Hive是Facebook开源的一款基于Hadoop的数据仓库工具，是目前应用最广泛的大数据处理解决方案，它能将SQL查询转变为 MapReduce（Google提出的一个软件架构，用于大规模数据集的并行运算）任务，对SQL提供了完美的支持，能够非常方便的实现大数据统计。

说明：可以通过https://www.edureka.co/blog/hadoop-ecosystem来了解Hadoop生态圈。

如果要简单的介绍Hive，那么以下两点是其核心：

  1. 把HDFS中结构化的数据映射成表。
  2. 通过把Hive-SQL进行解析和转换，最终生成一系列基于Hadoop的MapReduce任务/Spark任务，通过执行这些任务完成对数据的处理。也就是说，即便不学习Java、Scala这样的编程语言，一样可以实现对数据的处理。

Hive和传统关系型数据库的对比如下表所示。

Hive RDBMS
查询语言 HQL SQL
存储数据 HDFS 本地文件系统
执行方式 MapReduce / Spark Executor
执行延迟 高 低
数据规模 大 小

准备工作

  1. 搭建如下图所示的大数据平台。

    bigdata-basic-env

  2. 通过Client节点访问大数据平台。

    bigdata-vpc

  3. 创建文件Hadoop的文件系统。

    1
    2
    hadoop fs -mkdir /data
    hadoop fs -chmod g+w /data

  4. 将准备好的数据文件拷贝到Hadoop文件系统中。

    1
    hadoop fs -put /home/ubuntu/data/* /data

创建/删除数据库

创建。

1
create database if not exists demo;

或

1
hive -e "create database demo;"

删除。

1
drop database if exists demo;

切换。

1
use demo;

数据类型

Hive的数据类型如下所示。

基本数据类型。

数据类型 占用空间 支持版本
tinyint 1-Byte
smallint 2-Byte
int 4-Byte
bigint 8-Byte
boolean
float 4-Byte
double 8-Byte
string
binary 0.8版本
timestamp 0.8版本
decimal 0.11版本
char 0.13版本
varchar 0.12版本
date 0.12版本

复杂数据类型。

数据类型 描述 例子
struct 和C语言中的结构体类似 struct<first_name:string, last_name:string>
map 由键值对构成的元素的集合 map<string,int>
array 具有相同类型的变量的容器 array<string>

创建和使用表

  1. 创建内部表。

    1
    2
    3
    4
    5
    6
    7
    8
    9
    10
    11
    12
    13
    14
    15
    16
    17
    create table if not exists user_info 
    (
    user_id string,
    user_name string, 
    sex string,
    age int,
    city string,
    firstactivetime string,
    level int,
    extra1 string,
    extra2 map<string,string>
    )
    row format delimited fields terminated by '\t'
    collection items terminated by ','
    map keys terminated by ':'
    lines terminated by '\n'
    stored as textfile;

  2. 加载数据。

    1
    load data local inpath '/home/ubuntu/data/user_info/user_info.txt' overwrite into table user_info;

    或

    1
    load data inpath '/data/user_info/user_info.txt' overwrite into table user_info;

  3. 创建分区表。

    1
    2
    3
    4
    5
    6
    7
    8
    9
    10
    11
    create table if not exists user_trade 
    (
    user_name string,
    piece int,
    price double,
    pay_amount double,
    goods_category string,
    pay_time bigint
    )  
    partitioned by (dt string)
    row format delimited fields terminated by '\t';

  4. 设置动态分区。

    1
    2
    3
    4
    set hive.exec.dynamic.partition=true;
    set hive.exec.dynamic.partition.mode=nonstrict;
    set hive.exec.max.dynamic.partitions=10000;
    set hive.exec.max.dynamic.partitions.pernode=10000;

  5. 拷贝数据（Shell命令）。

    1
    hdfs dfs -put /home/ubuntu/data/user_trade/* /user/hive/warehouse/demo.db/user_trade

  6. 修复分区表。

    1
    msck repair table user_trade;

查询

基本语法

1
2
select user_name from user_info where city='beijing' and sex='female' limit 10;
select user_name, piece, pay_amount from user_trade where dt='2019-03-24' and goods_category='food';

group by

1
2
-- 查询2019年1月到4月，每个品类有多少人购买，累计金额是多少
select goods_category, count(distinct user_name) as user_num, sum(pay_amount) as total from user_trade where dt between '2019-01-01' and '2019-04-30' group by goods_category;
1
2
-- 查询2019年4月支付金额超过5万元的用户
select user_name, sum(pay_amount) as total from user_trade where dt between '2019-04-01' and '2019-04-30' group by user_name having sum(pay_amount) > 50000;

order by

1
2
-- 查询2019年4月支付金额最多的用户前5名
select user_name, sum(pay_amount) as total from user_trade where dt between '2019-04-01' and '2019-04-30' group by user_name order by total desc limit 5;

常用函数

  1. from_unixtime：将时间戳转换成日期
  2. unix_timestamp：将日期转换成时间戳
  3. datediff：计算两个日期的时间差
  4. if：根据条件返回不同的值
  5. substr：字符串取子串
  6. get_json_object：从JSON字符串中取出指定的key对应的value，如：get_json_object(info, '$.first_name')。

快来参与讨论吧~