改表
表重命名
hive (default)> alter table dept_partition2 rename to dept_partition3;增加、修改和删除表分区
详见上面内容。增加/修改/替换列信息(很少操作，新建表时会有预留字段)
添加列(add columns)hive (default)> alter table dept_partition add columns(deptdesc string);
更新列(change column)hive (default)> alter table dept_partition change column deptdesc desc int;
替换全部列(replace columns)hive (default)> alter table dept_partition replace columns(deptno string, dname string, loc string);
删除表
hive (default)> drop table dept_partition;
第五章 DML数据操作
数据导入（最常用Load和Insert方式）
Load装载数据
hive> load data [local] inpath '/opt/module/datas/student.txt' [overwrite] into table student [partitio (partcol1=val1,…)];
local:表示从本地加载数据到hive表；否则从HDFS加载数据到hive表
overwrite:表示覆盖表中已有数据，否则表示追加
Insert通过查询语句向表中插入数据
基本插入数据hive (default)> insert into table student partition(month='201709') values(1,'wangwu'),(2,’zhaoliu’);
基本模式插入（根据单张表查询结果）hive (default)> insert overwrite table student partition(month='201708') select id, name from student where month='201709';
insert into：以追加数据的方式插入到表或分区，原有数据不会删除
insert overwrite：会覆盖表或分区中已存在的数据
As Select查询语句创建表并加载数据
根据查询结果创建表（查询的结果会添加到新创建的表中）hive (default)> create table if not exists student3 as select id, name from student;
创建表时通过Location指定加载数据路径
创建表，并指定在hdfs上的位置hive (default)> create external table if not exists student5(id int, name string) row format delimited fields terminated by '\t' location '/student;
Import数据到指定Hive表中
注意：先用export导出后，再将数据导入。hive (default)> import table student2 partition(month='201709') from '/user/hive/warehouse/export/student';
数据导出
Insert导出数据到文件系统
将查询的结果格式化导出到本地hive(default)>insert overwrite local directory '/opt/module/data/export/student1' ROW FORMAT DELIMITED FIELDS TERMINATED BY '\t' select * from student;
将查询的结果导出到HDFS上(没有local)hive (default)> insert overwrite directory '/user/atguigu/student2' ROW FORMAT DELIMITED FIELDS TERMINATED BY '\t' select * from student;
Hadoop命令导出到本地
hive (default)> dfs -get /user/hive/warehouse/student month=201709/000000_0 /opt/module/datas/export/student3.txt;
Hive Shell 命令导出
基本语法：（hive -f/-e 执行语句或者脚本 > file）[hadoop@hadoop101 hive]$ bin/hive -e 'select * from default.student;' > /opt/module/datas/export/student4.txt;
Export导出到HDFS上
hive(default)> export table default.student to '/user/hive/warehouse/export/student';
export和import主要用于两个Hadoop平台集群之间Hive表迁移。
Sqoop导出
常用HDFS和MySQL导出的方法，需要单独记录。
清除表中数据(Truncate)
注意：Truncate只能删除管理表，不能删除外部表中数据hive (default)> truncate table student;
第六章 查询
基本查询select from
全表查询和特定列查询
