泰涨知识 | 10分钟快速入门Hive之基本操作篇 - 教程

一、DDL操作（数据定义语言）

DDL操作（信息定义语言）包括：Create、Alter、Show、Drop等。

1. create database- 创建新数据库

2. alter database - 修改数据库

3. drop database - 删除数据库

4. create table - 创建新表

5. alter table - 变更（改变）数据库表

6. drop table - 删除表

7. create index - 创建索引（搜索键）

8. drop index - 删除索引

9. show table - 查看表

二、DML操作（数据操作语言）

1. load data - 加载材料

①insert into - 插入内容

②insert overwrite - 覆盖数据（insert ... values从Hive 0.14开始可用）

2. update table - 更新表（update在Hive 0.14开始可用，并且只能在拥护ACID的表上执行）

3. delete from table where id = 1; - 删除表中ID等于1的数据（delete在Hive 0.14开始可用，并且只能在支持ACID的表上执行）

4. merge - 合并（MERGE在Hive 2.2开始可用，并且只能在支持ACID的表上执行）

注意：频繁的update和delete操作已经违背了Hive的初衷，不到万不得已的情况，最好运用增量添加的方式。

三、Hive数据仓库操作

1. 创建数据仓库：

create database test;

2. 查看数据仓库：

show databases;

3. 创建数据仓库：

create database if not exists test;

4. 查看数据仓库信息以及路径：

describe database test;

5. 删除名为f的数据仓库：

drop database if not exists test;

四、Hive数据表操作

1. 查看表：

show tables;

2. 创建一个名为cat的内部表，有两个字段为cat_id和cat_name，字符类型为string：

create table cat(cat_id string,cat_name string);

3.创建一个外部表，表名为cat2，有两个字段为cat_id和cat_name，字符类型为string。

create external table if not exists cat2(cat_id string,cat_name string);

4. 修改cat表的表结构。对cat表添加两个字段group_id和cat_code：

alter table cat add columns(group_id string,cat_code string);

5. 使用desc命令查看一下加完字段后的cat表结构：

desc cat;

6. 修改cat2表的表名。把cat2表重命名为cat3：

alter table cat2 rename to cat3;

7. 删除名为cat3的表并查看：

drop table cat3;

show tables;

8. 创建与已知表相同结构的表，创建一个与cat表结构相同的表，名为cat4，这里要用到like关键字：

create table cat4 like cat;

9. 创建完成并查看结果：

show tables;

五、Hive中数据的4种导入

1、从本地文件系统中导入数据到Hive表

①在Hive中创建一个cat_group表，具备group_id和group_name两个字段，字符类型为string，以“\t”为分隔符，并查看结果：

create table cat_group(group_id string,group_name string) row format delimited fields terminated by '\t' stored as textfile;

show tables;

②将Linux本地/home/hadoop/data/hive2目录下的cat_group文件导入到Hive中的cat_group表中：

load data local inpath '/data/hive2/cat_group' into table cat_group;

③通过select语句查看cat_group表中是否成功导入材料，由于数据量大，使用limit关键字限制输出10条记录：

select * from cat_group limit 10;

2、将HDFS上的数据导入到Hive中

①另外开启一个运行窗口，在HDFS上创建/hive2目录：

hdfs dfs -mkdir /hive2

②将本地/data/hive2/下的cat_group表上传到HDFS的/hive2上，并查看是否创建成功：

hdfs dfs -put /home/hadoop/cat_group /hive2

hdfs dfs -ls /hive2

③在Hive中创建名为cat_group1的表，创表语句如下:

create table cat_group1(group_id string,group_name string) row format delimited fields terminated by '\t' stored as textfile;

④将HDFS下/myhive2中的表cat_group导入到Hive中的cat_group1表中 ，并查看结果：

load data inpath '/hive2/cat_group' into table cat_group1;

select * from cat_group1 limit 10;

提示：HDFS中数据导入到Hive中与本地素材导入到hive中的区别是load data后少了local。

3、从别的表中查询出相应的数据并导入到Hive中

①在Hive中创建一个名为cat_group2的表：

create table cat_group2(group_id string,group_name string) row format delimited fields terminated by '\t' stored as textfile;

②用下面两种方式将cat_group1表中的数据导入到cat_group2表中：

insert into table cat_group2 select * from cat_group1;

或

insert overwrite table cat_group2 select * from cat_group1;

