hive基础知识四

标签：数据压缩   sse   group by   double   倾斜   load   creat   prepare   自带   

1. hive表的数据压缩

1.1 数据的压缩说明

• 压缩模式评价

  • 可使用以下三种标准对压缩方式进行评价

    • 1、压缩比：压缩比越高，压缩后文件越小，所以压缩比越高越好

    • 2、压缩时间：越快越好

    • 3、已经压缩的格式文件是否可以再分割：可以分割的格式允许单一文件由多个Mapper程序处理，可以更好的并行化

• 常见压缩格式

• Hadoop编码/解码器方式

1.2 数据压缩使用

• Hive表中间数据压缩(map端)

  #设置为true为激活中间数据压缩功能，默认是false，没有开启
  set hive.exec.compress.intermediate=true;
  #设置中间数据的压缩算法
  set mapred.map.output.compression.codec= org.apache.hadoop.io.compress.SnappyCodec;

• Hive表最终输出结果压缩(reduce端)

  set hive.exec.compress.output=true;
  set mapred.output.compression.codec=org.apache.hadoop.io.compress.SnappyCodec;

2. hive表的文件存储格式

2.1 文件存储格式说明

• Hive支持的存储数的格式主要有：textFile、sequencefile、orc、parquet。

• 其中textFile为默认格式，建表时默认为这个格式，导入数据时会直接把本地文件数据文件拷贝到hdfs上不进行处理。

       注意：sequencefile、orc、parquet格式的表不能直接从本地文件导入数据，数据要先导入到TextFile格式的表中，然后再从textFile表中用insert导入到sequencefile、orc、parquet表中。

• textFile 和 sequencefile的存储格式都是基于行存储的；

• orc 和 parquet 是基于列式存储的。

2.2 文件存储格式使用对比

具体操作和文件存储格式对比使用详细见 《Hive 主流文件存储格式对比.md》

https://blog.csdn.net/xsdxs/article/details/53152599

https://www.cnblogs.com/lojun/p/11396793.html

3、hive的函数

3.1 系统内置函数

• 1、查看系统自带的函数

  show functions;

• 2、显示自带的函数的用法

  • 语法结构

    • desc function 函数名；

  desc function max;

3.2 自定义函数

• Hive 自带了一些函数，比如：max/min等，但是数量有限，自己可以通过自定义UDF来方便的扩展

• 当Hive提供的内置函数无法满足你的业务处理需要时，此时就可以考虑使用用户自定义函数（UDF：user-defined function）

• 根据用户自定义函数类别分为以下三种：

  • 1、UDF（User-Defined-Function）

    • 一进一出

  • 2、UDAF（User-Defined Aggregation Function）

    • 聚合函数，多进一出

      • 类似于count/max/min

  • 3、UDTF（User-Defined Table-Generating Functions）

    • 一进多出

• 官网地址

  • https://cwiki.apache.org/confluence/display/Hive/HivePlugins

3.3 自定义UDF函数编程步骤

• 1、定义一个类继承org.apache.hadoop.hive.ql.UDF

• 2、需要实现evaluate函数；evaluate函数支持重载；

• 3、将程序打成jar包上传到linux服务器

• 4、在hive的命令行窗口创建函数

  • a) 添加 jar包

    • add jar xxxxx.jar  (linux上jar包的路径)

  • b) 创建function

    create [temporary] function [dbname.]function_name AS class_name;

• 5、hive命令行中删除函数

  Drop [temporary] function [if exists] [dbname.]function_name;

• 6、注意事项

  • UDF必须要有返回类型，可以返回null，但是返回类型不能为void；

3.4 自定义UDF函数案例实战

• 1、需求

  • 将输入的小写单词转化为大写

• 2、代码开发

  • 1、创建maven工程

  • 2、添加依赖

        <dependencies>
            <dependency>
                <groupId>org.apache.hive</groupId>
                <artifactId>hive-exec</artifactId>
                <version>1.2.2</version>
            </dependency>
            <dependency>
                <groupId>org.apache.hadoop</groupId>
                <artifactId>hadoop-common</artifactId>
                <version>2.7.4</version>
            </dependency>
        </dependencies>