1．全表查询hive (default)> select * from emp;
2．选择特定列查询hive (default)> select empno, ename from emp;
列别名
紧跟列名，也可以在列名和别名之间加入关键字‘AS’hive (default)> select ename AS name, deptno dn from emp;
算术运算符
+、-、*、/、%、&、|、^、~
常用函数
1．求总行数（count）hive (default)> select count(*) cnt from emp;
2．求工资的最大值（max）hive (default)> select max(sal) max_sal from emp;
3．求工资的最小值（min）hive (default)> select min(sal) min_sal from emp;
4．求工资的总和（sum）hive (default)> select sum(sal) sum_sal from emp;
5．求工资的平均值（avg）hive (default)> select avg(sal) avg_sal from emp;
Limit语句
典型的查询会返回多行数据。LIMIT子句用于限制返回的行数。hive (default)> select * from emp limit 5;
where谓词语句
1．使用WHERE子句，将不满足条件的行过滤掉
2．WHERE子句紧随FROM子句
比较运算符
=、 <=>、 <>/!=、<、<=、>、>=、
A [NOT] BETWEEN B AND C
A IS NULL
A IS NOT NULL
IN(数值1, 数值2)
A [NOT] LIKE B
A RLIKE B, A REGEXP B(正则表达式，不常用)
（1）查询出薪水等于5000的所有员工hive (default)> select * from emp where sal =5000;
（2）查询工资在500到1000的员工信息hive (default)> select * from emp where sal between 500 and 1000;
（3）查询comm为空的所有员工信息hive (default)> select * from emp where comm is null;
（4）查询工资是1500或5000的员工信息hive (default)> select * from emp where sal IN (1500, 5000);
Like和RLike模糊匹配
% 代表零个或多个字符(任意个字符)。 _ 代表一个字符(占位符)。案例实操
（1）查找以2开头薪水的员工信息hive (default)> select * from emp where sal LIKE '2%';
（2）查找第二个数值为2的薪水的员工信息hive (default)> select * from emp where sal LIKE '_2%';
（3）查找薪水中含有2的员工信息hive (default)> select * from emp where sal RLIKE '[2]';
逻辑运算符(And/Or/Not)
案例实操
（1）查询薪水大于1000，部门是30hive (default)> select * from emp where sal>1000 and deptno=30;
（2）查询薪水大于1000，或者部门是30hive (default)> select * from emp where sal>1000 or deptno=30;
（3）查询除了20部门和30部门以外的员工信息hive (default)> select * from emp where deptno not IN(30, 20);
分组
group by语句
GROUP BY语句通常会和聚合函数一起使用，按照一个或者多个列队结果进行分组，然后对每个组执行聚合操作。
案例实操：
（1）计算emp表每个部门的平均工资hive (default)> select t.deptno, avg(t.sal) avg_sal from emp t group by t.deptno;
（2）计算emp每个部门中每个岗位的最高薪水hive (default)> select t.deptno, t.job, max(t.sal) max_sal from emp t group by t.deptno, t.job;
Having语句
1．having与where不同点
（1）where后面不能写分组函数，而having后面可以使用分组函数。
（2）having只用于group by分组统计语句。
2．案例实操
（1）求每个部门的平均工资hive (default)> select deptno, avg(sal) from emp group by deptno;
（2）求每个部门的平均薪水大于2000的部门1hive (default)> select deptno, avg(sal) avg_sal from emp group by deptno having avg_sal > 2000;
Join语句
等值Join
Hive支持通常的SQL JOIN语句，但是只支持等值连接，不支持非等值连接。
案例实操
（1）根据员工表和部门表中的部门编号相等，查询员工编号、员工名称和部门名称；hive (default)> select e.empno, e.ename, d.deptno, d.dname from emp e join dept d on e.deptno = d.deptno;
表的别名