（insert overwrite 会覆盖数据）

③导入搞定后，用select语句查询cat_group2表：

select * from cat_group2 limit 10;

4、在创建表的时候从别的表中查询出相应材料

并插入到所创建的表中

①Hive中创建表cat_group3并直接从cat_group2中获得数据。

create table cat_group3 as select * from cat_group2;

②创建并导入达成，用select语句查询实验结果：

select * from cat_group3 limit 10;

六、三种常见的数据导出方式

1、导出到本地文件系统

①在Linux本地新建/data/hive2/out目录。

mkdir -p /data/hive2/out

②将Hive中的cat_group表导出到本地文件系统/data/hive2/out中。

（注意：途径和导入数据到Hive不一样，不能用insert into来将数据导出。）

insert overwrite local directory '/data/hive2/out' select * from cat_group;

③导出完成后，在Linux本地切换到/data/hive2/out目录，通过cat命令查询导出文件的内容：

cd /home/hadoop/data/hive2/out

ls

cat 000000_0

通过④通过上图能够看到导出的资料，字段之间没有分割开，因而我们使用下面的方式，将输出字段以“\t”键分割：

insert overwrite local directory '/data/hive2/out' select group_id,concat('\t',group_name) from cat_group;

借助cat命令查询/data/hive2/out目录下的导出文件：

cd /home/hadoop/data/hive2/out/

cat 000000_0

2、Hive中内容导出到HDFS中

①在HDFS上创建/myhive2/out目录:

hdfs dfs -mkdir -p /hive2/out

②将Hive中的表cat_group中的数据导入到HDFS的/myhive2/out目录里：

insert overwrite directory '/myhive2/out' select group_id,concat('\t',group_name) from cat_group;

③导入完成后，在HDFS上的/myhive2/out目录下查看结果：

hdfs dfs -ls /myhive2/out

3、导出到Hive的另一个表中

①将Hive中表cat_group中的资料导入到cat_group4中（两表字段及字符类型相同）。

②在Hive中创建一个表cat_group4，有group_id和group_name两个字段，字符类型为string，以‘\t’为分隔符：

create table cat_group4(group_id string,group_name string) row format delimited fields terminated by '\t' stored as textfile;

③将cat_group中的内容导入到cat_group4中：

insert into table cat_group4 select * from cat_group;

④导入做完后，查看cat_group4表中数据：

select * from cat_group4 limit 10;

七、Hive分区表的操作

说，在表的数据文件中实际并不保存分区列的信息与数据。就是Hive中创建分区表没有什么复杂的分区类型（范围分区、列表分区、hash 分区，混合分区等）。分区列也不是表中的一个实际的字段，而是一个或者多个伪列。意思

1. 创建表分区，在Hive中创建一个分区表goods，包含goods_id和goods_status两个字段，字符类型为string，分区为cat_id，字符类型为string，以“\t“为分隔符。

create table goods(goods_id string,goods_status string) partitioned by (cat_id string)

row format delimited fields terminated by '\t';

2. 查看表goods表结构：

desc goods;

3. 向分区表插入素材，将本地/data/hive2下的表goods中数据，插入到分区表goods中。

①在Hive中创建一个非分区表goods_1表，用于存储本地/data/hive2下的表goods中数据。

create table goods_1(goods_id string,goods_status string,cat_id string)

row format delimited fields terminated by '\t';

②将本地/data/hive2下的表goods中数据导入到Hive中的goods_1表中：

load data local inpath '/data/hive2/goods' into table goods_1;

③将表goods_1中的素材导入到分区表goods中：

insert into table goods partition(cat_id='52052') select goods_id,goods_status from goods_1 where cat_id='52052';

④插入内容完成后，用select语句查看实验结果：

select * from goods limit 10;

⑤查看表goods中的分区：

show partitions goods;

⑥修改表分区，将分区表goods中的分区列cat_id=52052改为cat_id=52051,并查看修改后的分区名：

alter table goods partition(cat_id=52052) rename to partition(cat_id=52051);

show partitions goods;

4. 删除表分区：

①在删除goods分区表之前，先将goods表备份出一个goods_2表：

create table goods_2(goods_id string,goods_status string) partitioned by (cat_id string)

row format delimited fields terminated by '\t';

insert into table goods_2 partition(cat_id='52052') select goods_id,goods_status from goods_1 where cat_id='52052';

②删除goods表中的cat_id分区：

alter table goods drop if exists partition (cat_id='52051');