  • 3、代码

    package com.lowi.udf;
    import org.apache.hadoop.hive.ql.exec.UDF;
    //todo:自定义udf函数，实现小写转大写
    public class MyUDF extends UDF{
         //实现evaluate方法
        public String evaluate(String word){
           if(word ==null){
               return null;
           }
            return  word.toUpperCase();
        }
    }

• 3、打成jar包上传到linux服务器上 /home/hadoop/hive_udf.jar

• 4、将jar包添加到hive的classpath

  add jar /home/hadoop/hive_udf.jar;

• 5、创建临时函数与开发好的java class关联

  create temporary function toUpper as "com.lowi.udf.MyUDF";

• 6、在sql语句中使用自定义UDF函数

  select toUpper("abcdDEF") from student limit 1;

• 7、删除自定义UDF函数

  drop function toUpper;

• 8、UDF函数永久使用

  • 1、把自定义函数的jar上传到hdfs中

    hdfs dfs -put hive_udf.jar  /jars

  • 2、创建永久函数

    create function toUpper as ‘com.lowi.udf.MyUDF‘  using jar ‘hdfs://node1:9000/jars/hive_udf.jar‘;

  • 3、在sql语句中使用自定义UDF函数

    select toUpper("abcdDEF") from student limit 1;

4、hive客户端jdbc操作

4.1 引入依赖

    <dependencies>
        <dependency>
            <groupId>org.apache.hive</groupId>
            <artifactId>hive-exec</artifactId>
            <version>1.2.2</version>
        </dependency>
         <dependency>
            <groupId>org.apache.hive</groupId>
            <artifactId>hive-jdbc</artifactId>
            <version>1.2.2</version>
        </dependency>
        <dependency>
            <groupId>org.apache.hadoop</groupId>
            <artifactId>hadoop-common</artifactId>
            <version>2.7.3</version>
        </dependency>
    </dependencies>

4.2 代码开发

package com.lowi.jdbc;
import java.sql.*;
public class HiveJdbc {
    private static String url="jdbc:hive2://node1:10000/default";
    public static void main(String[] args) throws SQLException {
        //获取数据库连接
        Connection connection = DriverManager.getConnection(url, "root","123456");
        //定义查询的sql语句
        String sql="select * from employee";
        try {
            PreparedStatement ps = connection.prepareStatement(sql);
            ResultSet rs = ps.executeQuery();
            while (rs.next()){
                 //获取empid字段
                int empid = rs.getInt(1);
                 //获取deptid字段
                int deptid = rs.getInt(2);
                 //获取sex字段
                String sex = rs.getString(3);
                 //获取salary字段
                double salary = rs.getDouble(4);
                System.out.println(empid+"\t"+deptid+"\t"+sex+"\t"+salary);
            }
        } catch (SQLException e) {
            e.printStackTrace();
        }
    }
}

5. hive的SerDe

5.1 hive的SerDe是什么

? Serde是 Serializer/Deserializer的简写。hive使用Serde进行行对象的序列与反序列化。最后实现把文件内容映射到 hive 表中的字段数据类型。

? 为了更好的阐述使用 SerDe 的场景，我们需要了解一下 Hive 是如何读数据的(类似于 HDFS 中数据的读写操作)：

HDFS files –> InputFileFormat –> <key, value> –> Deserializer –> Row object
?
Row object –> Serializer –> <key, value> –> OutputFileFormat –> HDFS files

5.2 hive的SerDe 类型

• Hive 中内置org.apache.hadoop.hive.serde2 库，内部封装了很多不同的SerDe类型。

• hive创建表时， 通过自定义的SerDe或使用Hive内置的SerDe类型指定数据的序列化和反序列化方式。

CREATE [EXTERNAL] TABLE [IF NOT EXISTS] table_name 
[(col_name data_type [COMMENT col_comment], ...)] [COMMENT table_comment] [PARTITIONED BY (col_name data_type [COMMENT col_comment], ...)] 
[CLUSTERED BY (col_name, col_name, ...) 
[SORTED BY (col_name [ASC|DESC], ...)] INTO num_buckets BUCKETS] 
[ROW FORMAT row_format] 
[STORED AS file_format] 
[LOCATION hdfs_path]

