ハイブの研究ノート6

その他 2020-04-02 14:02:06 訪問数: null

ディレクトリ

お問い合わせ

[WITH CommonTableExpression (, CommonTableExpression)*]    (Note: Only available starting with Hive 0.13.0)
SELECT [ALL | DISTINCT] select_expr, elect_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 number]

まず、基本的なクエリ

1、すべてのテーブルやクエリの特定の列
  • 1）フルテーブルクエリ
hive (default)> select * from emp;
  • 2）クエリの特定の列を選択
hive (default)> select empno, ename from emp;

注：
（1）SQL言語は大文字と小文字を区別しません。
（2）SQLは、1つまたは複数の行に書き込むことができる
（3）キーワード略記も分岐することができない
（4）各句一般分岐ライト。
（5）ステートメントを使用すると、読みやすさを改善するためにインデント。

2、カラムのエイリアス

  • 1）列の名前を変更します。

  • 2）計算の容易さ。

  • 3）列名に続いて、あなたはまた、列名とエイリアスの間でキーワード「AS」を追加することができます

  • 4）実用的な操作の場合

（1）クエリ名と部署

hive (default)> select ename AS name, deptno dn from emp;
3、算術演算子
演算子 説明
A + B A及びBが添加されます
AB AマイナスB
A * B AとBが乗算さ
A / B AをBで割った値
％のB A B I取るために
A＆B A及びBは、でビット単位であります
A B
A ^ B AとBは、ビット単位のXORです
〜A ビット単位

ケースの実用的な操作：すべての従業員の給与プラス1つの表示をチェックしてください。

hive (default)> select sal +1 from emp;
図4に示すように、一般的に使用される機能
  • 1））行の合計数（カウントを探します
hive (default)> select count(*) cnt from emp;
  • 2）最大給与（max）を見つけます
hive (default)> select max(sal) max_sal from emp;
  • 3）最低賃金（分）を検索
hive (default)> select min(sal) min_sal from emp;
  • 賃金を求める4）合計（和）
hive (default)> select sum(sal) sum_sal from emp;
  • 5）平均給与を探す（平均）
hive (default)> select avg(sal) avg_sal from emp;
5、LIMIT文

典型的なクエリは、データの複数の行を返します。LIMIT句は返される行数を制限します。

hive (default)> select * from emp limit 5;

二、声明

  • 1）WHERE句、行は、フィルタリングする条件を満たしていません。

  • 2）WHERE句のすぐFROM句の後に。

  • 3）実用的な操作の場合

1000年よりすべてのスタッフの給与の大きなをチェック

hive (default)> select * from emp where sal >1000;
1、比較演算子（間/中/ IS NULL）
  • 1）述語演算子以下の表に記載され、これらの演算子を使用することもできるし、書類に... JOINいます。
演算子 サポートされるデータ型 説明
A = B 基本データ型 AがBに等しい場合、逆TRUE、戻りFALSEを返します
A <=> B 基本データ型 AとBの両方がNULLである場合、TRUEを返し、そしていずれかの結果である場合、NULLはNULL他の等号（=）演算子の結果と一致しています
A <> B、A！= B 基本データ型 AまたはBは、NULL、NULLが返されている; Aが等しくないBがない場合、TRUEを返し、そうでない場合はFALSEを返します
<B 基本データ型 AまたはBは、NULL、NULLが返され、AがBよりも小さい場合、TRUEが返され、そうでない場合はFALSEを返します
<= B 基本データ型 AまたはBがNULLは、NULLを返し、A以下Bは、TRUEが返された場合、そうでない場合はFALSEを返します
A> B 基本データ型 AまたはBは、NULL、NULLが返され、AがBより大きい場合、TRUEが返され、そうでない場合はFALSEを返します
A> B = 基本データ型 AまたはBがNULL、NULLが返され; Aが以上でBである場合、TRUEが返され、それ以外の場合はFALSEを返します
BとCの間のA [NOT] 基本データ型 NULL、NULLの結果のいずれか一項に記載のA、B又はCであれば。Aの値がBより大きく、以下Cと等しい場合、結果はそれ以外の場合はFALSEであり、TRUEです。キーワード、NOTを使用している場合は逆効果に到達することができます。
A IS NULL すべてのデータ型 AがNULLと等しい場合、逆にTRUE、戻りFALSEを返します
AはNULLではありません すべてのデータ型 AはNULLと等しくない場合には、逆にTRUE、戻りFALSEを返します。
IN（値1、値2） すべてのデータ型 IN演算子の表示リストを使用して値
A [NOT] LIKE B STRINGタイプ Aは、そのマッチング、TRUEが返された場合、Bは、正規表現の下で単純なSQLであり、そうでない場合はFALSEを返します。「％X％」文字A「X」で表現しながら、「X％」意味A、文字「X」、「％x」は文字A「X」末端で表現で始まる必要があり、次のように式Bでありますこれは、文字列の先頭、末尾または途中にあってもよいです。キーワード、NOTを使用している場合は逆効果に到達することができます。
A RLIKE B、A REGEXP B STRINGタイプ Bは、そのマッチングA場合、TRUEが戻され、正規表現であり、そうでない場合はFALSEを返します。定期的にも彼らを支配しているため、JDKインタフェースで正規表現を使ってマッチング。たとえば、正規表現は文字列全体、およびAだけでなく、その文字列マッチングと一致する必要があります。
  • 2）ケースの実用的な操作