八、Hive桶的操作

1桶的定义及用途

①桶的定义

Hive是一个基于Hadoop的数据仓库工具，它允许通过SQL-like查询语言（HQL）来处理存储在Hadoop文件系统（HDFS）中的大数据集。Hive中的“桶”（Bucketing）是一种数据分区和排序的方法，用于优化查询性能和提高并行处理能力。

通过当我们在Hive表上创建桶时，会指定一个字段或一组字段作为桶键。Hive会根据这些键的哈希值将材料分成固定数量的桶。每个桶都会被写入到单独的文件中，这样能够使得相同键值的材料落在同一个桶内。当执行JOIN操控时，假设JOIN条件涉及到桶键，Hive可能利用该特性来减少JOIN的计算量，因为只必须比较相同桶号的资料，从而提高效率。

桶的采用还有助于并行化管理，由于每个桶可以独立处理，尤其是在大规模内容集上，这可以显著加快查询速度。然而，应该注意的是，虽然桶化可以提高某些特定查询的性能，但它也会增加信息写入的复杂性和存储空间的需求。因此，合理选择桶的数量和桶键对于优化性能至关重要。

②桶的用途

优化JOIN操作：通过当两个表在JOIN执行中使用相同的桶键时，Hive能够并行处理每个桶之间的JOIN，而不是处理整个表。这显著减少了JOIN操作的时间，尤其是当JOIN涉及大数据集时。

数据采样：桶化可以用于创建表的代表性样本。通过选择特定数量的桶，你可以轻松地获取表的一小部分数据，这对于测试查询性能、进行数据分析或生成报表非常有用。

提高查询效率：通过桶化，Hive可能更有效地应用索引（若是已创建）和执行范围查询，因为数据已经按照桶键进行了预排序。

并行处理：每个桶都许可独立处理，这意味着在分布式环境中，不同的桶允许由集群的不同节点同时处理，从而提高处理速度。

数据分布均匀：桶化有助于确保素材在HDFS上的分布更加均匀，避免某些节点过载，提高整体系统的性能和稳定性。

简化数据处理：桶化还可以简化某些麻烦的统计运行，如计算分位数、百分比等，因为每个桶内的数据已经是有序的。

提示：尽管桶化有诸多好处，但使用时必须谨慎，因为它可能会增加存储开销，并且不适用于所有类型的查询。在决定是否使用桶以及如何设计桶策略时，应根据具体的应用场景和查询模式进行权衡。

③Hive还可以把表或分区，组织成桶。将表或分区组织成桶有以下几个目的：

为使取样更高效。在处理大规模的内容集时，在开发、测试阶段将所有的数据全部处理一遍可能不太现实，若是能在素材集的一小部分数据上试运行查询，会带来很多方便。

为了获得更好的查询处理效率。桶为表给出了额外的结构，Hive在处理某些查询时利用这个结构，能够有效地提高查询效率。

具体而言，连接两个在（包含连接列的）相同列上划分了桶的表，可以使用Map端连接（Map-side join）高效的搭建。比如JOIN操作。对于JOIN操作两个表有一个相同的列，如果对这两个表都进行了桶操作。那么将保存相同列值的桶进行JOIN操作就可以，可以大大较少JOIN的数据量。在建立桶之前，需要设置hive.enforce.bucketing属性为true，使得Hive能识别桶。

2、创建桶

①创建一个名为goods_t的表，涵盖两个字段goods_id和goods_status，字符类型都为string，按cat_id string做分区，按goods_status列聚类和goods_id列排序，划分成两个桶：

create table goods_t(goods_id string,goods_status string) partitioned by (cat_id string)

clustered by(goods_status) sorted by (goods_id) into 2 buckets;

②设置环境变量set hive.enforce.bucketing=ture

set hive.enforce.bucketing=true;

③向goods_t表中插入goods_2表中的数据：

from goods_2 insert overwrite table goods_t partition(cat_id='52063') select goods_id,goods_status;

查看结果：

select * from goods_t tablesample(bucket 1 out of 2 on goods_id);

tablesample 是抽样语句，语法如下:

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64份，当y=32时，抽取(64/32=)2个bucket的数据，当y=128时，抽取(64/128=)1/2个bucket的数据。

x表示从哪个bucket开始抽取。例如，table总bucket数为32，tablesample(bucket 3 out of 16)，表示总共抽取（32/16=）2个bucket的数据，分别为第3个bucket和第（3+16=）19个bucket的数据。

END