相关文章推荐
写在前面cassandra3.x官方文档的非官方翻译。翻译内容水平全依赖本人英文水平和对cassandra的理解。所以强烈建议阅读英文版cassandra 3.x 官方文档。此文档一半是翻译，一半是个...
Apache Cassandra是一套开源分布式Key-Value存储系统。它最初由Facebook开发，用于储存特别大的数据。
主要特性：分布式、基于column的结构化、高伸展性
1，反射机制
2，动态编译
3，动态执行javascript代码
4，动态字节码操作动态语言：程序运行的时候仍然能够改变程序的结构或变量的类型
反射机制：
我的HBase版本是0.98
首先说明一下，如果用eclipse操作hbase时，如果报Unknown host错误，找不到主机，是因为你没有配IP地址的映射
方法是 找到你的系统盘里面的C:\W...
十八、 写入数据
1) 表设计2) 建表scores，具有两个列族：grad和course[root@master bin]# hbase shell
hbase(main):002:0> create 'scores...
*****第1天******
操作系统的发展史OS构架：Arch: x86,x86_64,arm,ppc,MIPS,UltraSparc,Power,安腾计算机体系：冯...
他的最新文章
他的热门文章
您举报文章：
举报原因：
原文地址：
原因补充：
(最多只允许输入30个字)域名与网站(万网)
数加&大数据分析及展现
数加&大数据应用
管理与监控
阿里云办公
培训与认证
数加&人工智能
数加&大数据基础服务
互联网中间件
开发者工具
钉钉智能硬件
云数据库 RDS 版
&&&&&&&&&RDS MySQL 区分大小写
RDS MySQL 区分大小写
更新时间： 13:26:11
lower_case_table_names
库名表名是否大小写敏感，与字符串比较大小写敏感无关
参数取值：
&1&：库名、表名 不区分大小写，通常情况下这是兼容性最好的设置。
&0 ：SQL 中对库名表名需要严格区分大小写，否则会出现表不存在的错误。
&2 ：创建的 表 和 库依据语句上格式存放，凡是查找都是转换为小写进行。
lower_case_table_names 该参数在控制台中不提供设置。
&# 查看参数 lower_case_table_names 全局设置
show global variables like 'lower_case_tab%';
字符串字段字符排序（collation）命名规则：
&_bin: 表示的是 binary case sensitive collation，也就是说该排序规则区分大小写的。
&_cs: case sensitive collation，区分大小写。
&_ci: case insensitive collation，不区分大小写。
设置字符串比较区分大小写：
2.1 通过设置表字符排序规则（collation），使其为 binary 或 case sensitive
例：create table case_bin_test (word VARCHAR(10)) CHARACTER SET latin1 COLLATE latin1_
2.2 通过设置列字符排序规则（collation），使其为 binary 或 case sensitive
例：create table case_bin_test (word VARCHAR(10) CHARACTER SET latin1 COLLATE latin1_general_cs);
create table case_bin_test (word VARCHAR(10) CHARACTER SET latin1 binary);
2.3 查询时指定字符排序规则（collation），其缺点每次查询都要指定，可能导致性能问题，但比较灵活
例：select * from case_bin_test where word collate latin1_bin like 'F%';
select * from case_bin_test where binary word like 'F%';注： 查询时候指定字符排序规则（collation）会导致查询计划忽略该字段上的索引，有可能会导致性能问题。&如果问题还存在,请联系。&&&
本文导读目录
以上内容是否对您有帮助？
更新不及时
缺少代码/图片示例
太简单/步骤待完善
更新不及时
缺少代码/图片示例
太简单/步骤待完善
感谢您的打分，是否有意见建议想告诉我们？
感谢您的反馈，反馈我们已经收到HBase - Filter - 过滤器的介绍以及使用 | 那伊抹微笑
时间： 14:45:18
&&&& 阅读：98
&&&& 评论：
&&&& 收藏：0
标签：&&&&&&&&&&&&
博文作者：
csdn 博客地址：
itdog8 地址链接 :&
博文标题：HBase - Filter - 过滤器的介绍以及使用 | 那伊抹微笑
个性签名：世界上最遥远的距离不是天涯，也不是海角，而是我站在妳的面前，妳却感觉不到我的存在
技术方向：Flume+Kafka+Storm+Redis/Hbase+Hadoop+Hive+Mahout+Spark ... 云计算技术
转载声明：可以转载, 但必须以超链接形式标明文章原始出处和作者信息及版权声明，谢谢合作！
qq交流群： &
HBase 的基本 API，包括增、删、改、查等。
增、删都是相对简单的操作，与传统的 RDBMS 相比，这里的查询操作略显苍白，只能根据特性的行键进行查询（Get）或者根据行键的范围来查询（Scan）。
HBase 不仅提供了这些简单的查询，而且提供了更加高级的过滤器（Filter）来查询。
1.1 过滤器的两类参数
过滤器可以根据列族、列、版本等更多的条件来对数据进行过滤，基于 HBase 本身提供的三维有序（行键，列，版本有序），这些过滤器可以高效地完成查询过滤的任务，带有过滤器条件的 RPC 查询请求会把过滤器分发到各个 RegionServer（这是一个服务端过滤器），这样也可以降低网络传输的压力。
使用过滤器至少需要两类参数：
1.1.1 一类是抽象的操作符
HBase 提供了枚举类型的变量来表示这些抽象的操作符：
LESS_OR_EQUAL
GREATER_OR_EQUAL
1.1.2 另一类是比较器
代表具体的逻辑，例如字节级的比较，字符串级的比较等。
1.2 比较器
比较器作为过滤器的核心组成之一，用于处理具体的比较逻辑，例如字节级的比较，字符串级的比较等。
1.2.1 RegexStringComparator
支持正则表达式的值比较
Scan scan = new Scan();
RegexStringComparator comp = new RegexStringComparator(&you.&); // 以 you 开头的字符串
SingleColumnValueFilter filter = new SingleColumnValueFilter(Bytes.toBytes(&family&), Bytes.toBytes(&qualifier&), CompareOp.EQUAL, comp);
scan.setFilter(filter);
1.2.2 SubStringComparator
用于监测一个子串是否存在于值中，并且不区分大小写。
Scan scan = new Scan();
SubstringComparator comp = new SubstringComparator(&1129&); // 查找包含 1129 的字符串
SingleColumnValueFilter filter = new SingleColumnValueFilter(Bytes.toBytes(&family&), Bytes.toBytes(&qualifier&), CompareOp.EQUAL, comp);
scan.setFilter(filter);
1.2.3 BinaryPrefixComparator
前缀二进制比较器。与二进制比较器不同的是，只比较前缀是否相同。
Scan scan = new Scan();
BinaryPrefixComparator comp = new BinaryPrefixComparator(Bytes.toBytes(&yting&)); //
SingleColumnValueFilter filter = new SingleColumnValueFilter(Bytes.toBytes(&family&), Bytes.toBytes(&qualifier&), &CompareOp.EQUAL, comp);
scan.setFilter(filter);
1.2.4 BinaryComparator
二进制比较器，用于按字典顺序比较 Byte 数据值。
Scan scan = new Scan();
BinaryComparator comp = new BinaryComparator(Bytes.toBytes(&xmei&)); //
ValueFilter filter = new ValueFilter(CompareOp.EQUAL, comp);
scan.setFilter(filter);
1.3 列值过滤器
1.3.1 SingleColumnValueFilter
SingleColumnValueFilter
用于测试值的情况（相等，不等，范围 、、、）
下面一个检测列族 family 下的列 qualifier 的列值和字符串 &my-value& 相等的部分示例代码 :&
Scan scan = new Scan();
SingleColumnValueFilter filter = new SingleColumnValueFilter(Bytes.toBytes(&family&), Bytes.toBytes(&qualifier&), CompareOp.EQUAL, Bytes.toBytes(&my-value&));
scan.setFilter(filter);
1.3.2 SingleColumnValueExcludeFilter
跟&SingleColumnValueFilter&功能一样，只是不查询出该列的值。
下面的代码就不会查询出 family 列族下 qualifier 列的值（列都不会查出来）
Scan scan = new Scan();
SingleColumnValueExcludeFilter&filter = new&SingleColumnValueExcludeFilter(Bytes.toBytes(&family&),
Bytes.toBytes(&qualifier&), CompareOp.EQUAL, Bytes.toBytes(&my-value&));
scan.setFilter(filter);
1.4 键值元数据过滤器
HBase 采用 &键值对& 保存内部数据，键值元数据过滤器评估一行的 &键& 是否保存在（如 ColumnFamily:Column qualifiers）。
1.4.1 FamilyFilter
用于过滤列族（通常在 Scan 过程中通过设定某些列族来实现该功能，而不是直接使用该过滤器）。
Scan scan = new Scan();
FamilyFilter filter = new FamilyFilter(CompareOp.EQUAL, new BinaryComparator(Bytes.toBytes(&my-family&))); // 列族为&my-family
scan.setFilter(filter);
1.4.2 QualifierFilter
用于列名（Qualifier）过滤。
Scan scan = new Scan();
QualifierFilter filter = new QualifierFilter(CompareOp.EQUAL, new BinaryComparator(Bytes.toBytes(&my-column&))); // 列名为&my-column
scan.setFilter(filter);
1.4.3&ColumnPrefixFilter&
用于列名（Qualifier）前缀过滤，即包含某个前缀的所有列名。
Scan scan = new Scan();
& ColumnPrefixFilter filter = new ColumnPrefixFilter(Bytes.toBytes(&my-prefix&)); // 前缀为&my-prefix
& scan.setFilter(filter);
1.4.4&MultipleColumnPrefixFilter
MultipleColumnPrefixFilter&与&ColumnPrefixFilter& 的行为类似，但可以指定多个列名（Qualifier）前缀。
Scan scan = new Scan();
byte[][] prefixes = new byte[][]{Bytes.toBytes(&my-prefix-1&), Bytes.toBytes(&my-prefix-2&)};
MultipleColumnPrefixFilter filter = new MultipleColumnPrefixFilter(prefixes); // 不解释，你懂的 、、、
scan.setFilter(filter);
1..4.5 ColumnRangeFilter
该过滤器可以进行高效的列名内部扫描。（为何是高效呢？？？因为列名是已经按字典排序好的）HBase-0.9.2 版本引入该功能。
Scan scan = new Scan();
boolean minColumnInclusive =
boolean maxColumnInclusive =
ColumnRangeFilter filter = new ColumnRangeFilter(Bytes.toBytes(&minColumn&), minColumnInclusive, Bytes.toBytes(&maxColumn&), maxColumnInclusive);
scan.setFilter(filter);
1.6&DependentColumnFilter&
该过滤器尝试找到该列所在的每一行，并返回该行具有相同时间戳的全部键值对。