1．好处
（1）使用别名可以简化查询。
（2）使用表名前缀可以提高执行效率。
2．案例实操
合并员工表和部门表hive (default)> select e.empno, e.ename, d.deptno from emp e join dept d on e.deptno = d.deptno;
内连接
内连接：只有进行连接的两个表中都存在与连接条件相匹配的数据才会被保留下来。hive (default)> select e.empno, e.ename, d.deptno from emp e join dept d on e.deptno = d.deptno;
左外连接
左外连接：JOIN操作符左边表中符合WHERE子句的所有记录将会被返回。hive (default)> select e.empno, e.ename, d.deptno from emp e left join dept d on e.deptno = d.deptno;
右外连接
右外连接：JOIN操作符右边表中符合WHERE子句的所有记录将会被返回。hive (default)> select e.empno, e.ename, d.deptno from emp e right join dept d on e.deptno = d.deptno;
满外连接
满外连接：将会返回所有表中符合WHERE语句条件的所有记录。如果任一表的指定字段没有符合条件的值的话，那么就使用NULL值替代。hive (default)> select e.empno, e.ename, d.deptno from emp e full join dept d on e.deptno = d.deptno;
多表连接(效率低)
注意：连接 n个表，至少需要n-1个连接条件。例如：连接三个表，至少需要两个连接条件。
多表连接查询1
2
3
4
5
6hive (default)>SELECT e.ename, d.dname, l.loc_name
FROM emp e
JOIN dept d
ON d.deptno = e.deptno
JOIN location l
ON d.loc = l.loc;
大多数情况下，Hive会对每对JOIN连接对象启动一个MapReduce任务。本例中会首先启动一个MapReduce job对表e和表d进行连接操作，然后会再启动一个MapReduce job将第一个MapReduce job的输出和表l;进行连接操作。
注意：为什么不是表d和表l先进行连接操作呢？这是因为Hive总是按照从左到右的顺序执行的。
MySQL常针对数据分维度建表，减少数据冗余；
Hive存储资源相对计算资源充足，建表粒度更粗，减少Join等计算的消耗。Hive尽量建立宽表
笛卡尔积(一般Hive将笛卡儿积功能关闭)
1．笛卡尔集会在下面条件下产生
（1）省略连接条件
（2）连接条件无效
（3）所有表中的所有行互相连接
2．案例实操hive (default)> select empno, dname from emp, dept;
连接谓词中不支持or
hive join目前不支持在on子句中使用谓词orhive (default)> select e.empno, e.ename, d.deptno from emp e join dept d on e.deptno = d.deptno or e.ename=d.ename; 错误的
排序
全局排序Order By
全局排序，只有一个Reducer
ASC(ascend)：升序（默认）
DESC(descend)：降序
order by子句在select语句的结尾
案例实操
（1）查询员工信息按工资升序排列hive (default)> select * from emp order by sal;
（2）查询员工信息按工资降序排列hive (default)> select * from emp order by sal desc;
使用Order By要很谨慎。
每个MapReduce内部排序Sort By
对于大规模的数据集order by的效率非常低。在很多情况下，并不需要全局排序，此时可以使用sort by。
Sort by为每个reducer产生一个排序文件。每个Reducer内部进行排序，对全局结果集来说不是排序。
1．设置reduce个数hive (default)> set mapreduce.job.reduces=3;
2．根据部门编号降序查看员工信息hive (default)> select * from emp sort by deptno desc;
分区排序Distribute By
在有些情况下，我们需要控制某个特定行应该到哪个reducer，通常是为了进行后续的聚集操作。distribute by 子句可以做这件事。distribute by类似MR中partition（自定义分区），进行分区，结合sort by使用。
（1）先按照部门编号分区，再按照员工编号降序排序。hive (default)> set mapreduce.job.reduces=3;hive (default)> select * from emp distribute by deptno sort by empno desc;
Cluster By
当distribute by和sorts by字段相同时，可以使用cluster by方式。
cluster by除了具有distribute by的功能外还兼具sort by的功能。但是排序只能是升序排序，不能指定排序规则为ASC或者DESC。
