hive_查询select

借鉴hive官网:https://hive.apache.org/

经典语句

[WITH CommonTableExpression (, CommonTableExpression)*]    (Note: Only available starting with Hive 0.13.0)
 SELECT [ALL | DISTINCT] select_expr, select_expr, ...
     FROM table_reference
     [WHERE where_condition]
     [GROUP BY col_list]
     [ORDER BY col_list]
     [CLUSTER BY col_list
         | [DISTRIBUTE BY col_list] [SORT BY col_list]
     ]
    [LIMIT [offset,] rows]

获取当前数据库

SELECT current_database()
show databases like '*gdw*'

查表名

use 库名;
show tables like '*XXX*';

where子句

where条件表达式是一个布尔表达式

SELECT * FROM sales WHERE amount > 10 AND region = "US"

ALL和DISTINCT选项指定是否应重复行。

若没有给出这些选项,则默认值为ALL(返回所有匹配的行)。DISTINCT指定从结果集中删除重复的行。注意,Hive支持从版本1.1.0[HIVE-9194]开始的SELECT DISTINCT *

SELECT DISTINCT col1, col2 FROM t1

基于分区的查询

一般来说,SELECT查询扫描整个表(除了进行抽样)。如果使用PARTITIONED BY子句创建表,则查询可以执行分区修剪,并仅扫描与查询指定的分区相关的表的一小部分。如果在WHERE子句或JOIN中的ON子句中指定了分区谓词,则Hive目前正在进行分区修剪。例如,如果表page_views在列日期分区,则以下查询将在2008-03-01和2008-03-31之间的几天内检索行。

##where分区
SELECT page_views.*
FROM page_views
WHERE page_views.date >= '2008-03-01' AND page_views.date <='2008-03-31'

##on分区
SELECT page_views.*
FROM page_views JOIN dim_users
     ON (page_views.user_id = dim_users.id AND page_views.date >= '2008-03-01' AND page_views.date <= '2008-03-31')

HAVING子句,若有group by 子句的话,having子句要放到group by 之后。

SELECT col1 FROM t1 GROUP BY col1 HAVING SUM(col2) > 10
#同理
SELECT col1 FROM (SELECT col1, SUM(col2) AS col2sum FROM t1 GROUP BY col1) t2 WHERE t2.col2sum > 10

LIMIT子句

LIMIT子句可用于约束SELECT语句返回的行数。LIMIT需要一个或两个数字参数,它们必须都是非负整数常量。
第一个参数指定要返回的第一行的偏移量,第二个参数指定要返回的最大行数。
当给定一个参数时,它代表最大行数,而指定要返回的第一行的偏移量默认值为0。

 #查询返回5个任意客户
 SELECT * FROM customers LIMIT 5
 #查询返回创建的前5个客户
 SELECT * FROM customers ORDER BY create_date LIMIT 5
 #查询返回第3到第7个创建的客户
 SELECT * FROM customers ORDER BY create_date LIMIT 2,5

正则表达书,可以使用基于正则表达式的列规范

  SELECT `(ds|hr)?+.+` FROM sales

group by 子句

SELECT pv_users.gender, count (DISTINCT pv_users.userid)
FROM pv_users
GROUP BY pv_users.gender;

Order, Sort, Cluster, and Distribute By

oder by

Hive中的order by跟传统的sql语言中的order by作用是一样的,会对查询的结果做一次全局排序,所以说,只有hive的sql中制定了order by所有的数据都会到同一个reducer进行处理(不管有多少map,也不管文件有多少的block只会启动一个reducer)。但是对于大量数据这将会消耗很长的时间去执行。
这里跟传统的sql还有一点区别:如果指定了hive.mapred.mode=strict(默认值是nonstrict),这时就必须指定limit来限制输出条数,原因是:所有的数据都会在同一个reducer端进行,数据量大的情况下可能不能出结果,那么在这样的严格模式下,必须指定输出的条数。

sort by

Hive中指定了sort by,那么在每个reducer端都会做排序,也就是说保证了局部有序(每个reducer出来的数据是有序的,但是不能保证所有的数据是有序的,除非只有一个reducer),好处是:执行了局部排序之后可以为接下去的全局排序提高不少的效率(其实就是做一次归并排序就可以做到全局排序了)。
“order by”和“sort by”之间的区别是前者保证输出中的总顺序,而后者仅保证在reducer中的行的排序。
Hive使用SORT BY中的列对行进行排序,然后将行提供给reducer。排序顺序将依赖于列类型。如果列是数字类型,则排序顺序也以数字顺序排列。如果列是字符串类型,则排序顺序将是字典顺序。

distribute by和sort by一起使用

ditribute by是控制map的输出在reducer是如何划分的

   select mid, money, name 
   from store 
   distribute by mid sort by mid asc, money asc 

我们所有的mid相同的数据会被送到同一个reducer去处理,这就是因为指定了distribute by mid,这样的话就可以统计出每个商户中各个商店盈利的排序了

cluster by的功能就是distribute by和sort by相结合

cluster by指定的列只能是降序,不能指定asc和desc。

  select mid, money, name from store cluster by mid 
  #等价
  select mid, money, name from store distribute by mid sort by mid 

注意

   select mid, money, name 
       from store 
       cluster by mid sort by money 
   #等价
    select mid, money, name 
       from store 
      distribute by mid sort by mid , money  

JSON查询

select get_json_object(字段,'$.Name')

衍生1:pg用法

select each_json_text(字段->>'Name')

衍生2:生成json字段

《hive_查询select》 需求.png

 select 
     user_id,
     concat_ws(';',collect_set(ddd_id,':',name)) 特征
   from table_name
   group by user_id ;
    原文作者:晟文刀
    原文地址: https://www.jianshu.com/p/2b1ae5740ad1
    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