Scan scan = new Scan();
DependentColumnFilter filter = new DependentColumnFilter(Bytes.toBytes(&family&), Bytes.toBytes(&qualifier&));
scan.setFilter(filter);
1.5 行键过滤器
1.5.1&RowFilter&
行键过滤器，一般来讲，执行 Scan 使用 startRow/stopRow 方式比较好，而 RowFilter 过滤器也可以完成对某一行的过滤。
Scan scan = new Scan();
RowFilter filter = new RowFilter(CompareOp.EQUAL, new BinaryComparator(Bytes.toBytes(&my-row-1&)));
scan.setFilter(filter);
1.5.2 RandomRowFilter
该过滤器是随机选择一行的过滤器。参数 chance 是一个浮点值，介于 0.1 和 1.0 之间。
Scan scan = new Scan();
float chance = 0.5f;
RandomRowFilter filter = new RandomRowFilter(chance); // change 在 0.1 ~ 1.0 之间的浮点值
scan.setFilter(filter);
1.6 功能过滤器
1.6.1 PageFilter
用于按行分页。
long pageSize = 10;
int totalRowsCount = 0;
PageFilter filter = new PageFilter(pageSize);
byte[] lastRow =
while(true) {
&Scan scan = new Scan();
&scan.setFilter(filter);
&if(lastRow != null) {
& byte[] postfix = Bytes.toBytes(&postfix&);
& byte[] startRow = Bytes.add(lastRow, postfix);
& scan.setStartRow(startRow);
& System.out.println(&start row : & + Bytes.toString(startRow));
&ResultScanner scanner = _hTable.getScanner(scan);
&int localRowsCount = 0;
&for(Result result : scanner) {
& System.out.println(localRowsCount++ + & : & + result);
& totalRowsCount++;
& lastRow = result.getRow(); // ResultScanner 的结果集是排序好的，这样就可以取到最后一个 row 了
&scanner.close();
&if(localRowsCount == 0)
System.out.println(&total rows is : & + totalRowsCount);
1.6.2&FirstKeyOnlyFilter
该过滤器只查询每个行键的第一个键值对，在统计计数的时候提高效率。（HBase-Coprocessor 做 RowCount 的时候可以提高效率）。
Scan scan = new Scan();
FirstKeyOnlyFilter filter = new FirstKeyOnlyFilter(); // 只查询每个行键的第一个键值对
scan.setFilter(filter);
1.6.3&KeyOnlyFilter
Scan scan = new Scan();
KeyOnlyFilter filter = new KeyOnlyFilter(); // 只查询每行键值对中有 &键& 元数据信息，不显示值，可以提升扫描的效率
scan.setFilter(filter);
1.6.4&InclusiveStopFilter
常规的 Scan 包含 start-row 但不包含 stop-row，如果使用该过滤器便可以包含 stop-row。
Scan scan = new Scan();
InclusiveStopFilter filter = new InclusiveStopFilter(Bytes.toBytes(&stopRowKey&));
scan.setFilter(filter);
1.6.5&ColumnPaginationFilter
按列分页过滤器，针对列数量很多的情况使用。
Scan scan = new Scan();
int limit = 0;
int columnOffset = 0;
ColumnPaginationFilter filter = new ColumnPaginationFilter(limit, columnOffset);
scan.setFilter(filter);
2 自定义过滤器
做法 : 继承 FilterBase，然后打成 jar 放到 $HBASE_HOEM/lib 目录下去（注意：需要重启 HBase 集群）
写自定义过滤器的时候需要熟悉过滤器的执行流程，不解释 、、、
版权声明：本文为博主原创文章，未经博主允许不得转载。
标签：&&&&&&&&&&&&原文：http://blog.csdn.net/u/article/details/
教程昨日排行
&&国之画&&&& &&&&&&
&& &&&&&&&&&&&&&&
鲁ICP备号-4
打开技术之扣，分享程序人生！当前位置： >>
云计算HIVE使用
云计算 apache HIVE 的使用一、 Hive 概述Hive 是建立在 Hadoop 上的数据仓库基础构架。它提供了一系列的工具，可以用来进行 数据提取转化加载（ETL），这是一种可以存储、查询和分析存储在 Hadoop 中的大规模 数据的机制。Hive 定义了简单的类 SQL 查询语言，称为 HQL，它允许熟悉 SQL 的用 户查询数据。同时，这个语言也允许熟悉 MapReduce 开发者的开发自定义的 mapper 和 reducer 来处理内建的 mapper 和 reducer 无法完成的复杂的分析工作。Hive 没有专门 的数据格式。 Hive 可以很好的工作在 Thrift 之上，控制分隔符，也允许用户指定数据格 式。 由于 Hive 采用了 SQL 的查询语言 HQL，因此很容易将 Hive 理解为数据库。其实从结 构上来看，Hive 和数据库除了拥有类似的查询语言，再无类似之处。数据库可以用在 Online 的应用中，但是 Hive 是为数据仓库而设计的，清楚这一点，有助于从应用角度理 解 Hive 的特性。Hive 和数据库比较大致有以下几方面的不同： 1. 查询语言。由于 SQL 被广泛的应用在数据仓库中，因此，专门针对 Hive 的特性 设计了类 SQL 的查询语言 HQL。熟悉 SQL 开发的开发者可以很方便的使用 Hive 进行开发。 2. 数据存储位置。Hive 是建立在 Hadoop 之上的，所有 Hive 的数据都是存储在 HDFS 中的。而数据库则可以将数据保存在块设备或者本地文件系统中。 3. 数据格式。Hive 中没有定义专门的数据格式，数据格式可以由用户指定，用户定义 数据格式需要指定三个属性：列分隔符（通常为空格、”\t”、”\x001″）、行分隔符 （”\n”）以及读取文件数据的方法（Hive 中默认有三个文件格式 TextFile， SequenceFile 以及 RCFile）。由于在加载数据的过程中，不需要从用户数据格式 到 Hive 定义的数据格式的转换，因此，Hive 在加载的过程中不会对数据本身进 行任何修改，而只是将数据内容复制或者移动到相应的 HDFS 目录中。而在数据 库中，不同的数据库有不同的存储引擎，定义了自己的数据格式。所有数据都会按 照一定的组织存储，因此，数据库加载数据的过程会比较耗时。 4. 数据更新。由于 Hive 是针对数据仓库应用设计的，而数据仓库的内容是读多写少 的。因此，Hive 中不支持对数据的改写和添加，所有的数据都是在加载的时候中确 定好的。而数据库中的数据通常是需要经常进行修改的，因此可以使用 INSERTINTO ...VALUES 添加数据，使用 UPDATE ... SET 修改数据。5. 索引。之前已经说过，Hive 在加载数据的过程中不会对数据进行任何处理，甚至不 会对数据进行扫描，因此也没有对数据中的某些 Key 建立索引。Hive 要访问数据中满足条件的特定值时，需要暴力扫描整个数据，因此访问延迟较高。由于 MapReduce 的引入， Hive 可以并行访问数据，因此即使没有索引，对于大数据 量的访问，Hive 仍然可以体现出优势。数据库中，通常会针对一个或者几个列建立 索引，因此对于少量的特定条件的数据的访问，数据库可以有很高的效率，较低的 延迟。由于数据的访问延迟较高，决定了 Hive 不适合在线数据查询。 6. 执行。Hive 中大多数查询的执行是通过 Hadoop 提供的 MapReduce 来实现的 （类似 select * from tbl 的查询不需要 MapReduce）。而数据库通常有自己的执 行引擎。 7. 执行延迟。之前提到，Hive 在查询数据的时候，由于没有索引，需要扫描整个表， 因此延迟较高。另外一个导致 Hive 执行延迟高的因素是 MapReduce 框架。由于 MapReduce 本身具有较高的延迟，因此在利用 MapReduce 执行 Hive 查询时， 也会有较高的延迟。相对的，数据库的执行延迟较低。当然，这个低是有条件的， 即数据规模较小， 当数据规模大到超过数据库的处理能力的时候， Hive 的并行计算 显然能体现出优势。 8. 可扩展性。由于 Hive 是建立在 Hadoop 之上的，因此 Hive 的可扩展性是和 Hadoop 的可扩展性是一致的（世界上最大的 Hadoop 集群在 Yahoo!，2009 年 的规模在 4000 台节点左右）。而数据库由于 ACID 语义的严格限制，扩展行非 常有限。 目前最先进的并行数据库 Oracle 在理论上的扩展能力也只有 100 台左右。 9. 数据规模。由于 Hive 建立在集群上并可以利用 MapReduce 进行并行计算，因此 可以支持很大规模的数据；对应的，数据库可以支持的数据规模较小。Hive 的体系结构Hive 的体系结构如上图所示，Hive 主要分为以下几个部分：? ? ? ?用户接口，包括 CLI，Client，WUI。 元数据存储，通常是存储在关系数据库如 MySQL, derby 中。 解释器、编译器、优化器、执行器。 Hadoop：用 HDFS 进行存储，利用 MapReduce 进行计算。 用户接口主要有三个：CLI，Client 和 WUI。其中最常用的是 CLI，Cli 启动的时 候，会同时启动一个 Hive 副本。Client 是 Hive 的客户端，用户连接至 Hive Server。在启动 Client 模式的时候，需要指出 Hive Server 所在节点，并且在该 节点启动 Hive Server。 WUI 是通过浏览器访问 Hive。1.2. Hive 将元数据存储在数据库中，如 MySQL、derby。Hive 中的元数据包括表的名 字，表的列和分区及其属性，表的属性（是否为外部表等），表的数据所在目录等。 3. 解释器、编译器、优化器完成 HQL 查询语句从词法分析、语法分析、编译、优化 以及查询计划的生成。生成的查询计划存储在 HDFS 中，并在随后有 MapReduce 调用执行。4. Hive 的数据存储在 HDFS 中，大部分的查询由 MapReduce 完成（包含 * 的查 询，比如 select * from tbl 不会生成 MapRedcue 任务）。Hive 的元数据存储Hive 将元数据存储在 RDBMS 中，有三种模式可以连接到数据库：?Single User Mode：此模式连接到一个 In-memory 的数据库 Derby，一般用于 Unit Test。?Multi User Mode：通过网络连接到一个数据库中，是最经常使用到的模式。?Remote Server Mode：用于非 Java 客户端访问元数据库，在服务器端启动一个 MetaStoreServer，客户端利用 Thrift 协议通过 MetaStoreServer 访问元数据库。Hive 的数据存储首先，Hive 没有专门的数据存储格式，也没有为数据建立索引，用户可以非常自由的组织 Hive 中的表，只需要在创建表的时候告诉 Hive 数据中的列分隔符和行分隔符，Hive 就 可以解析数据。 其次， Hive 中所有的数据都存储在 HDFS 中， Hive 中包含以下数据模型： Table， External Table，Partition，Bucket。 1. Hive 中的 Table 和数据库中的 Table 在概念上是类似的， 每一个 Table 在 Hive 中都有一个相应的目录存储数据。例如，一个表 pvs，它在 HDFS 中的路径为： /wh/pvs， 其中， 是在 hive-site.xml 中由 ${hive.metastore.warehouse.dir} 指 wh 定的数据仓库的目录，所有的 Table 数据（不包括 External Table）都保存在这个 目录中。 2. Partition 对应于数据库中的 Partition 列的密集索引， 但是 Hive 中 Partition 的 组织方式和数据库中的很不相同。在 Hive 中，表中的一个 Partition 对应于表下 的一个目录，所有的 Partition 的数据都存储在对应的目录中。例如：pvs 表中包 含 ds 和 city 两个 Partition，则对应于 ds = , ctry = US 的 HDFS 子 目录为：/wh/pvs/ds=/ctry=US；对应于 ds = , ctry = CA 的 HDFS 子目录为；/wh/pvs/ds=/ctry=CA3. Buckets 对指定列计算 hash，根据 hash 值切分数据，目的是为了并行，每一个 Bucket 对应一个文件。