以下两种写法等价：hive (default)> select * from emp cluster by deptno;hive (default)> select * from emp distribute by deptno sort by deptno;
分桶
分桶存储
对于一张表或者分区，Hive 可以进一步组织成桶，也就是更为细粒度的数据范围划分。
分桶是将数据集分解成更容易管理的若干部分的另一个技术。
分桶没有分区使用的那么频繁，主要是在大数据规模下进行抽样查询服务的。
创建分桶表：1
2
3
4hive> create table stu_buck(id int, name string)
clustered by(id)
into 4 buckets
row format delimited fields terminated by '\t';
强制设置分桶属性：1
2
3
4hive (default)> set hive.enforce.bucketing=true;
hive (default)> set mapreduce.job.reduces=-1;
hive (default)> insert into table stu_buck
select id, name from stu;
查询分桶的数据hive (default)> select * from stu_buck;
分桶规则：
根据结果可知：Hive的分桶采用对分桶字段的值进行哈希，然后除以桶的个数求余的方式决定该条记录存放在哪个桶当中
分桶抽样查询
对于非常大的数据集，有时用户需要使用的是一个具有代表性的查询结果而不是全部结果。Hive可以通过对表进行抽样来满足这个需求。
查询表stu_buck中的数据。hive (default)> select * from stu_buck tablesample(bucket 1 out of 4 on id);
y必须是table总bucket数的倍数或者因子。hive根据y的大小，决定抽样的比例。例如，table总共分了4份，当y=2时，抽取(4/2=)2个bucket的数据，当y=8时，抽取(4/8=)1/2个bucket的数据。
x表示从哪个bucket开始抽取，如果需要取多个分区，以后的分区号为当前分区号加上y。例如，table总bucket数为4，tablesample(bucket 1 out of 2)，表示总共抽取（4/2=）2个bucket的数据，抽取第1(x)个和第3(x+y)个bucket的数据。
注：tablesample是抽样语句，语法：TABLESAMPLE(BUCKET x OUT OF y) 。注意：x的值必须小于等于y的值，否则报错。
其他常用查询函数
空字段赋值
给值为NULL的数据赋值，它的格式是NVL( value，default_value)。它的功能是如果value为NULL，则NVL函数返回default_value的值，否则返回value的值，如果两个参数都为NULL ，则返回NULL。hive (default)> select comm,nvl(comm, -1) from emp;
case when 条件属性转化
按需求查询数据1
2
3
4
5
6
7
8select
dept_id,
sum(case sex when '男' then 1 else 0 end) male_count,
sum(case sex when '女' then 1 else 0 end) female_count
from
emp_sex
group by
dept_id;
行转列(多行转集合)
相关函数说明CONCAT(string A/col, string B/col…)：返回输入字符串连接后的结果，支持任意个输入字符串;
CONCAT_WS(separator, str1, str2,...)：它是一个特殊形式的 CONCAT()。第一个参数剩余参数间的分隔符。分隔符可以是与剩余参数一样的字符串。如果分隔符是 NULL，返回值也将为 NULL。这个函数会跳过分隔符参数后的任何 NULL 和空字符串。分隔符将被加到被连接的字符串之间;
COLLECT_SET(col)：函数只接受基本数据类型，它的主要作用是将某字段的值进行去重汇总，产生array类型字段。
列转行(集合转多行)
函数说明EXPLODE(col)：将hive一列中复杂的array或者map结构拆分成多行。
LATERAL VIEW
用法：LATERAL VIEW udtf(expression) tableAlias AS columnAlias
解释：用于和split, explode等UDTF一起使用，它能够将一列数据拆成多行数据，在此基础上可以对拆分后的数据进行聚合。
窗口函数（开窗函数）
窗口函数：在执行一些聚合函数的时候，指定的操作窗口。
窗口函数的执行时机几乎上在最后(如果有全局排序order by，窗口函数会在order by之前执行)，所以等整表其他数据都出来了，才会执行窗口函数。
每多一个窗口，就会多一个MR程序，除非开的窗口是一样的。每开一个窗，依次补齐新增的一列。可以使用explain关键字展示整个执行的过程。
Rank
排名函数常与窗口函数一起使用，返回排名。
第七章 函数
系统内置函数
可以使用hive> show functions;查看hive中的内置函数
自定义函数
写java程序，后用Maven导出成jar包，导入hive的lib文件夹中，注册为临时function。
UDAF：聚合函数，多进一出。一般跟窗口函数和group by联用。
UDTF：一进多出。一般和lateral view explode()联用
第八章 压缩和存储
Hadoop源码支持Snappy压缩
查看支持的本地库：hadoop checknative