• 如上创建表语句， 使用row format 参数说明SerDe的类型。

• 可以创建表时使用用户自定义的Serde或者native Serde， 如果 ROW FORMAT没有指定或者指定了 ROW FORMAT DELIMITED就会使用native Serde。

• Hive SerDes:

  • Avro (Hive 0.9.1 and later)

  • ORC (Hive 0.11 and later)

  • RegEx

  • Thrift

  • Parquet (Hive 0.13 and later)

  • CSV (Hive 0.14 and later)

  • MultiDelimitSerDe

5.3 企业实战

5.3.1 通过MultiDelimitSerDe 解决多字符分割场景

• 1、创建表

create  table t1 (id String, name string)
row format serde ‘org.apache.hadoop.hive.contrib.serde2.MultiDelimitSerDe‘
WITH SERDEPROPERTIES ("field.delim"="##");

• 2、准备数据 t1.txt

1##xiaoming
2##xiaowang
3##xiaozhang

• 3、加载数据

load data local inpath ‘/home/hadoop/t1.txt‘ into table t1;

• 4、查询数据

0: jdbc:hive2://node1:10000> select * from t1;
+--------+------------+--+
| t1.id  |  t1.name   |
+--------+------------+--+
| 1      | xiaoming   |
| 2      | xiaowang   |
| 3      | xiaozhang  |
+--------+------------+--+

5.3.2 通过RegexSerDe 解决多字符分割场景

• 1、创建表

create  table t2(id int, name string)
row format serde ‘org.apache.hadoop.hive.serde2.RegexSerDe‘ 
WITH SERDEPROPERTIES ("input.regex" = "^(.*)\\#\\#(.*)$");

• 2、准备数据 t1.txt

1##xiaoming
2##xiaowang
3##xiaozhang

• 3、加载数据

load data local inpath ‘/home/hadoop/t1.txt‘ into table t2;

• 4、查询数据

0: jdbc:hive2://node1:10000> select * from t2;
+--------+------------+--+
| t2.id  |  t2.name   |
+--------+------------+--+
| 1      | xiaoming   |
| 2      | xiaowang   |
| 3      | xiaozhang  |
+--------+------------+--+

5.3.3 通过JsonSerDe格式存储text文件

• 1、创建表

CREATE TABLE t3(id int, name string)
ROW FORMAT SERDE ‘org.apache.hive.hcatalog.data.JsonSerDe‘
STORED AS TEXTFILE;

• 2、准备数据 json.txt

{"id":1001,"name":"xiaoming"}
{"id":1002,"name":"xiaowang"}
{"id":1003,"name":"xiaozhang"}

• 3、加载数据

load data local inpath ‘/home/hadoop/json.txt‘ into table t3;

• 4、查询数据

0: jdbc:hive2://node1:10000> select * from t3;
+--------+------------+--+
| t3.id  |  t3.name   |
+--------+------------+--+
| 1001   | xiaoming   |
| 1002   | xiaowang   |
| 1003   | xiaozhang  |
+--------+------------+--+

5.3.4 使用 json函数 操作json格式数据

• 1、创建表

CREATE TABLE t4(jsoncontext string)
STORED AS TEXTFILE;

• 2、准备数据 json.txt

{"id":1001,"name":"xiaoming"}
{"id":1002,"name":"xiaowang"}
{"id":1003,"name":"xiaozhang"}

• 3、加载数据

load data local inpath ‘/home/hadoop/json.txt‘ into table t4;

• 4、查询数据

0: jdbc:hive2://node1:10000> select * from t4;
+---------------------------------+--+
|         t4.jsoncontext          |
+---------------------------------+--+
| {"id":1001,"name":"xiaoming"}   |
| {"id":1002,"name":"xiaowang"}   |
| {"id":1003,"name":"xiaozhang"}  |
+---------------------------------+--+

• 5、json函数操作

  • get_json_object(string json_string, string path)

    • 返回值: string

    • 说明：解析json的字符串json_string,返回path指定的内容。如果输入的json字符串无效，那么返回NULL。

      --查询表中的name字段
      select get_json_object(jsoncontext,"$.name") as name from t4;
      +------------+--+
      |    name    |
      +------------+--+
      | xiaoming   |
      | xiaowang   |
      | xiaozhang  |
      +------------+--+

  • json_tuple(jsonStr, k1, k2, ...)