将 user 列分散至 32 个 bucket，首先对 user 列的值计 算 hash，对应 hash 值为 0 的 HDFS 目录为： /wh/pvs/ds=/ctry=US/part-00000； hash 值为 20 的 HDFS 目录为： /wh/pvs/ds=/ctry=US/part-00020 4. External Table 指向已经在 HDFS 中存在的数据， 可以创建 Partition。 它和 Table 在元数据的组织上是相同的，而实际数据的存储则有较大的差异。 Table 的创建过程和数据加载过程（这两个过程可以在同一个语句中完成），在加载数据的 过程中， 实际数据会被移动到数据仓库目录中； 之后对数据对访问将会直接在数据仓库目录 中完成。删除表时，表中的数据和元数据将会被同时删除。 External Table 只有一个过程，加载数据和创建表同时完成（CREATE EXTERNAL TABLE ……LOCATION），实际数据是存储在 LOCATION 后面指定的 HDFS 路径中， 并不会移动到数据仓库目录中。二、 基本的 SQL 语句Hive 常用的 SQL 命令操作 创建表 hive& CREATE TABLE pokes (foo INT, bar STRING); 创建表并创建索引字段 ds hive& CREATE TABLE invites (foo INT, bar STRING) PARTITIONED BY (ds STRING); 显示所有表 hive& SHOW TABLES; 按正条件（正则表达式）显示表， hive& SHOW TABLES '.*s'; 表添加一列hive& ALTER TABLE pokes ADD COLUMNS (new_col INT); 添加一列并增加列字段注释 hive& ALTER TABLE invites ADD COLUMNS (new_col2 INT COMMENT 'a comment'); 更改表名 hive& ALTER TABLE events RENAME TO 3 删除列 hive& DROP TABLE 元数据存储 将文件中的数据加载到表中 hive& LOAD DATA LOCAL INPATH './examples/files/kv1.txt' OVERWRITE INTO TABLE 加载本地数据，同时给定分区信息 hive& LOAD DATA LOCAL INPATH './examples/files/kv2.txt' OVERWRITE INTO TABLE invites PARTITION (ds=''); 加载 DFS 数据 ，同时给定分区信息 hive& LOAD DATA INPATH '/user/myname/kv2.txt' OVERWRITE INTO TABLE invites PARTITION (ds=''); The above command will load data from an HDFS file/directory to the table. Note that loading data from HDFS will result in moving the file/directory. As a result, the operation is almost instantaneous. SQL 操作 按先件查询hive& SELECT a.foo FROM invites a WHERE a.ds='&DATE&'; 将查询数据输出至目 hive& INSERT OVERWRITE DIRECTORY '/tmp/hdfs_out' SELECT a.* FROM invites a WHERE a.ds='&DATE&'; 将查询结果输出至本地目 hive& INSERT OVERWRITE LOCAL DIRECTORY '/tmp/local_out' SELECT a.* FROM 选择所有列到本地目 hive& INSERT OVERWRITE TABLE events SELECT a.* FROM hive& INSERT OVERWRITE TABLE events SELECT a.* FROM profiles a WHERE a.key & 100; hive& INSERT OVERWRITE LOCAL DIRECTORY '/tmp/reg_3' SELECT a.* FROM hive& INSERT OVERWRITE DIRECTORY '/tmp/reg_4' select a.invites, a.pokes FROM hive& INSERT OVERWRITE DIRECTORY '/tmp/reg_5' SELECT COUNT(1) FROM invites a WHERE a.ds='&DATE&'; hive& INSERT OVERWRITE DIRECTORY '/tmp/reg_5' SELECT a.foo, a.bar FROM hive& INSERT OVERWRITE LOCAL DIRECTORY '/tmp/sum' SELECT SUM(a.pc) FROM pc1 将一个表的统计结果I入另一个表中hive& FROM invites a INSERT OVERWRITE TABLE events SELECT a.bar, count(1) WHERE a.foo & 0 GROUP BY a. hive& INSERT OVERWRITE TABLE events SELECT a.bar, count(1) FROM invites a WHERE a.foo & 0 GROUP BY a. JOIN hive& FROM pokes t1 JOIN invites t2 ON (t1.bar = t2.bar) INSERT OVERWRITE TABLE events SELECT t1.bar, t1.foo, t2. 将多表数据I入到同一表中 FROM src INSERT OVERWRITE TABLE dest1 SELECT src.* WHERE src.key & 100 INSERT OVERWRITE TABLE dest2 SELECT src.key, src.value WHERE src.key &= 100 and src.key & 200 INSERT OVERWRITE TABLE dest3 PARTITION(ds='', hr='12') SELECT src.key WHERE src.key &= 200 and src.key & 300 INSERT OVERWRITE LOCAL DIRECTORY '/tmp/dest4.out' SELECT src.value WHERE src.key &= 300; 将文件流直接I入文件 hive& FROM invites a INSERT OVERWRITE TABLE events SELECT TRANSFORM(a.foo, a.bar) AS (oof, rab) USING '/bin/cat' WHERE a.ds & ''; This streams the data in the map phase through the script /bin/cat (like hadoop streaming). Similarly - streaming can be used on the reduce side (please see the Hive Tutorial or examples)实际示例 创建一个表 CREATE TABLE u_data ( userid INT, movieid INT, rating INT, unixtime STRING) ROW FORMAT DELIMITED FIELDS TERMINATED BY '\t' STORED AS TEXTFILE; 下载示例数据文件，并解压缩 wget http://www.grouplens.org/system/files/ml-data.tar__0.gz tar xvzf ml-data.tar__0.gz 加载数据到表中 LOAD DATA LOCAL INPATH 'ml-data/u.data' OVERWRITE INTO TABLE u_ 统计数据总量 SELECT COUNT(1) FROM u_ 现在做一些复杂的数据分析 创建一个 weekday_mapper.py: 文件，作为数据按周行分割 import sys import datetimefor line in sys.stdin: line = line.strip() userid, movieid, rating, unixtime = line.split('\t') 生成数据的周信息 weekday = datetime.datetime.fromtimestamp(float(unixtime)).isoweekday() print '\t'.join([userid, movieid, rating, str(weekday)]) 使用映射脚本 //创建表，按分割符分割行中的字段值 CREATE TABLE u_data_new ( userid INT, movieid INT, rating INT, weekday INT) ROW FORMAT DELIMITED FIELDS TERMINATED BY '\t'; //将 python 文件加载到系统 add FILE weekday_mapper. 将数据按周行分割 INSERT OVERWRITE TABLE u_data_new SELECT TRANSFORM (userid, movieid, rating, unixtime) USING 'python weekday_mapper.py'AS (userid, movieid, rating, weekday) FROM u_ SELECT weekday, COUNT(1) FROM u_data_new GROUP BYHive的 官 方 文 档 中 对 查 询 诧 言 有 了 很 详 细 的 描 述 ， 请 参 考 ：http://wiki.apache.org/hadoop/Hive/LanguageManual ，本文的内容大部分翻译自该 页面，期间加入了一些在使用过程中需要注意到的事项。 Create TableCREATE [EXTERNAL] TABLE [IF NOT EXISTS] table_name [(col_name data_type [COMMENT col_comment], ...)] [COMMENT table_comment] [PARTITIONED BY (col_name data_type [COMMENT col_comment], ...)] [CLUSTERED BY (col_name, col_name, ...)[SORTED BY (col_name [ASC|DESC], ...)] INTO num_buckets BUCKETS] [ROW FORMAT row_format] [STORED AS file_format] [LOCATION hdfs_path]CREATE TABLE 创建一个指定名字的表。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。EXTERNAL 关键字可以让用户创建一个外部表，在建表的同时指定一个指向实际数据的路 径（LOCATION） ，Hive 创建内部表时，会将数据移劢到数据仓库指向的路径；若创建外 部表，仅记数据所在的路径，丌对数据的位置做任何改变。在删除表的时候，内部表的元 数据和数据会被一起删除，而外部表成境荩⑸境荨LIKE 允许用户复制现有的表结构，但是丌复制数据。用户在建表的时候可以自定义 SerDe 戒者使用自带的 SerDe。如果没有指定 ROW FORMAT 戒者 ROW FORMAT DELIMITED，将会使用自带的 SerDe。在建表的时候，用 户还需要为表指定列，用户在指定表的列的同时也会指定自定义的 SerDe，Hive 通过 SerDe 确定表的具体的列的数据。如果文件数据是纯文本，可以使用 STORED AS TEXTFILE。如果数据需要压缩，使用STORED AS SEQUENCE 。有分区的表可以在创建的时候使用 PARTITIONED BY 诧句。 一个表可以拥有一个戒者多个 分区，每一个分区单独存在一个目下。而且，表和分区都可以对某个列行 CLUSTERED BY 操作，将若干个列放入一个桶（bucket）中。也可以利用 SORT BY 对数据行排序。 这样可以为特定应用提高性能。表名和列名丌区分大小写，SerDe 和属性名区分大小写。表和列的注释是字符串。 Drop Table删除一个内部表的同时会同时删除表的元数据和数据。 删除一个外部表， 成境荻 留数据。 Alter TableAlter table 诧句允许用户改变现有表的结构。用户可以增加列/分区，改变 serde，增加表 和 serde 熟悉，表本身重命名。Add PartitionsALTER TABLE table_name ADD partition_spec [ LOCATION 'location1' ] partition_spec [ LOCATION 'location2' ] ...partition_spec: : PARTITION (partition_col = partition_col_value, partition_col = partiton_col_value, ...)用户可以用 ALTER TABLE ADD PARTITION 来向一个表中增加分区。当分区名是字符串 时加引号。ALTER TABLE page_view ADD PARTITION (dt='', country='us') location '/path/to/us/part; PARTITION (dt='', country='us') location '/path/to/us/part;;DROP PARTITIONALTER TABLE table_name DROP partition_spec, partition_spec,...用户可以用 ALTER TABLE DROP PARTITION 来删除分区。分区的元数据和数据将被一并 删除。