Hive06-查询

NiuMT 2020-07-03 20:58:30

Hive

SELECT [ALL | DISTINCT] select_expr, select_expr, ...
FROM table_reference
[WHERE where_condition]
[GROUP BY col_list]
[ORDER BY col_list]
[CLUSTER BY col_list
| [DISTRIBUTE BY col_list] [SORT BY col_list]
]
[LIMIT number]

基本查询

SQL 语言大小写不敏感。
SQL 可以写在一行或者多行
关键字不能被缩写也不能分行
各子句一般要分行写
使用缩进提高语句的可读性
列别名：便于计算、紧跟列名，也可以在列名和别名之间加入关键字‘AS’

hive (default)> select * from emp;
hive (default)> select empno, ename from emp;
hive (default)> select ename AS name, deptno dn from emp;

-- 求总行数（count）、求工资的最大值（max）、求工资的最小值（min）
-- 求工资的总和（sum）、求工资的平均值（avg）
hive (default)> select count(*) cnt from emp;
hive (default)> select max(sal) max_sal from emp;
hive (default)> select min(sal) min_sal from emp;
hive (default)> select sum(sal) sum_sal from emp;
hive (default)> select avg(sal) avg_sal from emp;

-- 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语句&Like

使用WHERE 子句，将不满足条件的行过滤掉
WHERE 子句紧随FROM 子句

hive (default)> select * from emp where sal =5000;
hive (default)> select * from emp where sal between 500 and 1000; -- between and 的区间不能反
hive (default)> select * from emp where comm is null;
hive (default)> select * from emp where sal IN (1500, 5000);
hive (default)> select * from emp where sal>1000 and deptno=30;
hive (default)> select * from emp where sal>1000 or deptno=30;
hive (default)> select * from emp where deptno not IN(30, 20);

-- 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
hive (default)> select * from emp where sal LIKE '2%'; # 查找以2 开头薪水的员工信息
hive (default)> select * from emp where sal LIKE '_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 RLIKE '[2]'; # 查找薪水中含有2 的员工信息

分组（Group By & Having）

-- Group By
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。
hive (default)> select t.deptno, avg(t.sal) avg_sal 
from emp t 
group by t.deptno; # 计算emp 表每个部门的平均工资

hive (default)> select t.deptno, t.job, max(t.sal) max_sal 
from emp t 
group byt.deptno, t.job; # 计算emp 每个部门中每个岗位的最高薪水


-- Having 语句
having 与 where 不同点:
 1. where 针对表中的列发挥作用，查询数据；having 针对查询结果中的列发挥作用，筛选数据。
 2. where 后面不能写聚合函数，而having 后面可以使用聚合函数。
 3. having 只用于 group by 分组统计语句。

hive (default)> select deptno, avg(sal) 
from emp 
group by deptno; # 求每个部门的平均工资

hive (default)> select deptno, avg(sal) avg_sal 
from emp 
group by deptno 
having avg_sal > 2000; # 求每个部门的平均薪水大于2000 的部门

join语句

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。

-- 等值Join
hive (default)> select e.empno, e.ename, d.deptno, d.dname 
from emp e 
join dept d
on e.deptno = d.deptno;

-- 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, 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, 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, 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.deptno, 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。

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

-- 连接谓词中不支持or
hive (default)> select e.empno, e.ename, d.deptno
> from emp e
> join dept d
> on e.deptno=d.deptno or e.ename=d.dname;
FAILED: SemanticException [Error 10019]: Line 10:3 OR not
supported in JOIN currently 'dname'

排序

全局排序（Order By）

Order By：全局排序，一个Reducer, 无论set几个reducer，order by都使用一个reducer

ASC（ascend）: 升序（默认）

DESC（descend）: 降序

ORDER BY 子句在 SELECT 语句的结尾

hive (default)> select * from emp order by sal; # 查询员工信息按工资升序排列
hive (default)> select * from emp order by sal desc; # 查询员工信息按工资降序排列
hive (default)> select ename, sal*2 twosal from emp order by twosal;
hive (default)> select ename, deptno, sal from emp order by deptno, sal; # 按照部门和工资升序排序

每个MapReduce 内部排序（Sort By）

Sort By：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
hive (default)> set mapreduce.job.reduces=3;
-- 查看设置reduce 个数
hive (default)> set mapreduce.job.reduces;

-- 根据部门编号降序查看员工信息
hive (default)> select * from emp sort by empno desc;

-- 将查询结果导入到文件中（按照部门编号降序排序）
hive (default)> insert overwrite 
local directory '/opt/module/datas/sortby-result'
select * from emp sort by deptno desc;

分区排序（Distribute By）

Distribute By：类似MR 中partition，进行分区，结合sort by 使用。

注意，Hive 要求 DISTRIBUTE BY 语句要写在 SORT BY 语句之前。

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。

-- 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)> insert overwrite 
local directory '/opt/module/datas/distribute-result' 
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。

