Hive（六）查询

作者: 万事万物 | 来源:发表于2021-05-27 05:05 被阅读0次

基本查询（Select…From）

数据准备
1）准备 dept.sql

10  ACCOUNTING  1700
20  RESEARCH    1800
30  SALES   1900
40  OPERATIONS  1700

2）准备emp.sql

7369    SMITH   CLERK   7902    1980-12-17  800.00      20
7499    ALLEN   SALESMAN    7698    1981-2-20   1600.00 300.00  30
7521    WARD    SALESMAN    7698    1981-2-22   1250.00 500.00  30
7566    JONES   MANAGER 7839    1981-4-2    2975.00     20
7654    MARTIN  SALESMAN    7698    1981-9-28   1250.00 1400.00 30
7698    BLAKE   MANAGER 7839    1981-5-1    2850.00     30
7782    CLARK   MANAGER 7839    1981-6-9    2450.00     10
7788    SCOTT   ANALYST 7566    1987-4-19   3000.00     20
7839    KING    PRESIDENT       1981-11-17  5000.00     10
7844    TURNER  SALESMAN    7698    1981-9-8    1500.00 0.00    30
7876    ADAMS   CLERK   7788    1987-5-23   1100.00     20
7900    JAMES   CLERK   7698    1981-12-3   950.00      30
7902    FORD    ANALYST 7566    1981-12-3   3000.00     20
7934    MILLER  CLERK   7782    1982-1-23   1300.00     10

创建数据表
1）创建 dept 数据表

hive (default)> create table if not exists dept(deptno int,dname string,loc int) 
row format delimited fields terminated by '\t';
OK
Time taken: 0.23 seconds

2）创建emp 数据表

hive (default)> create table if not exists 
emp(empno int,ename string,job string,mgr int,hiredate string,sal double,comm double,deptno int) 
row format delimited fields terminated by '\t';
OK
Time taken: 0.211 seconds

3.导入数据
1）导入dept数据

hive (default)> load data local inpath '/home/atguigu/hive_sql/dept.sql' into table
              > dept;
Loading data to table default.dept
OK
Time taken: 0.537 seconds

2）导入emp数据

hive (default)> load data local inpath '/home/atguigu/hive_sql/emp.sql' into table emp;
Loading data to table default.emp
OK
Time taken: 0.577 seconds

验证是否导入成功
1）查询 dept 表

hive (default)> select * from dept;
OK
dept.deptno dept.dname  dept.loc
10  ACCOUNTING  1700
20  RESEARCH    1800
30  SALES   1900
40  OPERATIONS  1700
NULL    NULL    NULL
Time taken: 0.32 seconds, Fetched: 5 row(s)

2）查询 emp 表

hive (default)> select * from emp;
OK
emp.empno   emp.ename   emp.job emp.mgr emp.hiredate    emp.sal emp.comm    emp.deptno
7369    SMITH   CLERK   7902    1980-12-17  800.0   NULL    20
7499    ALLEN   SALESMAN    7698    1981-2-20   1600.0  300.0   30
7521    WARD    SALESMAN    7698    1981-2-22   1250.0  500.0   30
7566    JONES   MANAGER 7839    1981-4-2    2975.0  NULL    20
7654    MARTIN  SALESMAN    7698    1981-9-28   1250.0  1400.0  30
7698    BLAKE   MANAGER 7839    1981-5-1    2850.0  NULL    30
7782    CLARK   MANAGER 7839    1981-6-9    2450.0  NULL    10
7788    SCOTT   ANALYST 7566    1987-4-19   3000.0  NULL    20
7839    KING    PRESIDENT   NULL    1981-11-17  5000.0  NULL    10
7844    TURNER  SALESMAN    7698    1981-9-8    1500.0  0.0 30
7876    ADAMS   CLERK   7788    1987-5-23   1100.0  NULL    20
7900    JAMES   CLERK   7698    1981-12-3   950.0   NULL    30
7902    FORD    ANALYST 7566    1981-12-3   3000.0  NULL    20
7934    MILLER  CLERK   7782    1982-1-23   1300.0  NULL    10
NULL    NULL    NULL    NULL    NULL    NULL    NULL    NULL
Time taken: 0.296 seconds, Fetched: 15 row(s)