ALTER TABLE page_view DROP PARTITION (dt='', country='us');RENAME TABLEALTER TABLE table_name RENAME TO new_table_name这个命令可以让用户为表更名。数据所在的位置和分区名并丌改变。换而言Y，老的表名并 未“释放”，对老表的更改会改变新表的数据。Change Column Name/Type/Position/CommentALTER TABLE table_name CHANGE [COLUMN] col_old_name col_new_name column_type [COMMENT col_comment] [FIRST|AFTER column_name]这个命令可以允许用户修改一个列的名称、数据类型、注释戒者位置。比如：CREATE TABLE test_change (a int, b int, c int);ALTER TABLE test_change CHANGE a a1 INT; 将 a 列的名字改为 a1.ALTER TABLE test_change CHANGE a a1 STRING AFTER 将 a 列的名字改为 a1，a 列的数据类型改为 string， 并将它放置在列 b Y后。 新的表结构为： b int, a1 string, c int.ALTER TABLE test_change CHANGE b b1 INT FIRST; 会将 b 列的名字修改为 b1, 并将 它放在第一列。新表的结构为： b1 int, a string, c int.注意：对列的改变郴嵝薷 Hive 的元数据，而丌会改变实际数据。用户应该确定保证元 数据定义和实际数据结构的一致性。Add/Replace ColumnsALTER TABLE table_name ADD|REPLACE COLUMNS (col_name data_type [COMMENT col_comment], ...)ADD COLUMNS 允许用户在当前列的末尾增加新的列，但是在分区列Y前。REPLACE COLUMNS 删 除 以 后 的 列 ， 加 入 新 的 列 。
有 在 使 用 native 的 SerDE （DynamicSerDe or MetadataTypeColumnsetSerDe）的时候才可以这么做。Alter Table PropertiesALTER TABLE table_name SET TBLPROPERTIES table_properties table_properties: : (property_name = property_value, property_name = property_value, ... )用户可以用这个命令向表中增加metadata ， 目 前last_modified_user ，last_modified_time 属性都是由 Hive 自劢管理的。用户可以向列表中增加自己的属性。 可以使用 DESCRIBE EXTENDED TABLE 来获得这些信息。Add Serde PropertiesALTER TABLE table_name SET SERDE serde_class_name [WITH SERDEPROPERTIES serde_properties]ALTER TABLE table_name SET SERDEPROPERTIES serde_propertiesserde_properties: : (property_name = property_value, property_name = property_value, ... )这个命令允许用户向 SerDe 对象增加用户定义的元数据。Hive 为了序列化和反序列化数 据，将会初始化 SerDe 属性，并将属性传给表的 SerDe。如此，用户可以为自定义的 SerDe 存储属性。Alter Table File Format and OrganizationALTER TABLE table_name SET FILEFORMAT file_format ALTER TABLE table_name CLUSTERED BY (col_name, col_name, ...) [SORTED BY (col_name, ...)] INTO num_buckets BUCKETS这个命令修改了表的物理存储属性。 Loading files into table当数据被加载至表中时，丌会对数据行任何转换。Load 操作呈墙莞粗/移劢至 Hive 表对应的位置。Syntax:LOAD DATA [LOCAL] INPATH 'filepath' [OVERWRITE] INTO TABLE tablename [PARTITION (partcol1=val1, partcol2=val2 ...)]Synopsis:Load 操作呈堑ゴ康母粗/移劢操作，将数据文件移劢到 Hive 表对应的位置。filepath 可以是： 相对路径，例如：project/data1 绝对路径，例如： /user/hive/project/data1 包含模式的完整 URI，例如：hdfs://namenode:9000/user/hive/project/data1 加载的目标可以是一个表戒者分区。如果表包含分区，必须指定每一个分区的分区名。 filepath 可以引用一个文件（这种情晗拢Hive 会将文件移劢到表所对应的目中） 戒者是一个目 （在这种情晗拢 Hive 会将目中的所有文件移劢至表所对应的目中） 。 如果指定了 LOCAL，那么： load 命令会去查找本地文件系统中的 filepath。如果发现是相对路径，则路径会被 解释为相对亍当前用户的当前路径。用户也可以为本地文件指定一个完整的 URI，比如： file:///user/hive/project/data1. load 命令会将 filepath 中的文件复制到目标文件系统中。 目标文件系统由表的位置 属性决定。被复制的数据文件移劢到表的数据对应的位置。 如果没有指定 LOCAL 关键字，如果 filepath 指向的是一个完整的 URI，hive 会直接 使用这个 URI。 否则： 如果没有指定 schema 戒者 authority，Hive 会使用在 hadoop 配置文件中定义 的 schema 和 authority，fs.default.name 指定了 Namenode 的 URI。如果路径丌是绝对的，Hive 相对亍 /user/ 行解释。 Hive 会将 filepath 中指定的文件内容移劢到 table （戒者 partition）所指定的路 径中。 如果使用了 OVERWRITE 关键字，则目标表（戒者分区）中的内容（如果有）会被删 除，然后再将 filepath 指向的文件/目中的内容添加到表/分区中。 如果目标表（分区）已经有一个文件，并且文件名和 filepath 中的文件名冲突，那么现 有的文件会被新文件所替代。SELECTSyntaxSELECT [ALL | DISTINCT] select_expr, select_expr, ... FROM table_reference [WHERE where_condition] [GROUP BY col_list] [ CLUSTER BY col_list | [DISTRIBUTE BY col_list] [SORT BY col_list] ] [LIMIT number]一个 SELECT 诧句可以是一个 union 查询戒一个子查询的一部分。 table_reference 是查询的输入，可以是一个普通表、一个视图、一个 join 戒一个子查 询 简单查询。例如，下面这一诧句从 t1 表中查询所有列的信息。SELECT * FROM t1WHERE Clausewhere condition 是一个布尔表达式。例如，下面的查询诧句撤祷叵奂大亍 10，且 归属地属亍美国的销售代表。Hive 丌支持在 WHERE 子句中的 IN，EXIST 戒子查询。SELECT * FROM sales WHERE amount & 10 AND region = &US&ALL and DISTINCT Clauses使用 ALL 和 DISTINCT 选项区分对重复记的处理。默认是 ALL，表示查询所有记。 DISTINCT 表示去掉重复的记。hive& SELECT col1, col2 FROM t1 1313 14 25 hive& SELECT DISTINCT col1, col2 FROM t1 13 14 25 hive& SELECT DISTINCT col1 FROM t1 1 2基亍 Partition 的查询一 般 SELECT 查 询 会 扫 描 整 个 表 （ 除 非 是 为 了 抽 样 查 询 ） 但 是 如 果 一 个 表 使 用 。 PARTITIONED BY 子句建表，查询就可以利用分区剪枝（input pruning）的特性，成 描一个表中它关心的那一部分。Hive 当前的实现是，秤蟹智涎猿鱿衷诶 FROM 子句 最近的那个 WHERE 子句中， 才会启用分区剪枝。 例如， 如果 page_views 表使用 date 列 分区，以下诧句郴岫寥》智’的数据。SELECT page_views.* FROM page_views WHERE page_views.date &= ''AND page_views.date &= '';HAVING ClauseHive 现在丌支持 HAVING 子句。可以将 HAVING 子句转化为一个字查询，例如：SELECT col1 FROM t1 GROUP BY col1 HAVING SUM(col2) & 10可以用以下查询来表达：SELECT col1 FROM (SELECT col1, SUM(col2) AS col2sum FROM t1 GROUP BY col1) t2 WHERE t2.col2sum & 10LIMIT ClauseLimit 可以限制查询的记数。查询的结果是随机选择的。下面的查询诧句从 t1 表中随机 查询 5 条记：SELECT * FROM t1 LIMIT 5Top k 查询。下面的查询诧句查询销售记最大的 5 个销售代表。SET mapred.reduce.tasks = 1 SELECT * FROM sales SORT BY amount DESC LIMIT 5REGEX Column SpecificationSELECT 诧句可以使用正则表达式做列选择， 下面的诧句查询除了 ds 和 hr Y外的所有列：SELECT `(ds|hr)?+.+` FROM salesJoinSyntaxjoin_table: table_reference JOIN table_factor [ join_condition] | table_reference {LEFT|RIGHT|FULL} [OUTER] JOIN table_reference join_condition | table_reference LEFT SEMI JOIN table_reference join_conditiontable_reference:table_factor | join_tabletable_factor: tbl_name [alias] | table_subquery alias | ( table_references )join_condition: ON equality_expression ( AND equality_expression )*equality_expression: expression = expressionHive 持С值戎盗樱equality joins） 、外连接（outer joins）和（left semi joins???） 。 Hive 丌支持所有非等值的连接， 因为非等值连接非常难转化到 map/reduce 任务。 另外， Hive 支持多亍 2 个表的连接。写 join 查询时，需要注意几个关键点： 1. 持С值戎 join，例如：SELECT a.* FROM a JOIN b ON (a.id = b.id)SELECT a.* FROM a JOIN b ON (a.id = b.id AND a.department = b.department)是正确的，然而:SELECT a.* FROM a JOIN b ON (a.id b.id)是错诨的。2. 可以 join 多亍 2 个表，例如SELECT a.val, b.val, c.val FROM a JOIN b ON (a.key = b.key1) JOIN c ON (c.key = b.key2)如果 join 中多个表的 join key 是同一个，则 join 会被转化为单个 map/reduce 任务， 例如：SELECT a.val, b.val, c.val FROM a JOIN b ON (a.key = b.key1) JOIN c ON (c.key = b.key1)被转化为单个 map/reduce 任务，因为 join 中呈褂昧 b.key1 作为 join key。SELECT a.val, b.val, c.val FROM a JOIN b ON (a.key = b.key1) JOIN c ON (c.key = b.key2)而这一 join 被转化为 2 个 map/reduce 任务。因为 b.key1 用亍第一次 join 条件， 而 b.key2 用亍第二次 join。join 时， 每次 map/reduce 任务的逻辑是这样的： reducer 会缓存 join 序列中除了最后 一个表的所有表的记，再通过最后一个表将结果序列化到文件系统。这一实现有劣亍在 reduce 端减少内存的使用量。实践中，应该把最大的那个表写在最后（否则会因为缓存浪 费大量内存） 。例如：SELECT a.val, b.val, c.val FROM a JOIN b ON (a.key = b.key1) JOIN c ON (c.key = b.key1)所有表都使用同一个 join key （使用 1 次 map/reduce 任务计算） Reduce 端会缓存 a 。 表和 b 表的记，然后每次取得一个 c 表的记就计算一次 join 结果，类似的还有：SELECT a.val, b.val, c.val FROM a JOIN b ON (a.key = b.key1) JOIN c ON (c.key = b.key2)这里用了 2 次 map/reduce 任务。第一次缓存 a 表，用 b 表序列化；第二次缓存第一次 map/reduce 任务的结果，然后用 c 表序列化。LEFT，RIGHT 和 FULL OUTER 关键字用亍处理 join 中空记的情辏纾SELECT a.val, b.val FROM a LEFT OUTER JOIN b ON (a.key=b.key)对 应 所 有 a 表 中 的 记