    • 返回值是一个元组

    • 说明：解析jsonStr字符串中的k1、k2...字段，可以在一行中解析多个字段

      
      select json_tuple(jsoncontext,"id","name") as (id,name) from t4;
      +-------+------------+--+
      |  id   |    name    |
      +-------+------------+--+
      | 1001  | xiaoming   |
      | 1002  | xiaowang   |
      | 1003  | xiaozhang  |
      +-------+------------+--+

• 官网地址：https://cwiki.apache.org/confluence/display/Hive/LanguageManual%20DDL#LanguageManualDDL-JSON

6. hive的企业级调优

6.1 Fetch抓取

• Fetch抓取是指，Hive中对某些情况的查询可以不必使用MapReduce计算

  • 例如：select * from employee;

  • 在这种情况下，Hive可以简单地读取employee对应的存储目录下的文件，然后输出查询结果到控制台

• 在hive-default.xml.template文件中 hive.fetch.task.conversion默认是more，老版本hive默认是minimal，该属性修改为more以后，在全局查找、字段查找、limit查找等都不走mapreduce。

• 案例实操

  • 把 hive.fetch.task.conversion设置成none，然后执行查询语句，都会执行mapreduce程序

  set hive.fetch.task.conversion=none;
  select * from employee;
  select sex from employee;
  select sex from employee limit 3;

  • 把hive.fetch.task.conversion设置成more，然后执行查询语句，如下查询方式都不会执行mapreduce程序。

  set hive.fetch.task.conversion=more;
  select * from employee;
  select sex from employee;
  select sex from employee limit 3;

6.2 本地模式

• 在Hive客户端测试时，默认情况下是启用hadoop的job模式，把任务提交到集群中运行，这样会导致计算非常缓慢；

• Hive可以通过本地模式在单台机器上处理任务。对于小数据集，执行时间可以明显被缩短。

• 案例实操

  --开启本地模式，并执行查询语句
  set hive.exec.mode.local.auto=true;  //开启本地mr
  ?
  --设置local mr的最大输入数据量，当输入数据量小于这个值时采用local mr的方式，
  --默认为134217728，即128M
  set hive.exec.mode.local.auto.inputbytes.max=50000000;
  ?
  --设置local mr的最大输入文件个数，当输入文件个数小于这个值时采用local mr的方式，
  --默认为4
  set hive.exec.mode.local.auto.input.files.max=5;
  ?
  --执行查询的sql语句
   select * from employee cluster by deptid;
  
  

  --关闭本地运行模式
  set hive.exec.mode.local.auto=false;
  select * from employee cluster by deptid;

集群模式：

本地模式：

6.3 表的优化

6.3.1 小表、大表 join

• 将key相对分散，并且数据量小的表放在join的左边，这样可以有效减少内存溢出错误发生的几率；再进一步，可以使用map join让小的维度表（1000条以下的记录条数）先进内存。在map端完成reduce。

注意：实际测试发现，新版的hive已经对小表 join 大表和大表 join 小表进行了优化。小表放在左边和右边已经没有明显区别。

6.3.2 大表 join 大表

• 1．空 key 过滤

  • 有时join超时是因为某些key对应的数据太多，而相同key对应的数据都会发送到相同的reducer上，从而导致内存不够。

  • 此时我们应该仔细分析这些异常的key，很多情况下，这些key对应的数据是异常数据，我们需要在SQL语句中进行过滤。

• 2、空 key 转换

  • 有时虽然某个 key 为空对应的数据很多，但是相应的数据不是异常数据，必须要包含在 join 的结果中，此时我们可以表 a 中 key 为空的字段赋一个随机的值，使得数据随机均匀地分不到不同的 reducer 上。

6.3.3 map join

• 如果不指定MapJoin 或者不符合 MapJoin的条件，那么Hive解析器会将Join操作转换成Common Join，即：在Reduce阶段完成join。容易发生数据倾斜。可以用 MapJoin 把小表全部加载到内存，在map端进行join，避免reducer处理。