（1）すべての従業員の給与が5000に等しいチェックアウト

hive (default)> select * from emp where sal =5000;

従業員情報500〜1000で（2）クエリ賃金

hive (default)> select * from emp where sal between 500 and 1000;

（3）COMMクエリ情報は、すべての従業員の空であります

hive (default)> select * from emp where comm is null;

（4）クエリ賃金と従業員情報1500 5000

hive (default)> select * from emp where sal IN (1500, 5000);
2、のように和RLIKE

  • 1）同様の値を選択するためにLIKE演算子を使用し

  • 2）選択基準は、文字や数字を含めることができます。

  ％は、ゼロ以上の文字（任意の文字）を表します。
  _ 1つの文字を表します。

  • 3）この句のRLIKEハイブは、このより強力な言語の表現は、Javaポジティブで指定された条件に合致することができる拡張機能です。

  • 4）実用的な操作の場合

（1）従業員の給与情報の始まりを探す2

hive (default)> select * from emp where sal LIKE '2%';

（2）第二の数は、従業員情報の給料である見つけるために2

hive (default)> select * from emp where sal LIKE '_2%';

（3）検索給与は、従業員情報2を含みます

hive (default)> select * from emp where sal RLIKE '[2]';
3、論理演算子（AND / OR /不可）
演算子 意味
そして そして、ロジック
OR 論理または
しません いいえロジックありません

ケース実用的な操作

（1）クエリの給与を上回る1000年、30部門

hive (default)> select * from emp where sal>1000 and deptno=30;

（2）クエリ給与1000年より大きい、または部署30

hive (default)> select * from emp where sal>1000 or deptno=30;

20部門30個の部門に加えて、（3）クエリの従業員情報

hive (default)> select * from emp where deptno not IN(30, 20);

第三に、グループ化

1、グループ別の声明

  GROUP BYステートメントは、しばしば一緒に使用され、集約関数は、一つ以上のキュー結果に応じてグループ化し、各グループの重合操作を行います。

ケースの実用的な操作：

平均賃金（1）は、各部門のEMP表を計算します

hive (default)> select t.deptno, avg(t.sal) avg_sal from emp t group by t.deptno;

（2）各ポストEMP各部門の最大給与を計算します

hive (default)> select t.deptno, t.job, max(t.sal) max_sal from emp t group by t.deptno, t.job;
2、ステートメントを持ちます
  • 1）異なる、どこ

テーブルの列の役割を再生する（1）、クエリデータ、照会結果列の役割を果たして有する、データをフィルタリングします。
パケットが機能することができず、パケットは後の機能を有する使用することができる（2）ライトバック。
（3）グループ統計文によってのみ基を有します。

  • 2）ケースの実用的な操作：

（1）部門の各部門のより大きい2000給料平均しました

各部門のシークの平均給与

hive (default)> select deptno, avg(sal) from emp group by deptno;

2,000人以上の部署を求めて、各部門の平均給与

hive (default)> select deptno, avg(sal) avg_sal from emp group by deptno having avg_sal > 2000;

四、Join语句

1、等值Join

  Hive支持通常的SQL JOIN语句，但是只支持等值连接，不支持非等值连接。
案例实操

（1）根据员工表和部门表中的部门编号相等，查询员工编号、员工名称和部门编号；

hive (default)> select e.empno, e.ename, d.deptno, d.dname from emp e join dept d on e.deptno = d.deptno;
2、表的别名
  • 1）好处

（1）使用别名可以简化查询。
（2）使用表名前缀可以提高执行效率。

  • 2）案例实操

合并员工表和部门表

hive (default)> select e.empno, e.ename, d.deptno from emp e join dept d on e.deptno = d.deptno;
3、内连接

  内连接：只有进行连接的两个表中都存在与连接条件相匹配的数据才会被保留下来。

hive (default)> select e.empno, e.ename, d.deptno from emp e join dept d on e.deptno = d.deptno;
4、左外连接