全表和特定列查询

1.全表查询

hive (default)> select * from emp;
OK
emp.empno   emp.ename   emp.job emp.mgr emp.hiredate    emp.sal emp.comm    emp.deptno
7369    SMITH   CLERK   7902    1980-12-17  800.0   NULL    20
7499    ALLEN   SALESMAN    7698    1981-2-20   1600.0  300.0   30
7521    WARD    SALESMAN    7698    1981-2-22   1250.0  500.0   30
7566    JONES   MANAGER 7839    1981-4-2    2975.0  NULL    20
7654    MARTIN  SALESMAN    7698    1981-9-28   1250.0  1400.0  30
7698    BLAKE   MANAGER 7839    1981-5-1    2850.0  NULL    30
7782    CLARK   MANAGER 7839    1981-6-9    2450.0  NULL    10
7788    SCOTT   ANALYST 7566    1987-4-19   3000.0  NULL    20
7839    KING    PRESIDENT   NULL    1981-11-17  5000.0  NULL    10
7844    TURNER  SALESMAN    7698    1981-9-8    1500.0  0.0 30
7876    ADAMS   CLERK   7788    1987-5-23   1100.0  NULL    20
7900    JAMES   CLERK   7698    1981-12-3   950.0   NULL    30
7902    FORD    ANALYST 7566    1981-12-3   3000.0  NULL    20
7934    MILLER  CLERK   7782    1982-1-23   1300.0  NULL    10
NULL    NULL    NULL    NULL    NULL    NULL    NULL    NULL
Time taken: 0.296 seconds, Fetched: 15 row(s)

特定列查询

hive (default)> select empno,ename,job from emp;
OK
empno   ename   job
7369    SMITH   CLERK
7499    ALLEN   SALESMAN
7521    WARD    SALESMAN
7566    JONES   MANAGER
7654    MARTIN  SALESMAN
7698    BLAKE   MANAGER
7782    CLARK   MANAGER
7788    SCOTT   ANALYST
7839    KING    PRESIDENT
7844    TURNER  SALESMAN
7876    ADAMS   CLERK
7900    JAMES   CLERK
7902    FORD    ANALYST
7934    MILLER  CLERK
NULL    NULL    NULL
Time taken: 0.304 seconds, Fetched: 15 row(s)

注意：
（1）SQL 语言大小写不敏感。
（2）SQL 可以写在一行或者多行
（3）关键字不能被缩写也不能分行
（4）各子句一般要分行写。
（5）使用缩进提高语句的可读性。

列别名

1）重命名一个列
2）便于计算
3）紧跟列名，也可以在列名和别名之间加入关键字‘AS’
4）案例实操
语法 select 列名 as 别名... from <表名>
案例: 查询 emp 并对特定列设置别名。

hive (default)> select empno as no,ename name from emp;
OK
no  name
7369    SMITH
7499    ALLEN
7521    WARD
7566    JONES
7654    MARTIN
7698    BLAKE
7782    CLARK
7788    SCOTT
7839    KING
7844    TURNER
7876    ADAMS
7900    JAMES
7902    FORD
7934    MILLER
NULL    NULL
Time taken: 0.286 seconds, Fetched: 15 row(s)

算术运算符

运算符	描述
A+B	A和B 相加
A-B	A减去B
A*B	A和B 相乘
A/B	A除以B
A%B	A对B取余
A&B	A和B按位取与
A\|B	A和B按位取或
A^B	A和B按位取异或
~A	A按位取反