-- 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;
-- 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。

分桶及抽样查询

分区针对的是数据的存储路径；分桶针对的是数据文件。

分区提供一个隔离数据和优化查询的便利方式。不过，并非所有的数据集都可形成合理
的分区，特别是之前所提到过的要确定合适的划分大小这个疑虑。

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。

-- 设置属性
hive (default)> set hive.enforce.bucketing=true;
hive (default)> set mapreduce.job.reduces=-1;

-- 创建分桶表
create table stu_buck(id int, name string)
clustered by(id) into 4 buckets
row format delimited fields terminated by '\t';

-- 查看表结构
hive (default)> desc formatted stu_buck;
Num Buckets: 4

-- 创建分桶表时，数据通过子查询的方式导入
insert into table stu_buck
select id, name from stu;

-- 查询分桶的数据
hive (default)> select * from stu_buck;
OK
stu_buck.id stu_buck.name
1004 ss4
1008 ss8
1012 ss12
1016 ss16
1001 ss1
1005 ss5
1009 ss9
1013 ss13
1002 ss2
1006 ss6
1010 ss10
1014 ss14
1003 ss3
1007 ss7
1011 ss11
1015 ss15

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);
-- 注：tablesample 是抽样语句，语法：TABLESAMPLE(BUCKET x OUT OF y) 。
-- 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.
-- 如果抽取 1/2 个桶，则返回相应桶的1/2的数据，也不会抽取第二个桶。
-- 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。
-- 注意：x 的值必须小于等于y 的值.

其他查询函数

空字段赋值

NVL：给值为NULL 的数据赋值，它的格式是NVL( string1, replace_with)。它的功能是如果string1 为NULL，则NVL 函数返回replace_with 的值，否则返回string1 的值，如果两个参数都为NULL ，则返回NULL。

select nvl(comm,-1) from emp;

时间类

-- date_format:格式化时间
hive (default)> select date_format('2019-06-29','yyyy-MM-dd');
OK
_c0
2019-06-29
只能是"-"，"/"不能识别，但可以使用函数替换"/"，
regexp_replace('2019/07/03', '/', '-'); // 2019-07-03

-- date_add:时间跟天数相加
hive (default)> select date_add('2019-06-29',5);
OK
_c0
2019-07-04

hive (default)> select date_add('2019-06-29',-5);
OK
_c0
2019-06-24

-- date_sub:时间跟天数相减
hive (default)> select date_sub('2019-06-29',5);
OK
_c0
2019-06-24

hive (default)> select date_sub('2019-06-29 12:12:12',5);
OK
_c0
2019-06-24

hive (default)> select date_sub('2019-06-29',-5);
OK
_c0
2019-07-04

-- datediff:两个时间相减
hive (default)> select datediff('2019-06-29','2019-06-24');
OK
_c0
5

hive (default)> select datediff('2019-06-24','2019-06-29');
OK
_c0
-5

hive (default)> select datediff('2019-06-24 12:12:12','2019-06-29');
OK
_c0
-5

hive (default)> select datediff('2019-06-24 12:12:12','2019-06-29 13:13:13');
OK
_c0
-5

CASE WHEN

数据准备：

name	dept_id	sex
悟空	A	男
大海	A	男
宋宋	B	男
凤姐	A	女
婷姐	B	女
婷婷	B	女

-- 需求：求出不同部门男女各多少人，结果如下
A 2 1
B 1 2


-- 创建hive 表并导入数据
create table emp_sex(
name string,
dept_id string,
sex string)
row format delimited fields terminated by "\t";
load data local inpath '/opt/module/data/emp_sex.txt' into table emp_sex;

-- 按需求查询数据
select 
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;

-- case when 可以替换为
sum(if(sex='男',1,0)) male_count,
sum(if(sex='女',1,0)) famale_count

行转列

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()。第一个参数是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。

数据准备：

name	constellation	blood_type
孙悟空	白羊座	A
大海	射手座	A
宋宋	白羊座	B
猪八戒	白羊座	A
凤姐	射手座	A

-- 需求：把星座和血型一样的人归类到一起。预期结果如下
射手座,A 大海|凤姐
白羊座,A 孙悟空|猪八戒
白羊座,B 宋宋

-- 创建hive 表并导入数据
create table person_info(
name string,
constellation string,
blood_type string)
row format delimited fields terminated by "\t";
load data local inpath "/opt/module/data/person_info.txt" into table person_info;

-- 按需求查询数据
select
t1.base,
concat_ws('|', collect_set(t1.name)) name
from
    (select
    name,
    concat(constellation, ",", blood_type) base
    from
    person_info) t1
group by
    t1.base;

列转行

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(表名) AS columnAlias(udtf的列别名)。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