  左外连接：JOIN操作符左边表中符合WHERE子句的所有记录将会被返回。

hive (default)> select e.empno, e.ename, d.deptno from emp e left join dept d on e.deptno = d.deptno;
5、右外连接

  右外连接：JOIN操作符右边表中符合WHERE子句的所有记录将会被返回。

hive (default)> select e.empno, e.ename, d.deptno from emp e right join dept d on e.deptno = d.deptno;
6、满外连接

  满外连接：将会返回所有表中符合WHERE语句条件的所有记录。如果任一表的指定字段没有符合条件的值的话，那么就使用NULL值替代。

hive (default)> select e.empno, e.ename, d.deptno from emp e full join dept d on e.deptno = d.deptno;
7、多表连接

  注意：连接 n个表，至少需要n-1个连接条件。例如：连接三个表，至少需要两个连接条件。

  • 0）数据准备
1700	Beijing
1800	London
1900	Tokyo
  • 1）创建位置表
create table if not exists default.location(
loc int,
loc_name string
)
row format delimited fields terminated by '\t';
  • 2）导入数据
hive (default)> load data local inpath '/opt/module/datas/location.txt' into table default.location;
  • 3）多表连接查询
hive (default)>SELECT e.ename, d.deptno, l. loc_name
FROM   emp e 
JOIN   dept d
ON     d.deptno = e.deptno 
JOIN   location l
ON     d.loc = l.loc;

  大多数情况下，Hive会对每对JOIN连接对象启动一个MapReduce任务。本例中会首先启动一个MapReduce job对表e和表d进行连接操作，然后会再启动一个MapReduce job将第一个MapReduce job的输出和表l;进行连接操作。
  注意：为什么不是表d和表l先进行连接操作呢？这是因为Hive总是按照从左到右的顺序执行的。

8、笛卡尔积
  • 1）笛卡尔集会在下面条件下产生:

（1）省略连接条件
（2）连接条件无效
（3）所有表中的所有行互相连接

2）案例实操

hive (default)> select empno, deptno from emp, dept;

FAILED: SemanticException Column deptno Found in more than One Tables/Subqueries

9、连接谓词中不支持or
hive (default)> select e.empno, e.ename, d.deptno from emp e join dept d on e.deptno = d.deptno or e.ename=d.ename;   错误的

五、排序

1、全局排序（Order By）

  Order By：全局排序，一个MapReduce

  • 1）使用 ORDER BY 子句排序

  ASC（ascend）: 升序（默认）
  DESC（descend）: 降序

  • 2）ORDER BY 子句在SELECT语句的结尾。

  • 3）案例实操

（1）查询员工信息按工资升序排列

hive (default)> select * from emp order by sal;

（2）查询员工信息按工资降序排列

hive (default)> select * from emp order by sal desc;
2、按照别名排序

  按照员工薪水的2倍排序

hive (default)> select ename, sal*2 twosal from emp order by twosal;
3、多个列排序

  按照部门和工资升序排序

hive (default)> select ename, deptno, sal from emp order by deptno, sal ;
4、每个MapReduce内部排序（Sort By）

  Sort By：每个MapReduce内部进行排序，（区内排序）对全局结果集来说不是排序。

  • 1）设置reduce个数
hive (default)> set mapreduce.job.reduces=3;
  • 2）查看设置reduce个数
hive (default)> set mapreduce.job.reduces;
  • 3）根据部门编号降序查看员工信息
hive (default)> select * from emp sort by empno desc;
  • 4）将查询结果导入到文件中（按照部门编号降序排序）
hive (default)> insert overwrite local directory '/opt/module/datas/sortby-result' select * from emp sort by deptno desc;
5、分区排序（Distribute By）

  Distribute By：类似MR中partition，进行分区，结合sort by使用。

  注意，Hive要求DISTRIBUTE BY语句要写在SORT BY语句之前。

  对于distribute by进行测试，一定要分配多reduce进行处理，否则无法看到distribute by的效果。

案例实操：
（1）先按照部门编号分区，再按照员工编号降序排序。

hive (default)> set mapreduce.job.reduces=3;
hive (default)> insert overwrite local directory '/opt/module/datas/distribute-result' select * from emp distribute by deptno sort by empno desc;
6、Cluster By

  当distribute by和sorts by字段相同时，可以使用cluster by方式。
  cluster by除了具有distribute by的功能外还兼具sort by的功能。但是排序只能是倒序排序，不能指定排序规则为ASC或者DESC。

  • 1）以下两种写法等价
hive (default)> select * from emp cluster by deptno;
hive (default)> select * from emp distribute by deptno sort by deptno;