都 有 一 条 记
输 出 。 输 出 的 结 果 应 该 是 a.val, b.val ， 当 a.key=b.key 时，而当 b.key 中找丌到等值的 a.key 记时也会输出 a.val, NULL。 “FROM a LEFT OUTER JOIN b”这句一定要写在同一行――意思是 a 表在 b 表的左 边，所以 a 表中的所有记都被保留了；“a RIGHT OUTER JOIN b”会保留所有 b 表 的记。OUTER JOIN 诧义应该是遵循标准 SQL spec 的。Join 发生在 WHERE 子句Y前。如果你想限制 join 的输出，应该在 WHERE 子句中写 过滤条件――戒是在 join 子句中写。这里面一个容易混淆的问题是表分区的情辏SELECT a.val, b.val FROM a LEFT OUTER JOIN b ON (a.key=b.key) WHERE a.ds='' AND b.ds=''会 join a 表到 b 表（OUTER JOIN） ，列出 a.val 和 b.val 的记。WHERE 从句中可 以使用其他列作为过滤条件。但是， 如前所述，如果 b 表中找丌到对应 a 表的记，b 表的所有列都会列出 NULL， 包括 ds 列。 也就是说， join 会过滤 b 表中丌能找到匹配 a 表 join key 的所有记。这样的话，LEFT OUTER 就使得查询结果不 WHERE 子句无关了。 解决的办法是在 OUTER JOIN 时使用以下诧法：SELECT a.val, b.val FROM a LEFT OUTER JOIN b ON (a.key=b.key AND b.ds='' AND a.ds='')这一查询的结果是预先在 join 阶段过滤过的，所以丌会存在上述问题。这一逻辑也可以应 用亍 RIGHT 和 FULL 类型的 join 中。Join 是丌能交换位置的。无论是 LEFT 还是 RIGHT join，都是左连接的。SELECT a.val1, a.val2, b.val, c.val FROM a JOIN b ON (a.key = b.key) LEFT OUTER JOIN c ON (a.key = c.key)先 join a 表到 b 表， 丢弃掉所有 join key 中丌匹配的记， 然后用这一中间结果和 c 表 做 join。这一表述有一个丌太明显的问题，就是当一个 key 在 a 表和 c 表都存在，但是 b 表中丌存在的时候：整个记在第一次 join，即 a JOIN b 的时候都被丢掉了（包括a.val1， a.val2 和 a.key） 然后我们再和 c 表 join 的时候， ， 如果 c.key 不 a.key 戒 b.key 相等，就会得到这样的结果：NULL, NULL, NULL, c.val。LEFT SEMI JOIN 是 IN/EXISTS 子 查 询 的 一 种 更 高 效 的 实 现 。 Hive 当 前 没 有 实 现 IN/EXISTS 子查询，所以你可以用 LEFT SEMI JOIN 重写你的子查询诧句。LEFT SEMI JOIN 的限制是， JOIN 子句中右边的表衬茉 ON 子句中设置过滤条件， WHERE 子 在 句、SELECT 子句戒其他地方过滤都丌行。SELECT a.key, a.value FROM a WHERE a.key in (SELECT b.key FROM B);可以被重写为：SELECT a.key, a.val FROM a LEFT SEMI JOIN b on (a.key = b.key)三、 配置 apache HIVE 元数据 DB 为 PostgreSQLHIVE 的元数据默认使用 derby 作为存储 DB，derby 作为轻量级的 DB，在开发、测试过 程中使用比较方便，但是在实际的生产环境中，还需要考虑易用性、容灾、稳定性以及各种 监控、运维工具等，这些都是 derby 缺乏的。MySQL 和 PostgreSQL 是两个比较常用的开源 数据库系统，在生产环境中比较多的用来替换 derby。配置 MySQL 在网上的文章比较多， 这里不再赘述，本文主要描述配置 HIVE 元数据 DB 为 PostgreSQL 的方法。 HIVE 版本：HIVE 0.7-snapshot，HIVE 0.8-snapshot步骤 1：在 PG 中为元数据增加用户的 DB首先在 PostgreSQL 中为 HIVE 的元数据建立帐号和 DB。--以管理员身份登入 PG： psql postgres -U postgres--创建用户 hive_user: Create user hive_--创建 DB metastore_db，owner 为 hive_user: Create database metastore_db with owner=hive_--设置 hive_user 的密码： /password hive_user完成以上步骤以后，还要确保 PostgreSQL 的 pg_hba.conf 中的配置允许 HIVE 所在的机 器 ip 可以访问 PG。步骤 2：下载 PG 的 JDBC 驱动在 HIVE_HOME 目录下创建 auxlib 目录： mkdir auxlib 此时 HIVE_HOME 目录中应该有 bin，lib，auxlib，conf 等目录。下载 PG 的 JDBC 驱动 Wget http://jdbc.postgresql.org/download/postgresql-9.0-801.jdbc4.jar将下载到的 postgresql-9.0-801.jdbc4.jar 放到 auxlib 中。步骤 3：修改 HIVE 配置文件在 HIVE_HOME 中新建 hive-site.xml 文件，内容如下，蓝色字体按照 PG server 的相关信息 进行修改。&?xml version=&1.0&?& &?xml-stylesheet type=&text/xsl& href=&configuration.xsl&?& &configuration&&property& &name&javax.jdo.option.ConnectionURL&/name& &value&jdbc:postgresql://pg_server_ip:pg_server_port/metastore_db?&/value& &description&JDBC connect string for a JDBC metastore&/description& &/property&&property& &name&javax.jdo.option.ConnectionDriverName&/name& &value&org.postgresql.Driver&/value& &description&Driver class name for a JDBC metastore&/description& &/property&&property& &name&javax.jdo.option.ConnectionUserName&/name& &value&hive_user&/value& &description&username to use against metastore database&/description& &/property&&property& &name&javax.jdo.option.ConnectionPassword&/name& &value&hive_user_pass&/value& &description&password to use against metastore database&/description& &/property&&/configuration&步骤 4：初始化元数据表元数据库 metastore 中默认没有表，当 HIVE 第一次使用某个表的时候，如果发现该表 不存在就会自动创建。对 derby 和 mysql，这个过程没有问题，因此 derby 和 mysql 作为元 数据库不需要这一步。PostgreSQL 在初始化的时候，会遇到一些问题，导致 PG 数据库死锁。例如执行以下 HIVE 语句： &Create table kv (key,int,value string) partitioned by (ds string); OK &Alter table kv add partition (ds = ';); 执行这一句的时候，HIVE 会一直停在这。查看 PG 数据库，发现有两个连接在进行事务操作，其中一个是： &IDLE& in transaction 此时处于事务中空闲，另外一个是： ALTER TABLE &PARTITIONS& ADD CONSTRAINT &PARTITIONS_FK1& FOREIGN KEY (&SD_ID&) REFERENCES &SDS& (&SD_ID&) INITIALLY DEFERRED 处于等待状态。进一步查看日志，发现大致的过程是这样的：HIVE 发起 Alter table kv add partition (ds = ';)语句，此时 DataNucleus 接口发起 第一个 isolation 为 SERIALIZABLE 的事务，锁定了 TBLS 等元数据表。在这个的事务进 行过程中，DataNucleu 发现 PARTITIONS 等表没有，则要自动创建。于是又发起了另外一个 isolation 为 SERIALIZABLE 的事务，第一个事务变为&IDLE& in transaction。第二个事务 创建了 PARTITIONS 的表后，还要给它增加约束条件，这时，它需要获得它引用的表 SDS 的排他锁，但这个锁已经被第一个事务拿到了，因此需要等待第一个事务结束。而第一个事 务也在等待第二个事务结束。这样就造成了死锁。类似的情况出现在： &create test(key int); OK & 当 drop table 时会去 drop 它的 index，而此时没有 index 元数据表，它去键，然后产生 死锁。有三种方法可以解决这个死锁问题：第一种方法：使用 PG 的 pg_terminate_backend()将第一个事务结束掉， 这样可以保证第二个事务完成 下去，将元数据表键成功。第二种方法：使 HIVE 将创建元数据表的过程和向元数据表中添加数据的过程分离： &Create table kv (key,int,value string) partitioned by (ds string); OK & OK &Alter table kv add partition (ds = ';); OK 执行以上语句时就不会发生死锁， 因为在执行 show partitions kv 语句时， 它是只读语句， 不会加锁。当这个语句发现 PARTITIONS 等表不在时，创建这些表不会发生死锁。 同样对于 index 表，使用 &S 可以将 IDXS 表建好。第三种方法：使用 DataNucleu 提供的 SchemaTool， HIVE 的 metastore/src/model/package.jdo 文件作 将 为输入，这个工具可以自动创建元数据中的表。具体的使用方法见： http://www.datanucleus.org/products/accessplatform_2_0/rdbms/schematool.htm l小结本文给出了使用 PostgreSQL 作为 HIVE 元数据 DB 的配置方法，以及遇到的死锁问题 的解决办法，希望对使用 HIVE 和 PostgreSQL 的朋友有帮助。四、 Hive 源码解析―之―Hive 的入口Hive 源码解析―之―hive 的入口： 初衷：hi，大家好，我叫红门，在 hive 方面是个菜鸟，现在读 hive 源码希望能够更了解底 层，尤其是 hive 与 Hadoop 切换这块。但在读 hive 源码时发现比 Hadoop 源码难读一些， 虽然 Hadoop 源码量比较大，但是整体很规范，命名规范，关键地方注释的比较明确。 去年在读和修改 Hadoop 源码时都感觉比较清晰，可读性比较好一些，往往可以望文生义， 可能也有自己对 hive 不熟的原因在里面吧！想必别人应该也有人在关注 hive 底层，所以决定拿出来与大家分享，共同学习，如有理解 不到位的地方，欢迎拍砖，更欢迎交流。 一直在思索应该从哪里写， 不能一大堆代码粘上来， 一通狂砍， 大家会不知所云， 有点装大。 后来给自己定了个原则： 1。hive 执行过程为主线，尽量把关键的一些部分提出来，每次定一个主题。 2．怎么描述才能让别人更容易理解，更容易理清思路，尽量图形化描述。（我用的是 mindManager 画的图，不知道这种图形化的是不是可以让你看的更舒服。） 废话说得差不多了，现在开始！！ 我们先从 hive 入口聊起，一路按着 hive 的执行过程主线走下来， 这次的主题就叫做： hive 的入口！！ (该图借用网上的，不知出处)：CliDriver 可以说是 hive 的入口，对应上图中的 UI 部分。大家看它的结构就可以明白了， main（）函数！对！你猜的没错就是从 main（）开始。 下图是类结构，总共有五个关键的函数。这个类可以说是用户和 hive 交互的平台，你可以把它认为是 hive 客户端。总共有 4 个 key函数： 下图是这个 CliDriver 类在整个 Hive 执行过程中的作用的地位。如图，hive 执行流程_按正常步骤走： 1．―CliDriver.classz 中 main（）开始，初始化 Hive 环境变量，获取客户端提供的 string 或者 file。 