常用函数

求总行数（count）
hive (default)> select count(*) cnt from emp;
求工资的最大值（max）
hive (default)> select max(sal) max_sal from emp;
求工资的最小值（min）
hive (default)> select min(sal) min_sal from emp;
求工资的总和（sum）
hive (default)> select sum(sal) sum_sal from emp;
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;
hive (default)> select * from emp limit 2,3;

Where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
3）案例实操
查询出薪水大于1000的所有员工

hive (default)> select * from emp where sal >1000;

注意：where子句中不能使用字段别名。

比较运算符（Between/In/ Is Null）

下面表中描述了谓词操作符，这些操作符同样可以用于JOIN…ON和HAVING语句中。

操作符	支持的数据类型	描述
A=B	基本数据类型	如果A等于B则返回TRUE，反之返回FALSE
A<=>B	基本数据类型	如果A和B都为NULL，则返回TRUE，如果一边为NULL，返回False
A<>B, A!=B	基本数据类型	A或者B为NULL则返回NULL；如果A不等于B，则返回TRUE，反之返回FALSE
A<B	基本数据类型	A或者B为NULL，则返回NULL；如果A小于B，则返回TRUE，反之返回FALSE
A<=B	基本数据类型	A或者B为NULL，则返回NULL；如果A小于等于B，则返回TRUE，反之返回FALSE
A>B	基本数据类型	A或者B为NULL，则返回NULL；如果A大于B，则返回TRUE，反之返回FALSE
A>=B	基本数据类型	A或者B为NULL，则返回NULL；如果A大于等于B，则返回TRUE，反之返回FALSE
A [NOT] BETWEEN B AND C	基本数据类型	如果A，B或者C任一为NULL，则结果为NULL。如果A的值大于等于B而且小于或等于C，则结果为TRUE，反之为FALSE。如果使用NOT关键字则可达到相反的效果。
A IS NULL	所有数据类型	如果A等于NULL，则返回TRUE，反之返回FALSE
A IS NOT NULL	所有数据类型	如果A不等于NULL，则返回TRUE，反之返回FALSE
IN(数值1, 数值2)	所有数据类型	使用 IN运算显示列表中的值
A [NOT] LIKE B	STRING 类型	B是一个SQL下的简单正则表达式，也叫通配符模式，如果A与其匹配的话，则返回TRUE；反之返回FALSE。B的表达式说明如下：‘x%’表示A必须以字母‘x’开头，‘%x’表示A必须以字母’x’结尾，而‘%x%’表示A包含有字母’x’,可以位于开头，结尾或者字符串中间。如果使用NOT关键字则可达到相反的效果。
A RLIKE B, A REGEXP B	STRING 类型	B是基于java的正则表达式，如果A与其匹配，则返回TRUE；反之返回FALSE。匹配使用的是JDK中的正则表达式接口实现的，因为正则也依据其中的规则。例如，正则表达式必须和整个字符串A相匹配，而不是只需与其字符串匹配。

案例实操
（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

使用LIKE运算选择类似的值
选择条件可以包含字符或数字
% 代表零个或多个字符(任意个字符)。
_ 代表一个字符。
RLIKE子句
RLIKE子句是Hive中这个功能的一个扩展，其可以通过Java的正则表达式这个更强大的语言来指定匹配条件。
案例实操
（1）查找名字以A开头的员工信息

  hive (default)> select * from emp where ename LIKE 'A%';
  hive (default)> select * from emp where ename RLIKE '^A';

（2）查找名字中第二个字母为A的员工信息

hive (default)> select * from emp where ename LIKE '_A%';
hive (default)> select * from emp where ename RLIKE '^.A';

（3）查找名字中带有A的员工信息

hive (default)> select * from emp where ename  LIKE '%A%';
hive (default)> select * from emp where ename  RLIKE '[A]';

逻辑运算符（And/Or/Not）

操作符	含义
and	逻辑并
or	逻辑或
not	逻辑否

案例实操
（1）查询薪水大于1000，部门是30

hive (default)> select * from emp where sal>1000 and deptno=30;

