hive从入门到实战二

第4章 DDL数据定义

4.1 创建数据库

1）创建一个数据库，数据库在HDFS上的默认存储路径是/user/hive/warehouse/*.db。

hive (default)> create database db_hive;

2）避免要创建的数据库已经存在错误，增加 if not exists 判断。（标准写法）

hive (default)> create database db_hive;
FAILED: Execution Error, return code 1 from org.apache.hadoop.hive.ql.exec.DDLTask. Database db_hive already exists
hive (default)> create database if not exists db_hive;

3）创建一个数据库，并指定数据库在HDFS上存放的位置

hive (default)> create database db_hive2 location ‘/db_hive2.db‘;
hive (default)> create table db_hive2.test(id int);

如下图所示：

注意：创建一个数据库，并指定数据库在HDFS上存放的位置，如果不指定数据库名称的话，默认创建的数据库的位置同default位置一样。

4.2 查询数据库

4.2.1 显示数据库

1、显示数据库

hive (default)> show databases;

2、过滤显示查询的数据库

hive (default)> show databases like ‘db_hive*‘;OK
database_name
db_hive
db_hive2

4.2.2 查看数据库详情

1、显示数据库信息

hive (default)> desc database db_hive;
OK
db_name    comment location    owner_name  owner_type  parameters
db_hive        hdfs://hadoop102:9000/user/hive/warehouse/db_hive.db    atguigu USER    
Time taken: 0.019 seconds, Fetched: 1 row(s)

2、显示数据库详细信息，extended（扩展）

hive (default)> desc database extended db_hive;
OK
db_name    comment location    owner_name  owner_type  parameters
db_hive        hdfs://hadoop102:9000/user/hive/warehouse/db_hive.db    atguigu USER    
Time taken: 0.016 seconds, Fetched: 1 row(s)

4.3.3 切换当前数据库

hive (default)> use db_hive;

4.3 修改数据库

  用户可以使用ALTER DATABASE命令为某个数据库的DBPROPERTIES设置键-值对属性值，来描述这个数据库的属性信息。数据库的其他元数据信息都是不可更改的，包括数据库名和数据库所在的目录位置。

hive (default)> alter database db_hive set dbproperties(‘createtime‘=‘20191111‘);

在hive中查看修改结果

hive (default)> desc database extended db_hive;
OK
db_name    comment location    owner_name  owner_type  parameters
db_hive        hdfs://hadoop102:9000/user/hive/warehouse/db_hive.db    atguigu USER    {createtime=20191111}
Time taken: 0.014 seconds, Fetched: 1 row(s)

4.4 删除数据库

1、删除空数据库

hive (default)> drop database db_hive;

2、如果删除的数据库不存在，最好采用 if exists 判断数据库是否存在

hive (default)> drop database db_hive;
FAILED: SemanticException [Error 10072]: Database does not exist: db_hive
hive (default)> drop database if exists db_hive;

3、如果数据库不为空，可以采用 cascade 命令，强制删除（cascade级联）

hive (default)> drop database if exists db_hive2;
FAILED: Execution Error, return code 1 from org.apache.hadoop.hive.ql.exec.DDLTask. InvalidOperationException(message:Database db_hive2 is not empty. One or more tables exist.)
hive (default)> drop database if exists db_hive2 cascade;

4.5 创建表

1、建表语法

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]

2、字段解释说明
（1）CREATE TABLE：表示创建一个指定名字的表。如果相同名字的表已经存在，则抛出异常；用户可以用 IF NOT EXISTS 选项来忽略这个异常。
（2）EXTERNAL：该关键字可以让用户创建一个外部表，在建表的同时指定一个指向实际数据的路径（LOCATION），Hive创建内部表时，会将数据移动到数据仓库指向的路径；若创建外部表，仅记录数据所在的路径，不对数据的位置做任何改变。在删除表的时候，内部表的元数据和数据会被一起删除，而外部表只删除元数据，不删除数据。
（3）COMMENT：为表和列添加注释。
（4）PARTITIONED BY：表示创建分区表。(为了应对数据量大的情形，分区分的是文件夹，与MapReduce中的分区不一样)
（5）CLUSTERED BY：表示创建分桶表。(为了应对数据量大的情形，分桶分的是文件，与MapReduce中的分区一样)
（6）SORTED BY：不常用。
（7）ROW FORMAT

ROW FORMAT DELIMITED [FIELDS TERMINATED BY char] 
[COLLECTION ITEMS TERMINATED BY char] 
[MAP KEYS TERMINATED BY char] 
[LINES TERMINATED BY char] 
| SERDE serde_name 
[WITH SERDEPROPERTIES (property_name=property_value, property_name=property_value, ...)]

