【Hive入门】
之前实习写的笔记，上传留个备份。
1. 使用docker-compose快速搭建Hive集群
使用docker快速配置Hive环境
- 拉取镜像
2. Hive数据类型
- 隐式转换：窄的可以向宽的转换
- 显式转换：cast
3. Hive读写文件
- SerDe:序列化（对象转为字节码）、反序列化
3.1 hive读写文件流程
-
反序列化（将文件映射为表）
调用inputFormat，转为<key,value>类型，然后进行反序列化。
3.2 SerDe语法
-
row format 指定序列化方式和分割符
- Delimited:默认序列化方式
- Json:改变序列化方式
-
hive 默认分割符"\001"
4. 存储路径
- 默认存储：
/usr/hive/warehouse - 指定存储路径：
location hdfs_path
5. 练习
创建表并加载数据。
use ods;
create external table hero_info_1(id bigint comment "ID",name string comment "英雄名称",hp_max bigint comment "最大生命"
) comment "王者荣耀信息"
row format delimited
fields terminated by "\t";
将文件上传到相应路径，只要指定好分割符就可以。
hadoop fs -put test1.txt /usr/hive/warehouse/test.db/hero_info_1
- map类型
create table hero_info_2(id int comment "ID",name string comment "英雄名字",win_rate int comment "胜率",skin map<string, int> comment "皮肤：价格" -- 注意map分割类型
) comment "英雄皮肤表"
row format delimited
fields terminated by "," -- 指定字段分割符
collection items terminated by '-' -- 指定集合元素之间分割符
map keys terminated by ':'; -- 指定map元素kv之间的分割符
hadoop fs -put test2.txt /usr/hive/warehouse/test.db/hero_info_2
6. 指定路径使用
create table t_hero_info_3(id int comment "ID",name string comment "英雄名字",win_rate int comment "胜率",skin map<string, int> comment "皮肤：价格" -- 注意map分割类型
) comment "英雄皮肤表"
location "/tmp";
select * from t_hero_info_3;
7. 内部表和外部表
-
外部表，删除不会删除hdfs文件
-
一般都用外部表
drop table t_hero_info_3; -- 文件也被删除
9. 分区表
-
上传多个文件
-
发现sql执行很慢，因为
where需要进行全表扫描，所以效率慢 -
但是我们是根据射手类型来进行分类的，因此可以只扫描这一个分区的数据
-
分区字段不能是表中已经存在的字段
create external table t_hero_info_1(id int comment "ID",name string comment "名字"
) comment "英雄信息"
partitioned by (role string)
row format delimited
fields terminated by "\t";
- 静态分区
load data local inpath '/root/a.txt' into table t_hero_info_1 partition(role='sheshou');
-- 分区扫描 role是分区字段，不用全表扫描
select count(*) from t_hero_info_1 where role = "sheshou" and hp_max > 6000;
10. 多重分区表
- 一般为双重分区表
create external table t_hero_info_1(id int comment "ID",name string comment "名字"
) comment "英雄信息"
partitioned by (province string, city string); -- 分区字段存在顺序
-- 分区1
load data local inpath '/root/a.txt' into table t_hero_info_1 partition(province='beijing',city='chaoyang');
-- 分区2
load data local inpath '/root/b.txt' into table t_hero_info_1 partition(province='beijing',city='haidian');
-- 多重分区
load data local inpath '/root/b.txt' into table t_hero_info_1 partition(province='shanghai',city='pudong');
11. 动态分区
- 根据字段值来进行动态分区，使用insert+select
- 步骤：创建完分区表后，存在一个分区字段role，这时我们使用insert+select方法将原先表的数据插入到分区表中。
-- 原始数据表 t_all_hero
-- 分区表 t_all_hero_part
-- role这里是分区字段，role_main是我们给指定的分区类型
insert into table t_all_hero_part partition(role) select tmp.*, tmp.role_main from t_all_hero tmp;
- 在企业中，一般根据日期来进行分区表。
- 注意：分区的字段不能是已有的字段，即字段名字不能重复
- 分区的字段是个虚拟的字段，并不存在于底层当中
12. 分桶表
-
来进行优化查询
-
分桶是将一个文件分为若干个文件
规则
-
将文件中数据哈希，从而分到不同桶中。
-
一般是根据主键来进行分桶
-
创建一个普通的表，然后上传数据；通过inset+select来加载分桶
-- 创建分桶表
create table test.t_state_info()
clustered by(state) into 5 buckets; -- state一定是表中已有的字段
-- 插入数据
insert into t_state_info_bucket select * from t_state_info;
好处
解析json
get_json_object:一次只能解析一个字段