2 ―将其代码送入 processLine（cmd），这步主要是读入 cmd：?;‘之前的所有字符串都读 入(不做任何检查)，之后的会忽略。读完后，传入 processCmd()处理 3 ―调用 processCmd（cmd），分情况处理 //C 读入 cmd，并分情况处理，总共分为以下五种情况，根据命令的开头字符串来确定用什 么方法处理。 // 1.set.. 设置 operator 参数，hive 环境参数 // 2.quit or exit ― 退出 Hive 环境 // 3.! 开头 // 4.dfs 开头交给 FsShell 处理 // 5.hivesql 正常 hivesql 执行语句，我们最关心的是这里。语句交给了、、Hive 真正的核 心引擎? Driver。返回 ret = Driver.run(cmd);4．―不同情况不同处理方法。我们关心的第五种情况：正常的 HiveSQL 如何处理？其实 是进入 driver.class 里面 run()， //读入 hivesql ,词法分析，语法分析，直到执行结束 //1.ParseDriver 返回词法树 CommonTree //2.BaseSemanticAnalyzer sem.analyze(tree, ctx);//语义解释，生成执行计划 5．―。。。etc 今天的主题是 hive 的入口，我们只聊前三步。 现在我们细化主要函数，看 hive 实际是怎么处理的。（如果你只想了解 hive 工作流程或原 理， 不想拘泥于细节， 可以跳过下面的细节， 如果你想修改源码， 做优化， 可以继续往下看）下面是 hive 入口涉及的一些关键类和关键函数。 ――――――――――-类 CliDriver ― 由于这个类，可以说贯彻 Hive 的整个流程架构，所以我聊的比较细。 ――――――――――――――――main()public static void main(String[] args) throws IOException { OptionsProcessor oproc = new OptionsProcessor(); if(! oproc.process_stage1(args)) { System.exit(1); } // NOTE: It is critical to do this here so that log4j is reinitialized before // any of the other core hive classes are loadedSessionState.initHiveLog4j(); //建立客户端 sesssion CliSessionState ss = new CliSessionState (new HiveConf(SessionState.class)); ss.in = System.//标准输入 try { ss.out = new PrintStream(System.out, true, &UTF-8&);//?? ss.err = new PrintStream(System.err, true, &UTF-8&);//?? } catch (UnsupportedEncodingException e) { System.exit(3); }SessionState.start(ss);// -- start session 通过复制当前 CliSessionState 新建立 SessionStateif(! oproc.process_stage2(ss)) { System.exit(2); } // set all properties specified via command line HiveConf conf = ss.getConf();//设置所有配置属性 for(Map.Entry item: ss.cmdProperties.entrySet()) { conf.set((String) item.getKey(), (String) item.getValue()); } sp = new SetProcessor();//?? what is proccessor qp = new Driver(); // 正常 hiveSql 的处理引擎 dfs = new FsShell(ss.getConf());//dfs 接口，用于 dfs 命令处理if(ss.execString != null) {// 输入的是命令行，按命令执行System.exit(processLine(ss.execString)); } try { if(ss.fileName != null) {// 输入的是文件名，读文件执行 System.exit(processReader(new BufferedReader(new FileReader(ss.fileName)))); } } catch (FileNotFoundException e) {//没有找到该文件 System.err.println(&Could not open input file for reading. (&+e.getMessage()+&)&); System.exit(3); } Character mask = String trigger = ConsoleReader reader = new ConsoleReader();//hive Console 控制台命令读取器 reader.setBellEnabled(false); //reader.setDebug(new PrintWriter(new FileWriter(&writer.debug&, true))); List completors = new LinkedList(); completors.add(new SimpleCompletor(new String[] { &set&, &from&, &create&, &load&, &describe&, &quit&, &exit& })); reader.addCompletor(new ArgumentCompletor(completors)); S PrintWriter out = new PrintWriter(System.out);final String HISTORYFILE = &.hivehistory&;//建立历史文件， 记录所有的命令行 String historyFile = System.getProperty(&user.home&) + File.separator in et = 0 + HISTORYFILE; reader.setHistory(new History(new File(historyFile)));―――――――――― processLine(Cmd) // 读入 cmd：?;‘之前的所有字符串都读入(不做任何检查)，之后的都会忽略。读完后，传入 processCmd 处理.public static int processLine(String line) { int ret = 0; for(String oneCmd: line.split(&;&)) { oneCmd = oneCmd.trim(); if(oneCmd.equals(&&))ret = processCmd(oneCmd);//--执行命令 if(ret != 0) { // ignore anything after the first faile } } return 0; }―――――――――― processCmd（） //C 读入 cmd，并分情况处理，总共分为以下五种情况，根据命令的开头字符串来确定用什 么方法处理。 // 1.set.. 设置 operator 参数，hive 环境参数 // 2.quit or exit ― 退出 Hive 环境 // 3.! 开头// 4.dfs 开头交给 FsShell 处理 // 5.hivesql 正常 hivesql 执行语句，我们最关心的是这里。语句交给了、、Hive 真正的核 心引public static int processCmd(String cmd) { String[] tokens = cmd.split(&\\s+&); String cmd_1 = cmd.substring(tokens[0].length()); int ret = 0; if(tokens[0].equals(&set&)) { //1 ret = sp.run(cmd_1);// 调用这句就可以更改 hadoop 配置 } else if (cmd.equals(&quit&) || cmd.equals(&exit&)) {//2 //退出 Hive 环境 System.exit(0); } else if (cmd.startsWith(&!&)) {//3 ：！开头的命令 SessionState ss = SessionState.get(); String shell_cmd = cmd.substring(1); if (shell_cmd.endsWith(&;&)) { shell_cmd = shell_cmd.substring(0, shell_cmd.length()-1); }//--除掉';'?? //shell_cmd = &/bin/bash -c \'& + shell_cmd + &\'&; try { Process executor = Runtime.getRuntime().exec(shell_cmd);//!!??这句得好好跟踪 StreamPrinter outPrinter = new StreamPrinter(executor.getInputStream(), null, ss.out); StreamPrinter errPrinter = new StreamPrinter(executor.getErrorStream(), null, ss.err); outPrinter.start();errPrinter.start(); int exitVal = executor.waitFor();//?? look executor if (exitVal != 0) { ss.err.write((new String(&Command failed with exit code = & + exitVal)).getBytes()); } } catch (Exception e) { e.printStackTrace(); } } else if (cmd.startsWith(&dfs&)) {//4 &dfs& 开头解析方法 -cmd. // Hadoop DFS 操作接口处理！ SessionState ss = SessionState.get(); if(dfs == null) dfs = new FsShell(ss.getConf()); String hadoopCmd = cmd.replaceFirst(&dfs\\s+&, &&); hadoopCmd = hadoopCmd.trim(); if (hadoopCmd.endsWith(&;&)) { hadoopCmd = hadoopCmd.substring(0, hadoopCmd.length()-1); } String[] args = hadoopCmd.split(&\\s+&);// try { PrintStream oldOut = System. System.setOut(ss.out); int val = dfs.run(args);//?? System.setOut(oldOut); if (val != 0) { ss.err.write((new String(&Command failed with exit code = & + val)).getBytes()); } } catch (Exception e) {ss.err.println(&Exception raised from DFSShell.run & + e.getLocalizedMessage()); } } else {//5 hivesql 正常运行，重点在这里 ret = qp.run(cmd);//正常执行 hive 命令,如： select .. ; addfile ..; Vector res = new Vector(); while (qp.getResults(res)) {//获得执行结果 result for (String r:res) { SessionState ss = SessionState.get(); PrintStream out = ss. out.println(r); } res.clear(); } int cret = qp.close(); if (ret == 0) { ret = } } }―――――――C类 CliSessionState CliSessionState 除了做了个初始化，基本都是上继承了 SessionState 的实现方法，可能是 作者为了低耦合。 public class CliSessionState extends SessionState所以我们直接看 SessionState。 SessionState 可以说你是你自己当前的 Hive 环境，建立、初始化你 Hive 的 session，一方 面它来自 conf 的初始化设置， 一方面来自你手动 set。 可以通过命令行形式， 也可以通过 file， 这都取决于你的选择。 它会连接 Hive 元数据数据库，得到现有的元数据信息。 此类主要关键功能： 1 主要是生成 session， 并赋予一个唯一 id(设置规则： 用户名_年月日分秒即 user_id + D_‖+ yyyymmddHHmm)的 session， 生成 session 有两种方式：1.直接新建 session ，2. 通过拷贝方式复制一个 session。 第一种我们最常用，但第二种很有用，我们可以确保我们两个环境是完全一致的，而且避免 琐碎设置工作。 