最近在用Hive做多维数据分析，总结一些常用HiveQL命令。

1. 建表

以纯文本数据建表：

create table `dmp.dim_con_adx_id_name` (

	`adx_id` string comment 'ADX ID'

	, `adx_name` string comment 'ADX名称'

	, `update_dt` string comment '更新时间（天粒度）'

)

comment 'ADX的ID与名称映射表'

row format delimited

fields terminated by ','

stored as textfile

;

若未指定为外部表（external table），则默认为托管表（managed table）。二者的区别在于load与drop操作：托管表用load data inpath加载数据（路径可为本地目录，也可是HDFS目录），该操作会将该文件放在HDFS目录：/user/hive/warehouse/ 下；而外部表的数据是在location中指定，一般配合partition描述数据的生成信息；drop托管表时会将元数据与/user/hive/warehouse/下的数据一起删掉，而drop外部表时只会删除元数据。将本地文件加载到托管表：

load data local inpath 'adx.csv' overwrite into table dmp.dim_con_adx_id_name;

以orc file数据建外部表表：

create external table `dmp.dwd_evt_ad_user_action_di` (

    `uid` string comment '用户ID'

    , `adx_name` string comment 'ADX名称'

    , `media_name` string comment '媒体名称'

    , `is_exposure` string comment '是否曝光'

    , `is_click` string comment '是否点击'

)

comment '广告用户点击天表'

partitioned by (dt string comment '天分区')

stored as orc

location '/<hdfs path>'

;

2. Partition

增加partition并指定location：

alter table dmp.dwd_evt_ad_user_action_di add if not exists partition (dt='20160520') location '20160520';

重新设置partition的location：

-- must be an absolute path

alter table dmp.dwd_evt_ad_user_action_di partition (dt='20160520') set location '<hdfs path>';

删除partition

alter table dmp.dwd_evt_ad_user_action_di drop if exists partition (dt='20160520') ignore protection;

查看所有的paritition，以及查看某一partition的详细信息：

show partitions dwd_evt_ad_user_action_di;

describe formatted dwd_evt_ad_user_action_di partition (dt='20160520');

3. UDF

Hive的UDF非常丰富，基本能满足大部分的需求。

正则匹配获取相应字符串：

regexp_extract(dvc_model, '(.*)_(.*)', 2) as imei

复杂数据类型map、struct、指定schema的struct、array、union的构造如下：

map(key1, value1, key2, value2, ...)

struct(val1, val2, val3, ...)

named_struct(name1, val1, name2, val2, ...)

array(val1, val2, ...)

create_union(tag, val1, val2, ...)

获取复杂数据类型的某列值：

array: A[n]

map: M[key]

struct: S.x

条件判断case when，比如，在left join中指定默认值：

select uid

	, media

	, case

		when b.tags is NULL then array(named_struct('tag','EMPTY', 'label','EMPTY')) 		else b.tags

	end as tags

from (

	select uid

    from dwd_evt_ad_user_action_di

    where dt = '{biz_dt}'

    	and is_exposure = '1'

) a

left outer join dwb_par_multi_user_tags_dd b

on a.uid = b.uid;

4. UDTF

UDTF主要用来对复杂数据类型进行平铺操作，比如，explode平铺array与map，inline平铺array<struct>；这种内置的UDTF要与lateral view配合使用：

select myCol1, col2 FROM baseTable

lateral view explode(col1) myTable1 AS myCol1;

select uid

	, tag

	, label

from dwb_par_multi_user_tags_dd

lateral view inline(tags) tag_tb;

-- tags: array<struct<tag:string,label:string>>

5. 多维分析

Hive 提供grouping set、rollup、cube关键字进行多维数据分析，可以解决自定义的维度组合、上钻维度（\(n+1\)种）组合、所有的维度组合（\(2^n\)种）的需求。比如：

SELECT a, b, SUM( c )

FROM tab1

GROUP BY a, b GROUPING SETS ( (a, b), a, b, ( ) )

-- equivalent aggregate query with group by

SELECT a, b, SUM( c ) FROM tab1 GROUP BY a, b

UNION

SELECT a, null, SUM( c ) FROM tab1 GROUP BY a, null

UNION

SELECT null, b, SUM( c ) FROM tab1 GROUP BY null, b

UNION

SELECT null, null, SUM( c ) FROM tab1

GROUP BY a, b, c, WITH ROLLUP

-- is equivalent to

GROUP BY a, b, c GROUPING SETS ( (a, b, c), (a, b), (a), ( ))

GROUP BY a, b, c WITH CUBE

-- is equivalent to

GROUP BY a, b, c GROUPING SETS ( (a, b, c), (a, b), (b, c), (a, c), (a), (b), (c), ( ))

此外，Hive还提供了GROUPING__ID函数对每一组合的维度进行编号，以区分该统计属于哪一维度组合，比如：

select adx_name, media_name, grouping__id, count(*) as pv

from dwd_evt_ad_user_action_di

group by adx_name, media_name with rollup;

以指定分隔符保存结果到本地目录：

explain

INSERT OVERWRITE LOCAL DIRECTORY '/home/<path>/<to>'

ROW FORMAT DELIMITED

FIELDS TERMINATED BY '\t'

select media_name, count(distinct uid) as uv

from dwd_evt_ad_user_action_di

where day_time = '2016-05-20'

	and is_exposure = '1'

group by media_name;

巴特西

常用HiveQL总结

1. 建表

2. Partition

3. UDF

4. UDTF

5. 多维分析

最新文章

热门文章