  注意：按照部门编号分区，不一定就是固定死的数值，可以是20号和30号部门分到一个分区里面去。

六、分桶及抽样查询

1、分桶表数据存储

  分区针对的是数据的存储路径；分桶针对的是数据文件。
  分区提供一个隔离数据和优化查询的便利方式。不过，并非所有的数据集都可形成合理的分区，特别是之前所提到过的要确定合适的划分大小这个疑虑。
  分桶是将数据集分解成更容易管理的若干部分的另一个技术。

  • 1）先创建分桶表，通过直接导入数据文件的方式

（0）数据准备

1001	ss1
1002	ss2
1003	ss3
1004	ss4
1005	ss5
1006	ss6
1007	ss7
1008	ss8
1009	ss9
1010	ss10
1011	ss11
1012	ss12
1013	ss13
1014	ss14
1015	ss15
1016	ss16

（1）创建分桶表

create table stu_buck(id int, name string)
clustered by(id) 
into 4 buckets
row format delimited fields terminated by '\t';

（2）查看表结构

hive (default)> desc formatted stu_buck;
Num Buckets:            4

（3）导入数据到分桶表中

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

（4）查看创建的分桶表中是否分成4个桶

  • 2）创建分桶表时，数据通过子查询的方式导入

（1）先建一个普通的stu表

create table stu(id int, name string)
row format delimited fields terminated by '\t';

（2）向普通的stu表中导入数据

load data local inpath '/opt/module/datas/student.txt' into table stu;

（3）清空stu_buck表中数据

truncate table stu_buck;
select * from stu_buck;

（4）导入数据到分桶表，通过子查询的方式

insert into table stu_buck
select id, name from stu;

（5）发现还是只有一个分桶

（6）需要设置一个属性

hive (default)> set hive.enforce.bucketing=true;
hive (default)> set mapreduce.job.reduces=-1;
hive (default)> insert into table stu_buck select id, name from stu;

（7）查询分桶的数据

hive (default)> select * from stu_buck;
OK
stu_buck.id     stu_buck.name
1001    ss1
1005    ss5
1009    ss9
1012    ss12
1016    ss16
1002    ss2
1006    ss6
1013    ss13
1003    ss3
1007    ss7
1010    ss10
1014    ss14
1004    ss4
1008    ss8
1011    ss11
1015    ss15
2、分桶抽样查询

  对于非常大的数据集，有时用户需要使用的是一个具有代表性的查询结果而不是全部结果。Hive可以通过对表进行抽样来满足这个需求。

  查询表stu_buck中的数据。

hive (default)> select * from stu_buck tablesample(bucket 1 out of 4 on id);

  注：tablesample是抽样语句，语法：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4份，当y=2时，抽取(4/2=)2个bucket的数据，当y=8时，抽取(4/8=)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4，tablesample(bucket 4 out of 4)，表示总共抽取（4/4=）1个bucket的数据，抽取第4个bucket的数据。

  注意：x的值必须小于等于y的值，否则
FAILED: SemanticException [Error 10061]: Numerator should not be bigger than denominator in sample clause for table stu_buck

3、数据块抽样

  Hive提供了另外一种按照百分比进行抽样的方式，这种是基于行数的，按照输入路径下的数据块百分比进行的抽样。

hive (default)> select * from stu tablesample(0.1 percent) ;

  提示：这种抽样方式不一定适用于所有的文件格式。另外，这种抽样的最小抽样单元是一个HDFS数据块。因此，如果表的数据大小小于普通的块大小128M的话，那么将会返回所有行。

おすすめ

転載: www.cnblogs.com/nthforsth/p/12619078.html
おすすめ
Open Source Daily | Chrome に組み込まれている Gemini の重要性は、中国の AI 追求に関する 5 つの大きな誤解ではありません。ECharts の創設者は魚を育てるために「海に行った」が、何もありません。驚き
中国のAIチームが「米国のために準備を進めている」という噂にマイクロソフトが反応
ランキング
配列内の重複要素を検索し、繰り返し回数の最小値から最大値までの順に並べ替えます es6
【C++学習記】Ten、C++デザインパターン - 抽象ファクトリーパターン
知人：素人の言語ランタイム（A）に
ist „collision.relativeVelocity.magnitude“ in Unity
Linuxダイナミックリンク（3）のPLTとGOTについて話す-パブリックGOTエントリ
leetcode。図L.207カリキュラム-Java
羅区[] P3518 [POI2011] SEJ、金庫
MySQL にクエリを実行するときに使用するインデックスを指定します
現在のユーザー環境変数とシステムのWin10ベースのビュー
十二の仕事 - あなたの誕生日
アーカイブ
もっと
2024-05-15(5)
2024-05-14(9)
2024-05-13(8)
2024-05-12(27)
2024-05-11(31)
2024-05-10(33)
2024-05-09(30)
2024-05-08(18)
2024-05-07(34)
2024-05-06(6)

コードワールド

© 2018 codetd.com