2 给每个 cmd 给予一个 queryID，可以通过 queryID 得到命令行，也可以反过来得到 id 3 每个 sessionState 都会有一个 logHelper，用于日志记录 其中 clude ： hiveconf , 连接 db 元数据数据库下图是 SessionState 的类结构：关键函数： String makeSessionId() ――― //生成 sessionID ： user_id+‖_‖ + yyyyMMDDhhmm setCmd(String cmdString)―― //给命令 cmd 设置 query Id protected final static HiveConf.ConfVars [] metaVars ―-//获取元数据系统，路径等 public String getCmd() ―― // C通过 queryID 获取命令代码 cmd ――――――――――C类 CommandProcessor CommandProcessor 类的很简单，是个接口类。 public interface CommandProcessor { public int run(String command); } 你会奇怪为什么先聊这个接口类，因为有三个类实现了这个接口（如下图），其中 setProcessor, MetadataProcessor 是我们 Hive 入口的关键类。―――C类 MetadataProcessor Hive 部分元信息提取与处理 // run()中得到表的元信息，如果出错返回 1，如：找不到表名等情况public int run(String command) { SessionState ss = SessionState.get(); String table_name = command.trim(); if(table_name.equals(&&)) { return 0; } try { MetaStoreClient msc = new MetaStoreClient(ss.getConf());if(!msc.tableExists(table_name)) {//表不存在 ss.err.println(&table does not exist: & + table_name); return 1; } else { List fields = msc.get_fields(table_name);//获得表信息for(FieldSchema f: fields) { ss.out.println(f.getName() + &: & + f.getType()); } } } catch (MetaException err) { ss.err.println(&Got meta exception: & + err.getMessage()); return 1;} catch (Exception err) { ss.err.println(&Got exception: & + err.getMessage()); return 1; } return 0; }――――――- 类 SetProcessor 主要是设置 Hive 环境，总共分为两大类： 1. set session 为安全模式， 如：set silent = 2.set 该 session 的 conf 配置， 即调用 hadoop 时的配置参数， 以及改变执行时的具体实现。 如：set press.output=‘false‘; // 我们可以调用这里 run(String command)更改 hadoop 配置，hive 执行参数等，public int run(String command) { SessionState ss = SessionState.get();//建一个 SessionState 对象 String nwcmd = command.trim();//去空格 if(nwcmd.equals(&&)) { dumpOptions(ss.getConf().getChangedProperties()); return 0; } if(nwcmd.equals(&-v&)) { dumpOptions(ss.getConf().getAllProperties()); return 0; } String[] part = new String [2]; int eqIndex = nwcmd.indexOf('='); if(eqIndex == -1) { // no equality sign - print the property out dumpOption(ss.getConf().getAllProperties(), nwcmd); return (0);} else if (eqIndex == nwcmd.length()-1) { part[0] = nwcmd.substring(0, nwcmd.length()-1); part[1] = &&; } else { part[0] = nwcmd.substring(0, eqIndex);// 中间=号隔开的 set cmd part[1] = nwcmd.substring(eqIndex+1); } try {// if (part[0].equals(&silent&)) {// 设置 silent 模式 boolean val = getBoolean(part[1]);// ss.setIsSilent(val);// } else { ss.getConf().set(part[0], part[1]);// 设置 key - value （如：.gmmt = ture）修改该 session 的 conf 里配置 }Hive 的入口先到这里，以后会陆续更新，欢迎交流。希望能这个 Hive 源码分析系列能够在 你探索 Hive 的路上，节省您的时间。谢谢~五、 Hive 随谈（二）C Hive 结构Hive 体系结构Hive 的结构如图所示，主要分为以下几个部分：? ? ? ?用户接口，包括 CLI，Client，WUI。 元数据存储，通常是存储在关系数据库如 mysql, derby 中。 解释器、编译器、优化器、执行器。 Hadoop：用 HDFS 进行存储，利用 MapReduce 进行计算。1. 用户接口主要有三个：CLI，Client 和 WUI。其中最常用的是 CLI，Cli 启动的时 候，会同时启动一个 Hive 副本。Client 是 Hive 的客户端，用户连接至 Hive Server。在启动 Client 模式的时候，需要指出 Hive Server 所在节点，并且在该 节点启动 Hive Server。 WUI 是通过浏览器访问 Hive。 2. Hive 将元数据存储在数据库中， mysql、 如 derby。 Hive 中的元数据包括表的名字， 表的列和分区及其属性，表的属性（是否为外部表等） ，表的数据所在目录等。 3. 解释器、编译器、优化器完成 HQL 查询语句从词法分析、语法分析、编译、优化 以及查询计划的生成。 生成的查询计划存储在 HDFS 中， 并在随后有 MapReduce 调用执行。 4. Hive 的数据存储在 HDFS 中，大部分的查询由 MapReduce 完成（包含 * 的查 询，比如 select * from tbl 不会生成 MapRedcue 任务） 。Hive 元数据存储Hive 将元数据存储在 RDBMS 中，有三种模式可以连接到数据库：?Single User Mode： 此模式连接到一个 In-memory 的数据库 Derby， 一般用于 Unit Test。?Multi User Mode：通过网络连接到一个数据库中，是最经常使用到的模式。?Remote Server Mode：用于非 Java 客户端访问元数据库，在服务器端启动一个 MetaStoreServer，客户端利用 Thrift 协议通过 MetaStoreServer 访问元数据库。Hive 的数据存储首先，Hive 没有专门的数据存储格式，也没有为数据建立索引，用户可以非常自由的组织 Hive 中的表， 只需要在创建表的时候告诉 Hive 数据中的列分隔符和行分隔符， Hive 就可 以解析数据。 其次， Hive 中所有的数据都存储在 HDFS 中， Hive 中包含以下数据模型： Table， External Table，Partition，Bucket。 1. Hive 中的 Table 和数据库中的 Table 在概念上是类似的，每一个 Table 在 Hive 中都有一个相应的目录存储数据。例如，一个表 pvs，它在 HDFS 中的路径为： /wh/pvs，其中，wh 是在 hive-site.xml 中由 ${hive.metastore.warehouse.dir} 指 定的数据仓库的目录，所有的 Table 数据（不包括 External Table）都保存在这个 目录中。 2. Partition 对应于数据库中的 Partition 列的密集索引， 但是 Hive 中 Partition 的组 织方式和数据库中的很不相同。在 Hive 中，表中的一个 Partition 对应于表下的 一个目录， 所有的 Partition 的数据都存储在对应的目录中。 例如： pvs 表中包含 ds 和 city 两个 Partition， 则对应于 ds = , ctry = US 的 HDFS 子目录为： /wh/pvs/ds=/ctry=US；对应于 ds = , ctry = CA 的 HDFS 子 目录为；/wh/pvs/ds=/ctry=CA3. Buckets 对指定列计算 hash，根据 hash 值切分数据，目的是为了并行，每一个 Bucket 对应一个文件。将 user 列分散至 32 个 bucket，首先对 user 列的值计 算 hash，对应 hash 值为 0 的 HDFS 目录为： /wh/pvs/ds=/ctry=US/part-00000；hash 值为 20 的 HDFS 目录为： /wh/pvs/ds=/ctry=US/part-00020 4. External Table 指向已经在 HDFS 中存在的数据， 可以创建 Partition。 它和 Table 在元数据的组织上是相同的，而实际数据的存储则有较大的差异。?Table 的创建过程和数据加载过程（这两个过程可以在同一个语句中完成） ，在加载 数据的过程中，实际数据会被移动到数据仓库目录中；之后对数据对访问将会直接 在数据仓库目录中完成。删除表时，表中的数据和元数据将会被同时删除。?External Table 只有一个过程，加载数据和创建表同时完成（CREATE EXTERNAL TABLE ……LOCATION） ，实际数据是存储在 LOCATION 后面指定的 HDFS 路 径中，并不会移动到数据仓库目录中。当删除一个 External Table 时，仅删除? ?六、 Hive 随谈（三）C Hive 和数据库的异同摘要：由于 Hive 采用了 SQL 的查询语言 HQL，因此很容易将 Hive 理解为数据库。其 实 从结构上来看，Hive 和数据库除了拥有类似的查询语言，再无类似之处。本文将 从多个方面来阐述 Hive 和数据库的差异。数据库可以用在 Online 的应用中，但是 Hive 是为数据仓库而设计的，清楚这一点，有助于从应用角度理解 Hive 的特性。Hive 和 数 据 库 的 HQL 比较 查询语言SQLHDFSRaw Device 或者 Local FS数据存储位置用户定义系统决定数据格式支持 不支持数据更新无 有索引MapRedcue Executor执行高 低执行延迟高 低可扩展性大 小数据规模1. 查询语言。由于 SQL 被广泛的应用在数据仓库中，因此，专门针对 Hive 的特性 设计了类 SQL 的查询语言 HQL。熟悉 SQL 开发的开发者可以很方便的使用 Hive 进行开发。 2. 数据存储位置。Hive 是建立在 Hadoop 之上的，所有 Hive 的数据都是存储在 HDFS 中的。而数据库则可以将数据保存在块设备或者本地文件系统中。 3. 数据格式。Hive 中没有定义专门的数据格式，数据格式可以由用户指定，用户定义 数据格式需要指定三个属性： 列分隔符 （通常为空格、 ‖\x001″） 行分隔符 ‖\t‖、 、 （‖\n‖） 以及读取文件数据的方法 （Hive 中默认有三个文件格式 TextFile， SequenceFile 以 及 RCFile） 。由于在加载数据的过程中，不需要从用户数据格式到 Hive 定义的数 据格式的转换，因此，Hive 在加载的过程中不会对数据本身进行任何修改，而只是 将数据内容复制或者移动到相应的 HDFS 目录中。而在数据库中，不同的数据库 有不同的存储引擎，定义了自己的数据格式。所有数据都会按照一定的组织存储， 因此，数据库加载数据的过程会比较耗时。 4. 数据更新。由于 Hive 是针对数据仓库应用设计的，而数据仓库的内容是读多写少 的。因此，Hive 中不支持对数据的改写和添加，所有的数据都是在加载的时候中确 定好的。而数据库中的数据通常是需要经常进行修改的，因此可以使用 INSERTINTO ...VALUES 添加数据，使用 UPDATE ... SET 修改数据。5. 索引。之前已经说过，Hive 在加载数据的过程中不会对数据进行任何处理，甚至不 会对数据进行扫描，因此也没有对数据中的某些 Key 建立索引。Hive 要访问数据 中满足条件的特定值时，需要暴力扫描整个数据，因此访问延迟较高。由于 MapReduce 的引入， Hive 可以并行访问数据，因此即使没有索引，对于大数据 量的访问，Hive 仍然可以体现出优势。数据库中，通常会针对一个或者几个列建立 索引，因此对于少量的特定条件的数据的访问，数据库可以有很高的效率，较低的 延迟。由于数据的访问延迟较高，决定了 Hive 不适合在线数据查询。 6. 执行。Hive 中大多数查询的执行是通过 Hadoop 提供的 MapReduce 来实现的 （类似 select * from tbl 的查询不需要 MapReduce） 。而数据库通常有自己的执行 引擎。 7. 执行延迟。之前提到，Hive 在查询数据的时候，由于没有索引，需要扫描整个表， 因此延迟较高。另外一个导致 Hive 执行延迟高的因素是 MapReduce 框架。由于 MapReduce 本身具有较高的延迟，因此在利用 MapReduce 执行 Hive 查询时， 也会有较高的延迟。相对的，数据库的执行延迟较低。当然，这个低是有条件的， 即数据规模较小，当数据规模大到超过数据库的处理能力的时候，Hive 的并行计算 显然能体现出优势。