  用户在建表的时候可以自定义SerDe或者使用自带的SerDe。如果没有指定ROW FORMAT 或者ROW FORMAT DELIMITED，将会使用自带的SerDe。在建表的时候，用户还需要为表指定列，用户在指定表的列的同时也会指定自定义的SerDe，Hive通过SerDe确定表的具体的列的数据。
  SerDe是Serialize/Deserilize的简称，目的是用于序列化和反序列化。
（8）STORED AS：表示指定存储文件类型。
  常用的存储文件类型：SEQUENCEFILE（二进制序列文件）、TEXTFILE（文本）、RCFILE（列式存储格式文件）
  如果文件数据是纯文本，可以使用STORED AS TEXTFILE。如果数据需要压缩，使用 STORED AS SEQUENCEFILE。
（9）LOCATION：指定表在HDFS上的存储位置。
（10）LIKE：表示允许用户复制现有的表结构，但是不复制数据。

4.5.1 管理表（内部表）

1、理论
  默认创建的表都是所谓的管理表，有时也被称为内部表。因为这种表，Hive会（或多或少地）控制着数据的生命周期。Hive默认情况下会将这些表的数据存储在由配置项hive.metastore.warehouse.dir(例如，/user/hive/warehouse)所定义的目录的子目录下。当我们删除一个管理表时，Hive也会删除这个表中数据。管理表不适合和其他工具共享数据。

2、案例实操
（1）普通创建表

create table if not exists student(
id int, name string
)
row format delimited fields terminated by ‘\t‘
stored as textfile
location ‘/user/hive/warehouse/student‘;

（2）根据查询结果创建表（查询的结果会添加到新创建的表中）

create table if not exists student1 as select id, name from student;

（3）根据已经存在的表结构创建表（只有表结构没有表数据）

create table if not exists student2 like student;

（4）查询表的类型

hive (default)> desc formatted student;
Table Type:             MANAGED_TABLE    

4.5.2 外部表

1、理论
  因为表是外部表，所以Hive并非认为其完全拥有这份数据。删除该表并不会删除掉这份数据，不过描述表的元数据信息会被删除掉。
2、管理表和外部表的使用场景
  每天将收集到的网站日志定期流入HDFS文本文件。在外部表（原始日志表）的基础上做大量的统计分析，用到的中间表、结果表使用内部表存储，数据通过SELECT+INSERT进入内部表。
3、案例实操
分别创建部门和员工外部表，并向表中导入数据。
（1）原始数据
dept.txt

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

emp.txt

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

（2）建表语句
创建部门表

create external table if not exists default.dept(
deptno int,
dname string,
loc int
)
row format delimited fields terminated by ‘\t‘;

创建员工表

create external table if not exists default.emp(
empno int,
ename string,
job string,
mgr int,
hiredate string, 
sal double, 
comm double,
deptno int
)
row format delimited fields terminated by ‘\t‘;

（3）查看创建的表

hive (default)> show tables;
OK
tab_name
dept
emp

（4）向外部表中导入数据
导入数据

hive (default)> load data local inpath ‘/opt/module/datas/dept.txt‘ into table default.dept;
hive (default)> load data local inpath ‘/opt/module/datas/emp.txt‘ into table default.emp;

查询结果

hive (default)> select * from dept;
hive (default)> select * from emp;

（5）查看表格式化数据

hive (default)> desc formatted dept;
Table Type:             EXTERNAL_TABLE

此时我们删除部门表的时候，发现描述表的元数据信息会被删除掉，但并不会删除掉这份数据。
小结：实际开发过程中，针对原始数据建表建的是外部表，因为原始数据会有很多人用。
所以我们删除掉外部表后，不用怕，因为数据还在，我们只需要重新新建该表，数据即可恢复。

4.5.3 管理表与外部表的互相转换

（1）查询表的类型

hive (default)> desc formatted student1;
Table Type:             MANAGED_TABLE

（2）修改内部表student1为外部表

alter table student1 set tblproperties(‘EXTERNAL‘=‘TRUE‘);

（3）查询表的类型

hive (default)> desc formatted student1;
Table Type:             EXTERNAL_TABLE

（4）修改外部表student2为内部表

alter table student2 set tblproperties(‘EXTERNAL‘=‘FALSE‘);