数据准备：

movie	category
《疑犯追踪》	悬疑,动作,科幻,剧情
《Lie to me》	悬疑,警匪,动作,心理,剧情
《战狼2》	战争,动作,灾难

-- 将电影分类中的数组数据展开。预期结果如下：
《疑犯追踪》 悬疑
《疑犯追踪》 动作
《疑犯追踪》 科幻
《疑犯追踪》 剧情
《Lie to me》 悬疑
《Lie to me》 警匪
《Lie to me》 动作
《Lie to me》 心理
《Lie to me》 剧情
《战狼2》 战争
《战狼2》 动作
《战狼2》 灾难

-- 创建hive 表并导入数据
create table movie_info(
    movie string,
    category array<string>)
row format delimited fields terminated by "\t"
collection items terminated by ",";
load data local inpath "/opt/module/datas/movie.txt" into table movie_info;

-- 按需求查询数据
select
    movie,
    category_name
from
    movie_info lateral view explode(category) table_tmp as category_name;

窗口函数

OVER()：指定分析函数工作的数据窗口大小(理解为当前行可以看到的视野)，这个数据窗口大小可能会随着行的变化而变化；

CURRENT ROW：当前行；
n PRECEDING：往前n 行数据；
n FOLLOWING：往后n 行数据；
UNBOUNDED：起点
UNBOUNDED PRECEDING 表示从前面的起点
UNBOUNDED FOLLOWING 表示到后面的终点；
LAG(col,n)：往前第n 行数据；
LEAD(col,n)：往后第n 行数据
NTILE(n)：把有序分区中的行分发到指定数据的组中，各个组有编号，编号从1 开始，
对于每一行，NTILE 返回此行所属的组的编号。注意：n 必须为int 类型。

name，orderdate，cost
jack,2017-01-01,10
tony,2017-01-02,15
jack,2017-02-03,23
tony,2017-01-04,29
jack,2017-01-05,46
jack,2017-04-06,42
tony,2017-01-07,50
jack,2017-01-08,55
mart,2017-04-08,62
mart,2017-04-09,68
neil,2017-05-10,12
mart,2017-04-11,75
neil,2017-06-12,80
mart,2017-04-13,94

-- 查询在2017 年4 月份购买过的顾客及总人数
select name,count(*) over ()
from business
where substring(orderdate,1,7) = '2017-04'
group by name;

-- 查询顾客的购买明细及月购买总额
select name,orderdate,cost,sum(cost) over(partition by month(orderdate)) 
from business;

-- 上述的场景,要将cost 按照日期进行累加
select name,orderdate,cost,
    sum(cost) over() as sample1,-- 所有行相加
    sum(cost) over(partition by name) as sample2,-- 按name 分组，组内数据相加
    sum(cost) over(distribute by name sort by orderdate) as sample33，
    sum(cost) over(partition by name order by orderdate) as sample3, -- 按name 分组，组内数据累加
    sum(cost) over(partition by name order by orderdate 
                   rows between UNBOUNDED PRECEDING and current row ) as sample4 ,-- 和sample3 一样,由起点到当前行的聚合
    sum(cost) over(partition by name order by orderdate 
                   rows between 1 PRECEDING and current row) as sample5, -- 当前行和前面一行做聚合
    sum(cost) over(partition by name order by orderdate 
                   rows between 1 PRECEDING AND 1 FOLLOWING ) as sample6,-- 当前行和前边一行及后面一行
    sum(cost) over(partition by name order by orderdate 
                   rows between current row and UNBOUNDED FOLLOWING ) as sample7 -- 当前行及后面所有行
from business;

-- 查看顾客上次的购买时间
select name,orderdate,cost,
lag(orderdate,1,'1900-01-01') over(partition by name order by orderdate ) as time1, 
lag(orderdate,2) over (partition by name order by orderdate) as time2
from business;

-- 查询前20%时间的订单信息
select * from (
    select name,orderdate,cost, ntile(5) over(order by orderdate) sorted 
    from business
) t
where sorted = 1;

Rank

RANK() 排序相同时会重复，总数不会变
DENSE_RANK() 排序相同时会重复，总数会减少
ROW_NUMBER() 会根据顺序计算

select name,
    subject,
    score,
    rank() over(partition by subject order by score desc) rp,
    dense_rank() over(partition by subject order by score desc) drp,
    row_number() over(partition by subject order by score desc) rmp
from score;

name subject score rp drp rmp
孙悟空 数学 95 1 1 1
宋宋   数学 86 2 2 2
婷婷   数学 85 3 3 3
大海   数学 56 4 4 4

宋宋   英语 84 1 1 1
大海   英语 84 1 1 2
婷婷   英语 78 3 2 3
孙悟空 英语 68 4 3 4

大海   语文 94 1 1 1
孙悟空 语文 87 2 2 2
婷婷   语文 65 3 3 3
宋宋   语文 64 4 4 4

Hive04-DDL

Hive07-函数