• 1、开启MapJoin参数设置

   --默认为true
  set hive.auto.convert.join = true;

• 2、大表小表的阈值设置（默认25M以下是小表）

set hive.mapjoin.smalltable.filesize=25000000;

• 3、MapJoin工作机制

6.3.4 group By

• 默认情况下，Map阶段同一Key数据分发给一个reduce，当一个key数据过大时就倾斜了。

• 并不是所有的聚合操作都需要在Reduce端完成，很多聚合操作都可以先在Map端进行部分聚合，最后在Reduce端得出最终结果。

• 开启Map端聚合参数设置

  --是否在Map端进行聚合，默认为True
  set hive.map.aggr = true;
  --在Map端进行聚合操作的条目数目
  set hive.groupby.mapaggr.checkinterval = 100000;
  --有数据倾斜的时候进行负载均衡（默认是false）
  set hive.groupby.skewindata = true;
  
  当选项设定为 true，生成的查询计划会有两个MR Job。第一个MR Job中，Map的输出结果会随机分布到Reduce中，每个Reduce做部分聚合操作，并输出结果，

  这样处理的结果是相同的Group By Key有可能被分发到不同的Reduce中，从而达到负载均衡的目的；第二个MR Job再根据预处理的数据结果按照Group By Key分布到Reduce中

  （这个过程可以保证相同的Group By Key被分布到同一个Reduce中），最后完成最终的聚合操作。

6.3.5 count(distinct)

• 数据量小的时候无所谓，数据量大的情况下，由于count distinct 操作需要用一个reduce Task来完成，这一个Reduce需要处理的数据量太大，就会导致整个Job很难完成，一般count distinct使用先group by 再count的方式完成。

   --每个reduce任务处理的数据量 默认256000000（256M）
   set hive.exec.reducers.bytes.per.reducer=32123456;
   select  count(distinct ip )  from log_text;
   转换成
   select count(ip) from (select ip from log_text group by ip) t;
   
   虽然会多用一个Job来完成，但在数据量大的情况下，这个绝对是值得的。

6.3.6 笛卡尔积

• 尽量避免笛卡尔积，即避免join的时候不加on条件，或者无效的on条件

• Hive只能使用1个reducer来完成笛卡尔积。

6.4 使用分区剪裁、列剪裁

• 尽可能早地过滤掉尽可能多的数据量，避免大量数据流入外层SQL。

• 列剪裁

  • 只获取需要的列的数据，减少数据输入。

• 分区裁剪

  • 分区在hive实质上是目录，分区裁剪可以方便直接地过滤掉大部分数据。

  • 尽量使用分区过滤，少用select *

6.5 并行执行

• 把一个sql语句中没有相互依赖的阶段并行去运行。提高集群资源利用率

--开启并行执行
set hive.exec.parallel=true;
--同一个sql允许最大并行度，默认为8。
set hive.exec.parallel.thread.number=16;

6.6 严格模式

• Hive提供了一个严格模式，可以防止用户执行那些可能意想不到的不好的影响的查询。

• 通过设置属性hive.mapred.mode值为默认是非严格模式nonstrict 。开启严格模式需要修改hive.mapred.mode值为strict，开启严格模式可以禁止3种类型的查询。

  --设置非严格模式（默认）
  set hive.mapred.mode=nonstrict;
  ?
  --设置严格模式
  set hive.mapred.mode=strict;

• （1）对于分区表，除非where语句中含有分区字段过滤条件来限制范围，否则不允许执行

  --设置严格模式下 执行sql语句报错； 非严格模式下是可以的
  select * from order_partition；
  ?
  异常信息：Error: Error while compiling statement: FAILED: SemanticException [Error 10041]: No partition predicate found for Alias "order_partition" Table "order_partition" 

• （2）对于使用了order by语句的查询，要求必须使用limit语句

  --设置严格模式下 执行sql语句报错； 非严格模式下是可以的
  select * from order_partition where month=‘2019-03‘ order by order_price; 
  ?
  异常信息：Error: Error while compiling statement: FAILED: SemanticException 1:61 In strict mode, if ORDER BY is specified, LIMIT must also be specified. Error encountered near token ‘order_price‘