（2）查询薪水大于1000，或者部门是30

hive (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）计算每个部门的平均薪水

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

having与where不同点
（1）where后面不能写分组聚合函数，而having后面可以使用分组聚合函数。
（2）having只用于group by分组统计语句。
案例实操
（1）求部门平均薪水大于2000的部门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

hive (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 $\color{red}{只支持等值连接，不支持非等值连接}$ 。

案例实操
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

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。

hive (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。
优化：当对3个或者更多表进行join连接时，如果每个on子句都使用相同的连接键的话，那么只会产生一个MapReduce job。

笛卡尔积

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
案例实操

hive (default)> select empno, dname from emp, dept;

排序

全局排序（Order By）

Order By：全局排序，只有一个Reducer

使用 ORDER BY 子句排序
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
sehll hive (default)> select * from emp order by sal;
（2）查询员工信息按工资降序排列
sehll hive (default)> select * from emp order by sal desc;

按照别名排序

按照员工薪水的2倍排序
hive (default)> select ename, sal*2 twosal from emp order by twosal;

多个列排序

按照部门和工资升序排序
hive (default)> select ename, deptno, sal from emp order by deptno, sal ;

每个Reducer内部排序（Sort By）

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。

设置reduce个数
set mapreduce.job.reduces
查看默认的reduces个数

hive (default)> set mapreduce.job.reduces;
mapreduce.job.reduces=-1

在hadoop2中有些参数名称过时了，
例如原来的mapred.reduce.tasks改名为mapreduce.job.reduces了，当然，这两个参数你都可以使用，只是第一个参数过时了。

疑问？为啥默认的mapreduce.job.reduces为-1？

mapreduce.job.reduces=-1 表示不限定 reduces数量，根据数据量分配reduce数量（测试数据量比较小，通常只会分配一个）。若不想按照数据量分配，可以进行自定义设置（如：mapreduce.job.reduces=3）。

重新设置 mapreduce.job.reduces 并查看。若不设置，那么将可能不起作用，结果可能和order by一样。

hive (default)> set mapreduce.job.reduces=3;
hive (default)> set mapreduce.job.reduces;
mapreduce.job.reduces=3

案例：
按照c_id 对 s_score 进行排序
原始数据

s_id  c_id  s_score
01  01  80
01  02  90
01  03  99
02  01  70
02  02  60
02  03  80
03  01  80
03  02  80
03  03  80
04  01  50
04  02  30
04  03  20
05  01  76
05  02  87
06  01  31
06  03  34
07  02  89
07  03  98

编写sql

select * from score sort by  c_id asc,s_score desc;

结果

s_id  c_id  s_score
03  01  80
01  01  80
05  01  76
02  01  70
04  01  50
06  01  31
01  02  90
07  02  89
05  02  87
03  02  80
02  02  60
04  02  30
01  03  99
07  03  98
02  03  80
03  03  80
06  03  34
04  03  20

总结：

使用 sort by 只是对局部进行排序，相对于多个reduce去执行 c_id(01、02、03），最后将结果合并，实现局部排序，所以对于整体依旧是无序的。而order by 是一个reduce 执行，效率上肯定比不上 sort by，但是可以保证全局有序。

关于 sort by 与 order by 区别可以上官网查看，Difference between Sort By and Order By。

Hive supports SORT BY which sorts the data per reducer. 
The difference between "order by" and "sort by" is that the former guarantees total order in the output while the latter only guarantees ordering of the rows within a reducer. 
If there are more than one reducer, "sort by" may give partially ordered final results.

Note: It may be confusing as to the difference between SORT BY alone of a single column and CLUSTER BY. 
The difference is that CLUSTER BY partitions by the field and SORT BY if there are multiple reducers partitions randomly in order to distribute data (and load) uniformly across the reducers.