（5）查询表的类型

hive (default)> desc formatted student2;
Table Type:             MANAGED_TABLE

特别注意：(‘EXTERNAL‘=‘TRUE‘)和(‘EXTERNAL‘=‘FALSE‘)为固定写法，区分大小写！

4.6 分区表

  分区表实际上就是对应一个HDFS文件系统上的独立的文件夹，该文件夹下是该分区所有的数据文件。Hive中的分区就是分目录，把一个大的数据集根据业务需要分割成小的数据集。在查询时通过WHERE子句中的表达式选择查询所需要的指定的分区，这样的查询效率会提高很多。

4.6.1 分区表基本操作

1、引入分区表（需要根据日期对日志进行管理）

/user/hive/warehouse/log_partition/20190313/20190313.log
/user/hive/warehouse/log_partition/20190414/20190414.log
/user/hive/warehouse/log_partition/20190515/20190515.log

2、创建分区表语法

hive (default)> create table dept_partition(
deptno int, dname string, loc string
)
partitioned by (month string)
row format delimited fields terminated by ‘\t‘;

3、加载数据到分区表中

hive (default)> load data local inpath ‘/opt/module/datas/dept.txt‘ into table default.dept_partition partition(month=‘201903‘);
hive (default)> load data local inpath ‘/opt/module/datas/dept.txt‘ into table default.dept_partition partition(month=‘201904‘);
hive (default)> load data local inpath ‘/opt/module/datas/dept.txt‘ into table default.dept_partition partition(month=‘201905‘);

加载数据到分区表

查看分区表

4、查询分区表中数据
单分区查询

hive (default)> select * from dept_partition where month=‘201903‘;
OK
dept_partition.deptno    dept_partition.dname    dept_partition.loc  dept_partition.month
10    ACCOUNTING  1700    201903
20    RESEARCH    1800    201903
30    SALES   1900    201903
40    OPERATIONS  1700    201903

多分区联合查询

hive (default)> select * from dept_partition where month=‘201903‘
union
select * from dept_partition where month=‘201904‘
union
select * from dept_partition where month=‘201905‘;

_u3.deptno    _u3.dname   _u3.loc _u3.month
10    ACCOUNTING  1700    201903
10    ACCOUNTING  1700    201904
10    ACCOUNTING  1700    201905
20    RESEARCH    1800    201903
20    RESEARCH    1800    201904
20    RESEARCH    1800    201905
30    SALES   1900    201903
30    SALES   1900    201904
30    SALES   1900    201905
40    OPERATIONS  1700    201903
40    OPERATIONS  1700    201904
40    OPERATIONS  1700    201905

或者

hive (default)> select * from dept_partition where month=‘201903‘ or month=‘201904‘ or month=‘201905‘;
OK
dept_partition.deptno    dept_partition.dname    dept_partition.loc  dept_partition.month
10    ACCOUNTING  1700    201903
20    RESEARCH    1800    201903
30    SALES   1900    201903
40    OPERATIONS  1700    201903
10    ACCOUNTING  1700    201904
20    RESEARCH    1800    201904
30    SALES   1900    201904
40    OPERATIONS  1700    201904
10    ACCOUNTING  1700    201905
20    RESEARCH    1800    201905
30    SALES   1900    201905
40    OPERATIONS  1700    201905

5、增加分区
创建单个分区（分区中没有数据）

hive (default)> alter table dept_partition add partition(month=‘201906‘);

同时创建多个分区（用空格分隔）

hive (default)> alter table dept_partition add partition(month=‘201907‘) partition(month=‘201908‘);

6、删除分区
删除单个分区

hive (default)> alter table dept_partition drop partition(month=‘201908‘);

同时删除多个分区（用逗号分隔）

hive (default)> alter table dept_partition drop partition(month=‘201906‘), partition(month=‘201907‘);

7、查看分区表有多少分区

hive (default)> show partitions dept_partition;
OK
partition
month=201903
month=201904
month=201905

8、查看分区表结构

hive> desc formatted dept_partition;

# Partition Information          
# col_name              data_type               comment             
month                   string 

4.6.2 分区表注意事项

1、创建二级分区表（创建二级分区表，就是有两个分区字段，三级分区表以此类推）

hive (default)> create table dept_partition2(
deptno int, dname string, loc string
)
partitioned by (month string, day string)
row format delimited fields terminated by ‘\t‘;