• （3）限制笛卡尔积的查询

  • 严格模式下，避免出现笛卡尔积的查询

6.7 JVM重用

• JVM重用是Hadoop调优参数的内容，其对Hive的性能具有非常大的影响，特别是对于很难避免小文件的场景或task特别多的场景，这类场景大多数执行时间都很短。

• JVM重用可以使得JVM实例在同一个job中重新使用N次。减少进程的启动和销毁时间。

  -- 设置jvm重用个数
  set mapred.job.reuse.jvm.num.tasks=5;

6.8 推测执行

• Hadoop采用了推测执行（Speculative Execution）机制，它根据一定的法则推测出“拖后腿”的任务，并为这样的任务启动一个备份任务，让该任务与原始任务同时处理同一份数据，并最终选用最先成功运行完成任务的计算结果作为最终结果。（集群资源充裕的情况下可以考虑）

--开启推测执行机制
set hive.mapred.reduce.tasks.speculative.execution=true;

6.9 压缩

• Hive表中间数据压缩

  #设置为true为激活中间数据压缩功能，默认是false，没有开启
  set hive.exec.compress.intermediate=true;
  #设置中间数据的压缩算法
  set mapred.map.output.compression.codec= org.apache.hadoop.io.compress.SnappyCodec;

• Hive表最终输出结果压缩

  set hive.exec.compress.output=true;
  set mapred.output.compression.codec=org.apache.hadoop.io.compress.SnappyCodec;

6.10 数据倾斜

6.10.1 合理设置Map数

• 1) 通常情况下，作业会通过input的目录产生一个或者多个map任务。

  主要的决定因素有：input的文件总个数，input的文件大小，集群设置的文件块大小。

• 2） 是不是map数越多越好？

  答案是否定的。如果一个任务有很多小文件（远远小于块大小128m），则每个小文件也会被当做一个块，用一个map任务来完成，
  而一个map任务启动和初始化的时间远远大于逻辑处理的时间，就会造成很大的资源浪费。而且，同时可执行的map数是受限的。

• 3） 是不是保证每个map处理接近128m的文件块，就高枕无忧了？

  答案也是不一定。比如有一个127m的文件，正常会用一个map去完成，但这个文件只有一个或者两个小字段，却有几千万的记录，如果map处理的逻辑比较复杂，用一个map任务去做，肯定也比较耗时。
  
  针对上面的问题2和3，我们需要采取两种方式来解决：即减少map数和增加map数；

6.10.2 小文件合并

• 在map执行前合并小文件，减少map数：

• CombineHiveInputFormat 具有对小文件进行合并的功能（系统默认的格式）

  set hive.input.format= org.apache.hadoop.hive.ql.io.CombineHiveInputFormat;

6.10.3 复杂文件增加Map数

• 当input的文件都很大，任务逻辑复杂，map执行非常慢的时候，可以考虑增加Map数，来使得每个map处理的数据量减少，从而提高任务的执行效率。

• 增加map的方法为

  • 根据 computeSliteSize(Math.max(minSize,Math.min(maxSize,blocksize)))公式

  • 调整maxSize最大值。让maxSize最大值低于blocksize就可以增加map的个数。

  mapreduce.input.fileinputformat.split.minsize=1     //默认值为1
  mapreduce.input.fileinputformat.split.maxsize=Long.MAXValue      //默认值Long.MAXValue因此，默认情况下，切片大小=blocksize 
  maxsize（切片最大值): 参数如果调到比blocksize小，则会让切片变小，而且就等于配置的这个参数的值。
  minsize(切片最小值): 参数调的比blockSize大，则可以让切片变得比blocksize还大。

  • 例如

  --设置maxsize大小为10M，也就是说一个block的大小为10M
  set mapreduce.input.fileinputformat.split.maxsize=10485760;

6.10.4 合理设置Reduce数

• 1、调整reduce个数方法一

  • 1）每个Reduce处理的数据量默认是256MB

    set hive.exec.reducers.bytes.per.reducer=256000000;

  • 2) 每个任务最大的reduce数，默认为1009

    set hive.exec.reducers.max=1009;

  • 3) 计算reducer数的公式

    N=min(参数2，总输入数据量/参数1)

