站内有朋友私信数据产品经理都需要掌握哪些技能和工具，我给他们的回答：1.数据提取得会：hive 2.数据清洗和整理：hive+Excel+Python 3.数据统计分析：Excel+SPSS+Python 4.数据展示：Excel+PPT+tableau
本文开启hive的基础教程和进阶（长更，有需要的朋友收藏便于阅读）
2018.10.06 建表
第一章 表基础操作（DDL操作+DML元数据存储）
1.1创建分区表 注意：set语句中不能有注释
set hive.exec.dynamic.partition.mode=nonstrict; –动态分区
set hive.exec.dynamic.partition=true; –动态分区(partition的字段是动态查询写入的)
set hive.exec.max.dynamic.partitions=100000; –总共的最大的动态分区数
set hive.exec.max.dynamic.partitions.pernode=100000;–每个节点上能够生成的最大分区，这个在最坏情况下应该是跟最大分区一样的值
set hive.exec.max.created.files=500000; –是能够创建的最多文件数（分区一多,文件必然就多了…）
CREATE EXTERNAL TABLE IF NOT EXISTS data_zhp( –如果相同名字的表已经存在，则抛出异常；用户可以用 IF NOT EXIST 选项来忽略这个异常
ROWKEY STRING,
STATION INT,
MONTH INT,
DAY INT
HOUR INT ,
MINUTE INT,
)
COMMENT ‘ECLP开放预测’
PARTITIONED BY (YEAR INT)
ROW FORMAT DELIMITED FIELDS TERMINATED BY ‘\t’ –声明文件分隔符
LINES TERMINATED BY ‘\n’ –声明各条记录分隔符
STORED AS TEXTFILE;
–Hive数据文件的存储格式，这里使用的是TEXTFILE，还有SEQUENCEFILE和RCFile，一共三种。
–TEXTFILE是最普通的文件存储格式，内容是可以直接查看。
–SEQUCENFILE是包含键值对的二进制的文件存储格式，支持压缩，可以节省存储空间。是hadoop领域的标准文件格式，但是在hadoop之外却无法使用。
–RCFile是列式存储文件格式，适合压缩处理。对于有成百上千字段的表而言，RCFile更加合适。
1.2复制空表与复制表及数据
CREATE TABLE sku_id_copy LIKE sku_id;
CREATE TABLE sku_id_copy as
select
*
from sku_id;
2018.10.14 表基础操作增删改
1.3表的增删改
增加一列
ALTER TABLE dev_linshibiao ADD COLUMNS (new_col string)
删除dept_id_1\ model列
ALTER TABLE dev_linshibiao REPLACE COLUMNS (op_time string, dept_name_1string, cw_gmv double)
增加分区
ALTER TABLE dev_linshibiao ADD PARTITION (dt=‘2016-06-20’)
删除分区
ALTER TABLE dev_linshibiao DROP PARTITION (dt=‘2016-06-20’)
删除表
DROP TABLE dev_linshibiao
创建／删除视图
CREATE VIEW [IF NOT EXISTS] view_name [ (column_name [COMMENT column_comment], …) ][COMMENT view_comment][TBLPROPERTIES (property_name = property_value, …)] AS SELECT *
如果没有提供表名，视图列的名字将由定义的SELECT表达式自动生成；如果修改基本表的属性，视图中不会体现，无效查询将会失败；视图是只读的，不能用LOAD/INSERT/ALTER
DROP VIEW view_name 删除视图
2018.11.14 表的数据插入
1.4表的插入数据
分区表用overwrite：插入前清空分区
insert overwrite TABLE dev.search_batch_pvuv_zwh partition (dt)
SELECT * FROM XXXXX
不分区的表必须用insert into
insert into不清空插入，overwrite插入前清空，表中最后只剩新插入的数据
1.5表加载数据
LOAD DATA LOCAL INPATH ‘./files/XXX.txt’ OVERWRITE INTO TABLE XXXX;
————–我是可爱的分割线，下期预告：查表—————-
没有比人更高的山，比脚更长的路~
第二章 表查询操作（DQL数据查询脚本）
2018.11.28 基本的Select语法
2.1基础查询
SELECT [ALL | DISTINCT] column1, column2, …
FROM table_XXXX
[WHERE where_aaaa=XXX]
[GROUP BY column1 [HAVING condition]]
[CLUSTER BY column1| [DISTRIBUTE BY column1] [SORT BY | ORDER BY column1]]
[LIMIT number]
1.使用ALL和DISTINCT选项区分对重复记录的处理，默认是ALL，表示查询所有记录；DISTINCT表示去掉重复的记录
2.Where 条件，支持 AND，OR ，between，IN, NOT IN，不支持EXIST ，NOT EXIST
3.ORDER BY与SORT BY的不同，ORDER BY 全局排序，只有一个Reduce任务；SORT BY 只在本机做排序，前者保证在全局进行排序，而后者仅保证在每个reduce内排序，如果有超过1个reduce，sort by可能有部分结果有序
CLUSTER BY 和DISTRIBUTE BY主要用在进行Transform/Map-Reduce脚本。
4.Limit 可以限制查询的记录数，实现Top n查询，一般order by 必须携带limit使用
2.2hive的分区查询
hive表的一个优势便是分区，通过分区可以避免扫全表数据，从而提高数据查询速度，分区限制在where语句中使用
————–我是可爱的分割线，下期预告：表关联—————-
人的一生，总是为了追寻生命中的光，而走在漫长的旅途中~
第三章 表关联查询
在表设计的过程，考虑表的冗余程度、速度等原因，更多的是面向对象或者面向主题设计，所以需要全面的数据支持，便需要多表关联查询完成。
表的关联的两个手段为JOIN和UNION ALL
3.1 join
常用的join，left outer join ，right outer join ， full join ，left semi join
3.1.1 join
Select a.* from tableA a join tableB b on a.id=b.id
必须等值链接，结果展示a、b表中共有的id部分
3.1.2 left outer join ，right outer join
Select a.* from tableA a left outer join tableB b on a.id=b.id
left outer join
right outer join
3.1.3 full join
Select a.* from tableA a full join tableB b on a.id=b.id
full join
3.1.4 left semi join
Select a.* from tableA a left semi join tableB b on a.id=b.id
等同于join，但是结果只显示a表中字段
join的注意事项：
1.实践中，应该把数据量最大的那个表写在最后关联；
2.限制 join 的输出，应该在 join前WHERE 子句中写过滤条件，或是在 join 后子句中写
3.可以 join 多于 2 个表
4.join容易将数据重复记录，导致计算最后结果错误
3.2 UNION ALL
相同字段的表直接2表合并
SELECT column_name(s)
FROM table_name1 UNION ALL SELECT column_name(s) FROM table_name2