Basically, the data in each reducer will be sorted according to the order that the user specified. The following example shows

将结果导入到本地文件

为了查看分区效果，将结果写入到文件中。

语法：insert overwrite [local] directory '<directory_path>' <sql>

hive (hive_sql)> insert overwrite  directory '/text/score_data01' select * from score sort by c_id,s_score desc;

数据结果.png
执行了 3个reduce（如图生成了3个文件结果）。若使用的order by那么数据将放到一个文件中。

local 为可选项，表示是否存储本地还是HDFS上。

分区（Distribute By）

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。
$\color{red}{注意：Hive 要求 distribute by 需要写到 sort by 之前}$ 。
对于distribute by进行测试，一定要分配多reduce进行处理，否则无法看到distribute by的效果。

设置reduce个数
set mapreduce.job.reduces
为了方便查看分区效果，也将数据结果导入到文件中。

hive (hive_sql)> insert overwrite  directory '/text/score_data02' select * from score distribute by c_id sort by s_score desc;

注意：
1）distribute by的分区规则是根据分区字段的hash码与reduce的个数进行模除后，余数相同的分到一个区。
2）Hive要求DISTRIBUTE BY语句要写在SORT BY语句之前。

sort by 与 Distribute by 区别

查看 sort by(/text/score_data01/000000_0)文件内容

hive (hive_sql)> dfs -cat /text/score_data01/000000_0;
030180
040150
060131
030280
020260
070398
030380
020380

查看 sort by(/text/score_data01/000001_0)文件内容

hive (hive_sql)> dfs -cat /text/score_data01/000001_0;
020170
010290
070289
050287
040230
010399
040320

查看 distribute by(/text/score_data02/000000_0)文件内容

hive (hive_sql)> dfs -cat /text/score_data02/000000_0;
010399
070398
030380
020380
060334
040320

查看 distribute by(/text/score_data02/000001_0)文件内容

hive (hive_sql)> dfs -cat /text/score_data02/000001_0;
030180
010180
050176
020170
040150
060131

sort by 虽然是按照 c_id 排序，数据确实乱的，按道理说明明是区内排序，数据应该有序才对？、
最终解释，若无指定分区，内部有个随机算法，随机分配的（并不是按照hash来计算的）。所以每个文件中是乱的。
为啥不按照hash实现分区？主要hash可能带来数据倾斜问题。然而框架也不能保证随机算法能够合理的分配到各个分区中，只是尽量的保证各个分区中的数据相差不大。
而 distribute by 表示明确的指定了分区。数据会按照指定的分区存储。然而 distribute by 却有一个很严重的问题，就是数据倾斜。

分区（Cluster By）

当distribute by和sort 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。 $\color{red}{但是排序只能是升序排序}$ ，不能指定排序规则为ASC或者DESC。

如下两种方式，执行结果是一样的。

select * from score distribute by c_id  sort by c_id ;
select * from score Cluster by c_id;

distribute by 和 sort by 结果

s_id  c_id  score
06  01  31
02  01  70
05  01  76
04  01  50
01  01  80
03  01  80
02  02  60
05  02  87
01  02  90
07  02  89
04  02  30
03  02  80
07  03  98
06  03  34
04  03  20
02  03  80
01  03  99
03  03  80

Cluster by 结果

s_id  c_id  score
06  01  31
02  01  70
05  01  76
04  01  50
01  01  80
03  01  80
02  02  60
05  02  87
01  02  90
07  02  89
04  02  30
03  02  80
07  03  98
06  03  34
04  03  20
02  03  80
01  03  99
03  03  80

注意：按照部门编号分区，不一定就是固定死的数值，可以是20号和30号部门分到一个分区里面去。

排序总结

order by
全局排序，只会用到一个reduce
sort by
局部（区内）排序，需要设置 mapreduce.job.reduces 数量。若不设置和order by 一样。
distribute by
局部（区内）排序，同sort by 一同使用，需要写到 sort by 前面。
cluster by
局部（区内）排序：当时 distribute by 列和 sort by 列一致时，可以使用 cluster by 代替。但是 cluster by 只支持升序。