Hive高级查询

Hive高级查询

  • 查询操作
    • group by、Order by 、Join 、distribute by 、Sort by 、cluster by 、Union all
  • 底层的实现
    • Mapreducer
  • 几个简单的聚合操作
    • count 计数
      • count(*) count(1) count(col)
    • sum 求和
      • sum(可转成数字的值)返回bigint
      • sum(col) + cast(1 as bigint)//必须进行类型转换
    • avg 求平均值
      • avg(可转成数字的值) 返回double
    • distinct 不同值个数
      • count(distinct col)

Order by

  • 按照某些字段排序
  • 样例
    • select col1,other…
    • from table
    • where condition
    • oreder by col1,col2 [asc|desc]
  • 注意
    • order by 后面可以有多列进行排序,默认按字典排序
    • order by 为全局排序
    • order by 需要reduce操作,且只有一个reduce,与配置无

Group by

  • 按照某些字段的值进行分组,有相同值放到一起
  • 样例
    • select col1[,col2],count(1),sel_expr(聚合操作)
    • from table where condition
    • group by col1[,col2]
    • [having…]
  • 注意
    • select后面非聚合列必须出现在group by中
    • 除了普通列就是一些聚合操作
    • group by后面也可以跟表达式,比如substr(col)
  • 特性
    • 使用了reduce操作,受限于reduce数量,设置reduce参数mapred.reduce.tasks
    • 输出文件个数与reduce数相同,文件大小与reduce处理的数据量有关
  • 问题
    • 网络负载过重
    • 数据倾斜,优化参数hive.groupby.skewindata=true

Join

  • 表连接
    • 两个表m,n之间按照on条件连接,m中的一条记录和n中的一条记录组成一条新的记录
    • join等值连接,只有某个值在m和n中同时存在时才输出
    • left outer join左外连接,左边表中的值无论是否在b中存在时,都输出,右边表中的值只有在左边表中存在时才输出
    • right outer join 和left outer join相反
    • left semi join 类似exists
    • mapjoin 在map端完成join操作,不需要用reduce,基于内存做join,属于优化操作
  • 样例
    • select m.col as col,m.col2 as col2,n.col3 as col3
    • from(select col,col2 from test where…(map端执行))m (左表)
    • [left outer|right outer|left semi] join
    • n (右表)
    • on m.col=n.col
    • where condition (reduce端执行)
  • set hive.optimize.skewjoin=true;

Mapjoin

  • mapjoin(map side join)
    • 在map端把小表加载到内存中,然后读取大表,和内存中的小表完成连接操作
    • 其中使用了分布式缓存技术
  • 优缺点
    • 不消耗集群的reduce资源(reduce相对紧缺)

    • 减少了reduce操作,加快程序执行

    • 降低网络负载

    • 占用部分内存,所以加载到内存中的表不能过大,因为每个计算节点都会加载一次

    • 生成较多的小文件

  • 配置以下参数,是hive自动根据sql,选择使用common join或者map join
    • set hive.auto.convert.join=true;
    • hive.mapjoin.smalltable.filesize默认值是25mb
  • 第二种方式,手动指定
    • select /*+mapjoin(n) */ m.col,m.col2,n.col3 from m
    • join n
    • on m.col=n.col
  • 简单总结一下,mapjoin的使用场景:
    • 关联操作中有一张表非常小
    • 不等值的链接操作

DIstribute by 和 Sort by

  • Distribute分散数据
    • distribute by col
    • 按照col列把数据分散到不同的reduce
  • Sort排序
    • sort by col2
    • 按照col列把数据排序
  • select col1,col2 from M
    distribute by col1
    sort by col1 asc,col2 desc;
  • 两者结合出现,确保每个reduce的输出都是有序的
  • distribute by 与group by 的对比
    • 都是按key值划分数据
    • 都使用reduce操作
    • 唯一不同,distribute by只是单纯的分散数据,而group by把相同key的数据聚集到一起,后续必须是聚合操作
  • order by与sort by
    • order by是全局排序
    • sort by只是确保每个reduce上面输出的数据有序,如果只有一个reduce时,和order by作用一样
  • 应用场景
    • map输出的文件大小不均
    • reduce输出文件大小不均
    • 小文件过多
    • 文件超大

Cluster by

  • 把有相同值得数据聚集到一起,并排序
  • 效果
    • cluster by col
    • 等同于distribute by col order by col

Union all

  • 多个表的数据合并成一个表,hive不支持union
  • 样例
    • select col
    • form(
    • select a as col from t1
    • union all
    • select b as col from t2
    • )tmp
  • 要求
    • 字段名字一样
    • 字段类型一样
    • 字段个数一样
    • 子表不能有别名
    • 如果需要从合并之后的表中查询数据,那么合并的表必须要有别名
    原文作者:发条香蕉
    原文地址: https://www.jianshu.com/p/edf95ab41e4c
    本文转自网络文章,转载此文章仅为分享知识,如有侵权,请联系博主进行删除。
点赞