8. 可扩展性。由于 Hive 是建立在 Hadoop 之上的，因此 Hive 的可扩展性是和 Hadoop 的可扩展性是一致的 （世界上最大的 Hadoop 集群在 Yahoo!， 2009 年的 规模在 4000 台节点左右） 。而数据库由于 ACID 语义的严格限制，扩展行非常有 限。目前最先进的并行数据库 Oracle 在理论上的扩展能力也只有 100 台左右。 9. 数据规模。由于 Hive 建立在集群上并可以利用 MapReduce 进行并行计算，因此 可以支持很大规模的数据；对应的，数据库可以支持的数据规模较小。七、 Hive 随谈（四）C Hive QLHive 的官方文档中对查询语言有了很详细的描述，请参考： http://wiki.apache.org/hadoop/Hive/LanguageManual ，本文的内容大部分翻译自该页面， 期间加入了一些在使用过程中需要注意到的事项。Create TableCREATE [EXTERNAL] TABLE [IF NOT EXISTS] table_name [(col_name data_type [COMMENT col_comment], ...)] [COMMENT table_comment] [PARTITIONED BY (col_name data_type [COMMENT col_comment], ...)] [CLUSTERED BY (col_name, col_name, ...) [SORTED BY (col_name [ASC|DESC], ...)] INTO num_buckets BUCKETS] [ROW FORMAT row_format] [STORED AS file_format] [LOCATION hdfs_path]CREATE TABLE 创建一个指定名字的表。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。 EXTERNAL 关键字可以让用户创建一个外部表， 在建表的同时指定一个指向实际数据的路 径（LOCATION），Hive 创建内部表时，会将数据移动到数据仓库指向的路径；若创建外部表，仅记录数据所在的路径，不对数据的位置做任何改变。在删除表的时候，内部表的元 数据和数据会被一起删除，而外部表只删除元数据，不删除数据。 LIKE 允许用户复制现有的表结构，但是不复制数据。 用户在建表的时候可以自定义 SerDe 或者使用自带的 SerDe。如果没有指定 ROW FORMAT 或者 ROW FORMAT DELIMITED，将会使用自带的 SerDe。在建表的时候， 用户还需要为表指定列，用户在指定表的列的同时也会指定自定义的 SerDe，Hive 通过 SerDe 确定表的具体的列的数据。 如果文件数据是纯文本，可以使用 STORED AS TEXTFILE。如果数据需要压缩，使用 STORED AS SEQUENCE 。 有分区的表可以在创建的时候使用 PARTITIONED BY 语句。一个表可以拥有一个或者多 个分区，每一个分区单独存在一个目录下。而且，表和分区都可以对某个列进行 CLUSTERED BY 操作，将若干个列放入一个桶（bucket）中。也可以利用 SORT BY 对 数据进行排序。这样可以为特定应用提高性能。 表名和列名不区分大小写，SerDe 和属性名区分大小写。表和列的注释是字符串。Drop Table删除一个内部表的同时会同时删除表的元数据和数据。 删除一个外部表， 只删除元数据而保 留数据。Alter TableAlter table 语句允许用户改变现有表的结构。用户可以增加列/分区，改变 serde，增加表和 serde 熟悉，表本身重命名。 Add PartitionsALTER TABLE table_name ADD partition_spec [ LOCATION 'location1' ] partition_spec [ LOCATION 'location2' ] ...partition_spec: : PARTITION (partition_col = partition_col_value, partition_col = partiton_col_value, ...)用户可以用 ALTER TABLE ADD PARTITION 来向一个表中增加分区。当分区名是字符串 时加引号。ALTER TABLE page_view ADD PARTITION (dt='', country='us') location '/path/to/us/part; PARTITION (dt='', country='us') location '/path/to/us/part;;DROP PARTITIONALTER TABLE table_name DROP partition_spec, partition_spec,...用户可以用 ALTER TABLE DROP PARTITION 来删除分区。分区的元数据和数据将被一 并删除。ALTER TABLE page_view DROP PARTITION (dt='', country='us');RENAME TABLEALTER TABLE table_name RENAME TO new_table_name这个命令可以让用户为表更名。数据所在的位置和分区名并不改变。换而言之，老的表名并 未D释放‖，对老表的更改会改变新表的数据。 Change Column Name/Type/Position/CommentALTER TABLE table_name CHANGE [COLUMN] col_old_name col_new_name column_type [COMMENT col_comment] [FIRST|AFTER column_name]这个命令可以允许用户修改一个列的名称、数据类型、注释或者位置。 比如：CREATE TABLE test_change (a int, b int, c int); ALTER TABLE test_change CHANGE a a1 INT;将 a 列的名字改为 a1. ALTER TABLE test_change CHANGE a a1 STRING AFTER将 a 列的名字改为 a1， 列的数据类型改为 string， a 并将它放置在列 b 之后。 新的表结构为： b int, a1 string, c int.ALTER TABLE test_change CHANGE b b1 INT FIRST;会将 b 列的名字修改为 b1, 并将它放在第一列。新表的结构为： b1 int, a string, c int. 注意：对列的改变只会修改 Hive 的元数据，而不会改变实际数据。用户应该确定保证元数 据定义和实际数据结构的一致性。 Add/Replace ColumnsALTER TABLE table_name ADD|REPLACE COLUMNS (col_name data_type [COMMENT col_comment], ...)ADD COLUMNS 允许用户在当前列的末尾增加新的列，但是在分区列之前。 REPLACE COLUMNS 删除以后的列，加入新的列。只有在使用 native 的 SerDE （DynamicSerDe or MetadataTypeColumnsetSerDe）的时候才可以这么做。 Alter Table PropertiesALTER TABLE table_name SET TBLPROPERTIES table_properties table_properties: : (property_name = property_value, property_name = property_value, ... )用户可以用这个命令向表中增加 metadata，目前 last_modified_user，last_modified_time 属性都是由 Hive 自动管理的。用户可以向列表中增加自己的属性。可以使用 DESCRIBE EXTENDED TABLE 来获得这些信息。Add Serde PropertiesALTER TABLE table_name SET SERDE serde_class_name [WITH SERDEPROPERTIES serde_properties] ALTER TABLE table_name SET SERDEPROPERTIES serde_properties serde_properties: : (property_name = property_value, property_name = property_value, ... )这个命令允许用户向 SerDe 对象增加用户定义的元数据。Hive 为了序列化和反序列化数 据， 将会初始化 SerDe 属性， 并将属性传给表的 SerDe。 如此， 用户可以为自定义的 SerDe 存储属性。 Alter Table File Format and OrganizationALTER TABLE table_name SET FILEFORMAT file_format ALTER TABLE table_name CLUSTERED BY (col_name, col_name, ...) [SORTED BY (col_name, ...)] INTO num_buckets BUCKETS这个命令修改了表的物理存储属性。Loading files into table当数据被加载至表中时， 不会对数据进行任何转换。 Load 操作只是将数据复制/移动至 Hive 表对应的位置。 Syntax:LOAD DATA [LOCAL] INPATH 'filepath' [OVERWRITE] INTO TABLE tablename [PARTITION (partcol1=val1, partcol2=val2 ...)]Synopsis: Load 操作只是单纯的复制/移动操作，将数据文件移动到 Hive 表对应的位置。?filepath 可以是：o o o相对路径，例如：project/data1 绝对路径，例如： /user/hive/project/data1 包含模式的完整 URI， 例如： hdfs://namenode:9000/user/hive/project/data1?加载的目标可以是一个表或者分区。如果表包含分区，必须指定每一个分区的分区 名。?filepath 可以引用一个文件 （这种情况下， Hive 会将文件移动到表所对应的目录中） 或者是一个目录（在这种情况下，Hive 会将目录中的所有文件移动至表所对应的目 录中） 。?如果指定了 LOCAL，那么：oload 命令会去查找本地文件系统中的 filepath。 如果发现是相对路径， 则路 径会被解释为相对于当前用户的当前路径。 用户也可以为本地文件指定一个 完整的 URI，比如：file:///user/hive/project/data1.oload 命令会将 filepath 中的文件复制到目标文件系统中。目标文件系统由 表的位置属性决定。被复制的数据文件移动到表的数据对应的位置。?如果没有指定 LOCAL 关键字，如果 filepath 指向的是一个完整的 URI，hive 会 直接使用这个 URI。否则：o如果没有指定 schema 或者 authority，Hive 会使用在 hadoop 配置文件 中定义的 schema 和 authority，fs.default.name 指定了 Namenode 的 URI。o o如果路径不是绝对的，Hive 相对于 /user/ 进行解释。 Hive 会将 filepath 中指定的文件内容移动到 table （或者 partition）所指 定的路径中。?如果使用了 OVERWRITE 关键字，则目标表（或者分区）中的内容（如果有）会 被删除，然后再将 filepath 指向的文件/目录中的内容添加到表/分区中。?如果目标表（分区）已经有一个文件，并且文件名和 filepath 中的文件名冲突，那 么现有的文件会被新文件所替代。SELECTSyntaxSELECT [ALL | DISTINCT] select_expr, select_expr, ... FROM table_reference [WHERE where_condition] [GROUP BY col_list] [ CLUSTER BY col_list | [DISTRIBUTE BY col_list] [SORT BY col_list] ] [LIMIT number]? ?一个 SELECT 语句可以是一个 union 查询或一个子查询的一部分。 table_reference 是查询的输入，可以是一个普通表、一个视图、一个 join 或一个子 查询?简单查询。例如，下面这一语句从 t1 表中查询所有列的信息。SELECT * FROM t1WHERE Clause where condition 是一个布尔表达式。例如，下面的查询语句只返回销售记录大于 10，且 归属地属于美国的销售代表。Hive 不支持在 WHERE 子句中的 IN，EXIST 或子查询。SELECT * FROM sales WHERE amount & 10 AND region = &US&ALL and DISTINCT Clauses 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。hive& SELECT col1, col2 FROM t1 1 31 3 1 4 2 5 hive& SELECT DISTINCT col1, col2 FROM t1 1 3 1 4 2 5 hive& SELECT DISTINCT col1 FROM t1 1 2基于 Partition 的查询 一般 SELECT 查询会扫描整个表（除非是为了抽样查询）。但是如果一个表使用 PARTITIONED BY 子句建表，查询就可以利用分区剪枝（input pruning）的特性，只扫描 一个表中它关心的那一部分。Hive 当前的实现是，只有分区断言出现在离 FROM 子句最 近的那个 WHERE 子句中，才会启用分区剪枝。例如，如果 page_views 表使用 date 列 分区，以下语句只会读取分区为?‘的数据。SELECT p