• 2、调整reduce个数方法二

  --设置每一个job中reduce个数
  set mapreduce.job.reduces=3;

• 3、reduce个数并不是越多越好

  • 过多的启动和初始化reduce也会消耗时间和资源；

  • 同时过多的reduce会生成很多个文件，也有可能出现小文件问题

五、hive sql经典面试题--级联求和

• 1、需求

  访客	月份	访问次数
  A	2015-01	5
  A	2015-01	15
  B	2015-01	5
  A	2015-01	8
  B	2015-01	25
  A	2015-01	5
  A	2015-02	4
  A	2015-02	6
  B	2015-02	10
  B	2015-02	5
  ……	……	……

•  2、需要输出报表

• 3、实现步骤

  • 3.1 创建一个表

  create table t_access_times(username string,month string,salary int)
  row format delimited fields terminated by ‘,‘;

  • 3.2 准备数据 access.log

  A,2015-01,5
  A,2015-01,15
  B,2015-01,5
  A,2015-01,8
  B,2015-01,25
  A,2015-01,5
  A,2015-02,4
  A,2015-02,6
  B,2015-02,10
  B,2015-02,5

  • 3.3 加载数据到表中

  load data local inpath ‘/home/hadoop/access.log‘ into table t_access_times;

  • 3.4 第一步，先求个用户的月总金额

  select username,month,sum(salary) as salary from t_access_times group by username,month;
  ?
  +-----------+----------+---------+--+
  | username  |  month   | salary  |
  +-----------+----------+---------+--+
  | A         | 2015-01  | 33      |
  | A         | 2015-02  | 10      |
  | B         | 2015-01  | 30      |
  | B         | 2015-02  | 15      |
  +-----------+----------+---------+--+

  • 3.5 第二步，将月总金额表 自己连接自己(自join)

  select A.*,B.* FROM
  (select username,month,sum(salary) as salary from t_access_times group by username,month) A 
  inner join 
  (select username,month,sum(salary) as salary from t_access_times group by username,month) B
  on
  A.username=B.username
  where B.month <= A.month
  +-------------+----------+-----------+-------------+----------+--------
  | a.username  | a.month  | a.salary  | b.username  | b.month  | b.salary  |
  +-------------+----------+-----------+-------------+----------+--------
  | A           | 2015-01  | 33        | A           | 2015-01  | 33        |
  | A           | 2015-01  | 33        | A           | 2015-02  | 10        |
  | A           | 2015-02  | 10        | A           | 2015-01  | 33        |
  | A           | 2015-02  | 10        | A           | 2015-02  | 10        |
  | B           | 2015-01  | 30        | B           | 2015-01  | 30        |
  | B           | 2015-01  | 30        | B           | 2015-02  | 15        |
  | B           | 2015-02  | 15        | B           | 2015-01  | 30        |
  | B           | 2015-02  | 15        | B           | 2015-02  | 15        |
  +-------------+----------+-----------+-------------+----------+--------

  • 3.6 第三步，从上一步的结果中进行分组查询，分组的字段是a.username a.month求月累计值： 将b.month <= a.month的所有b.salary求和即可

  --最终的sql语句：
  ?
  select A.username,A.month,max(A.salary) as salary,sum(B.salary) as accumulate 
  from 
  (select username,month,sum(salary) as salary from t_access_times group  by username,month) A  
  inner join 
  (select username,month,sum(salary) as salary from t_access_times group by username,month) B 
  on 
  A.username=B.username 
  where B.month <= A.month 
  group by A.username,A.month 
  order by A.username,A.month;
  ?
  --最终结果为：
  +-------------+----------+---------+-------------+--+
  | a.username  | a.month  | salary  | accumulate  |
  +-------------+----------+---------+-------------+--+
  | A           | 2015-01  | 33      | 33          |
  | A           | 2015-02  | 10      | 43          |
  | B           | 2015-01  | 30      | 30          |
  | B           | 2015-02  | 15      | 45          |
  +-------------+----------+---------+-------------+--+

   

hive基础知识四

标签：数据压缩   sse   group by   double   倾斜   load   creat   prepare   自带   

原文地址：https://www.cnblogs.com/lojun/p/11396723.html