2、正常的加载数据
（1）加载数据到二级分区表中

hive (default)> load data local inpath ‘/opt/module/datas/dept.txt‘ into table
default.dept_partition2 partition(month=‘201903‘, day=‘13‘);

（2）查询分区数据

hive (default)> select * from dept_partition2 where month=‘201903‘ and day=‘13‘;
OK
dept_partition2.deptno    dept_partition2.dname   dept_partition2.loc dept_partition2.month   dept_partition2.day
10    ACCOUNTING  1700    201903  13
20    RESEARCH    1800    201903  13
30    SALES   1900    201903  13
40    OPERATIONS  1700    201903  13

3、把数据直接上传到分区目录上，让分区表和数据产生关联的三种方式
（1）方式一：上传数据后修复
上传数据

hive (default)> dfs -mkdir -p /user/hive/warehouse/dept_partition2/month=201904/day=14;
hive (default)> dfs -put /opt/module/datas/dept.txt /user/hive/warehouse/dept_partition2/month=201904/day=14;

查询数据（查询不到刚上传的数据）

hive (default)> select * from dept_partition2 where month=‘201904‘ and day=‘14‘;
OK
dept_partition2.deptno    dept_partition2.dname   dept_partition2.loc dept_partition2.month   dept_partition2.day

执行修复命令

hive (default)> msck repair table dept_partition2;

再次查询数据

hive (default)> select * from dept_partition2 where month=‘201904‘ and day=‘14‘;
OK
dept_partition2.deptno    dept_partition2.dname   dept_partition2.loc dept_partition2.month   dept_partition2.day
10    ACCOUNTING  1700    201904  14
20    RESEARCH    1800    201904  14
30    SALES   1900    201904  14
40    OPERATIONS  1700    201904  14

（2）方式二：上传数据后添加分区
上传数据

hive (default)> dfs -mkdir -p /user/hive/warehouse/dept_partition2/month=201905/day=15;
hive (default)> dfs -put /opt/module/datas/dept.txt /user/hive/warehouse/dept_partition2/month=201905/day=15;

执行添加分区

hive (default)> alter table dept_partition2 add partition(month=‘201905‘, day=‘15‘);

查询数据

hive (default)> select * from dept_partition2 where month=‘201905‘ and day=‘15‘;

（3）方式三：创建文件夹后load数据到分区（最常用）
创建目录

hive (default)> dfs -mkdir -p /user/hive/warehouse/dept_partition2/month=201906/day=16;

上传数据

hive (default)> load data local inpath ‘/opt/module/datas/dept.txt‘ into table dept_partition2 partition(month=‘201906‘,day=‘16‘);

查询数据

hive (default)> select * from dept_partition2 where month=‘201906‘ and day=‘16‘;

4.7 修改表

4.7.1 重命名表

1、语法

ALTER TABLE table_name RENAME TO new_table_name

2、实操案例

hive (default)> alter table dept_partition2 rename to dept_partition3;

4.7.2 增加、修改和删除表分区

  详见【4.6.1 分区表基本操作】。

4.7.3 增加/修改/替换列信息

1、语法
更新列

ALTER TABLE table_name CHANGE [COLUMN] col_old_name col_new_name column_type [COMMENT col_comment] [FIRST|AFTER column_name]

增加和替换列

ALTER TABLE table_name ADD|REPLACE COLUMNS (col_name data_type [COMMENT col_comment], ...)

注意：ADD是代表新增一字段，字段位置在所有列后面，在partition分区列前，REPLACE则是表示替换表中所有字段。

2、实操案例
（1）查询表结构

hive (default)> desc dept_partition;

deptno                  int                                         
dname                   string                                      
loc                     string                                      
month                   string 

（2）添加列

hive (default)> alter table dept_partition add columns (deptdesc string);

（3）查询表结构

hive (default)> desc dept_partition;

deptno                  int                                         
dname                   string                                      
loc                     string                                      
deptdesc                string                                      
month                   string  

（4）更新列

hive (default)> alter table dept_partition change column deptdesc desc int;

（5）查询表结构

hive (default)> desc dept_partition;

deptno                  int                                         
dname                   string                                      
loc                     string                                      
desc                    int                                         
month                   string 

（6）替换列

alter table dept_partition replace columns (deptno string, dname string, loc string);

（7）查询表结构

hive (default)> desc dept_partition;

deptno                  string                                      
dname                   string                                      
loc                     string                                      
month                   string  

4.8 删除表

hive (default)> drop table dept_partition;

