1.数据集

下载地址http://www.seanlahman.com/files/database/lahman591-csv.zip
解压后只需要用到其中的Batting.csv.

2.启动HIVE

打开终端
输入su ，然后输入密码，
输入$HADOOP/sbin/start-all.sh(启动hdfs文件系统和yarn，$HADOOP就是Hadoop安装目录），
输入service mysqld start（启动mysql），
运行$HIVE/bin/hive（启动HIVE，运行完进入HIVE命令行）。

3.建表

1. 创建数据库 create database baseball;,use baseball;
2. 建表 create table temp_batting (col_value STRING);
3. 本地数据录入表 load data local inpath '/home/hadoop/data/Batting.csv' into table temp_batting
4. 创建只有有用信息的新表 create table batting (player_id STRING,year INT,runs INT);
5. 提取信息到新表

insert overwrite table batting select
regexp_extract(col_value,'^(?:([^,]*)\,?){1}',1) player_id,
regexp_extract(col_value,'^(?:([^,]*)\,?){2}',1) year,
regexp_extract(col_value,'^(?:([^,]*)\,?){9}',1) run
from temp_batting;

6. 查看新表前 10 行观察 select * from batting limit 10 ,此时第一行数据是表头信息，删除这一行insert overwrite batting select * from batting where player_id != 'playerID'

4.分析

1.找出batting表中每年运动 runs 最高的记录，按 year 升序排列。
select year,max(runs) from batting group by year;

结果1

2.找出每年运动次数最高的参赛者的ID并输出，需要结合上述结果来得到最后结果。

select a.year,a.player_id,a.runs from batting a
join (select year,max(runs) runs from batting group by year) b
on (a.year=b.year and a.runs = b.runs);

结果2

参考文章：
作者：reylee911
来源：CSDN
原文：https://blog.csdn.net/github_26054561/article/details/46053091