第5章 DML数据操作

5.1 数据导入

5.1.1 向表中装载数据（load）

1、语法

hive> load data [local] inpath ‘/opt/module/datas/student.txt‘ overwrite | into table student [partition(partcol1=val1,…)];

（1）load data:表示加载数据
（2）local:表示从本地加载数据到hive表；否则从HDFS加载数据到hive表
（3）inpath:表示加载数据的路径
（4）overwrite:表示覆盖表中已有数据，否则表示追加
（5）into table:表示加载到哪张表
（6）student:表示具体的表
（7）partition:表示上传到指定分区

2、实操案例
（0）创建一张表

hive (default)> create table student(id string, name string) row format delimited fields terminated by ‘\t‘;

（1）加载本地文件到hive

hive (default)> load data local inpath ‘/opt/module/datas/student.txt‘ into table default.student;

（2）加载HDFS文件到hive中
上传文件到HDFS

hive (default)> dfs -put /opt/module/datas/student.txt /user/atguigu/hive;

加载HDFS上数据

hive (default)> load data inpath ‘/user/atguigu/hive/student.txt‘ into table default.student;

（3）加载数据覆盖表中已有的数据
上传文件到HDFS

hive (default)> dfs -put /opt/module/datas/student.txt /user/atguigu/hive;

加载数据覆盖表中已有的数据

hive (default)> load data inpath ‘/user/atguigu/hive/student.txt‘ overwrite into table default.student;

5.1.2 通过查询语句向表中插入数据（insert）

1、创建一张分区表

hive (default)> create table student(id int, name string) partitioned by (month string) row format delimited fields terminated by ‘\t‘;

2、基本插入数据

hive (default)> insert into table student partition(month=‘201909‘) values(1,‘wangwu‘);

3、基本模式插入（根据单张表查询结果进行插入）

hive (default)> insert overwrite table student partition(month=‘201908‘) 
select id, name from student where month=‘201909‘;

4、多插入模式（根据多张表查询结果进行插入）

hive (default)> from student
insert overwrite table student partition(month=‘201907‘)
select id, name where month=‘201909‘
insert overwrite table student partition(month=‘201906‘)
select id, name where month=‘201909‘;

5.1.3 查询语句中创建表并加载数据（as select）

详见【4.5.1 管理表（内部表）】。
根据查询结果创建表（查询的结果会添加到新创建的表中）

create table if not exists student3
as select id, name from student;

5.1.4 创建表时通过location指定加载数据路径

1、创建表，并指定在hdfs上的位置

hive (default)> create table if not exists student5(
id int, name string
)
row format delimited fields terminated by ‘\t‘
location ‘/user/hive/warehouse/student5‘;

2、上传数据到hdfs上

hive (default)> dfs -put /opt/module/datas/student.txt /user/hive/warehouse/student5;

3、查询数据

hive (default)> select * from student5;

5.1.5 import数据到指定Hive表中

注意：先用export导出数据后，再将数据导入。

hive (default)> import table student2 partition(month=‘201909‘) from ‘/user/hive/warehouse/export/student‘;

5.2 数据导出

5.2.1 insert导出

1、将查询的结果导出到本地

hive (default)> insert overwrite local directory ‘/opt/module/datas/export/student‘
select * from student;

2、将查询的结果格式化导出到本地

hive(default)> insert overwrite local directory ‘/opt/module/datas/export/student1‘
ROW FORMAT DELIMITED FIELDS TERMINATED BY ‘\t‘
select * from student;

3、将查询的结果导出到HDFS上(没有local)

hive (default)> insert overwrite directory ‘/user/atguigu/student2‘
ROW FORMAT DELIMITED FIELDS TERMINATED BY ‘\t‘ 
select * from student;

5.2.2 Hadoop命令导出到本地

hive (default)> dfs -get /user/hive/warehouse/student/month=201909/000000_0 /opt/module/datas/export/student3.txt;

5.2.3 Hive Shell 命令导出

基本语法：（hive -f/-e 执行语句或者脚本 > file）

[atguigu@hadoop102 hive]$ bin/hive -e ‘select * from default.student;‘ > /opt/module/datas/export/student4.txt;

5.2.4 Export导出到HDFS上

hive (default)> export table default.student to ‘/user/hive/warehouse/export/student‘;

5.2.5 Sqoop导出

  后续课程专门讲。（Sqoop框架实现的是关系型数据库和 HDFS 之间数据的互导）

5.3 清除表中数据（truncate）

注意：truncate只能删除管理表，不能删除外部表中数据

hive (default)> truncate table student;