Hive 系列（八）—— Hive 數據查詢詳解

  • 2019 年 10 月 3 日
  • 筆記

一、數據準備

為了演示查詢操作，這裡需要預先創建三張表，並載入測試數據。

數據文件 emp.txt 和 dept.txt 可以從本倉庫的resources 目錄下載。

1.1 員工表

 -- 建表語句   CREATE TABLE emp(       empno INT,     -- 員工表編號       ename STRING,  -- 員工姓名       job STRING,    -- 職位類型       mgr INT,       hiredate TIMESTAMP,  --僱傭日期       sal DECIMAL(7,2),  --工資       comm DECIMAL(7,2),       deptno INT)   --部門編號      ROW FORMAT DELIMITED FIELDS TERMINATED BY "t";      --載入數據  LOAD DATA LOCAL INPATH "/usr/file/emp.txt" OVERWRITE INTO TABLE emp;

1.2 部門表

 -- 建表語句   CREATE TABLE dept(       deptno INT,   --部門編號       dname STRING,  --部門名稱       loc STRING    --部門所在的城市   )   ROW FORMAT DELIMITED FIELDS TERMINATED BY "t";     --載入數據   LOAD DATA LOCAL INPATH "/usr/file/dept.txt" OVERWRITE INTO TABLE dept;

1.3 分區表

這裡需要額外創建一張分區表，主要是為了演示分區查詢：

CREATE EXTERNAL TABLE emp_ptn(        empno INT,        ename STRING,        job STRING,        mgr INT,        hiredate TIMESTAMP,        sal DECIMAL(7,2),        comm DECIMAL(7,2)    )   PARTITIONED BY (deptno INT)   -- 按照部門編號進行分區   ROW FORMAT DELIMITED FIELDS TERMINATED BY "t";      --載入數據  LOAD DATA LOCAL INPATH "/usr/file/emp.txt" OVERWRITE INTO TABLE emp_ptn PARTITION (deptno=20)  LOAD DATA LOCAL INPATH "/usr/file/emp.txt" OVERWRITE INTO TABLE emp_ptn PARTITION (deptno=30)  LOAD DATA LOCAL INPATH "/usr/file/emp.txt" OVERWRITE INTO TABLE emp_ptn PARTITION (deptno=40)  LOAD DATA LOCAL INPATH "/usr/file/emp.txt" OVERWRITE INTO TABLE emp_ptn PARTITION (deptno=50)

二、單表查詢

2.1 SELECT

-- 查詢表中全部數據  SELECT * FROM emp;

2.2 WHERE

-- 查詢 10 號部門中員工編號大於 7782 的員工資訊  SELECT * FROM emp WHERE empno > 7782 AND deptno = 10;

2.3 DISTINCT

Hive 支援使用 DISTINCT 關鍵字去重。

-- 查詢所有工作類型  SELECT DISTINCT job FROM emp;

2.4 分區查詢

分區查詢 (Partition Based Queries)，可以指定某個分區或者分區範圍。

-- 查詢分區表中部門編號在[20,40]之間的員工  SELECT emp_ptn.* FROM emp_ptn  WHERE emp_ptn.deptno >= 20 AND emp_ptn.deptno <= 40;

2.5 LIMIT

-- 查詢薪資最高的 5 名員工  SELECT * FROM emp ORDER BY sal DESC LIMIT 5;

2.6 GROUP BY

Hive 支援使用 GROUP BY 進行分組聚合操作。

set hive.map.aggr=true;    -- 查詢各個部門薪酬綜合  SELECT deptno,SUM(sal) FROM emp GROUP BY deptno;

hive.map.aggr 控制程式如何進行聚合。默認值為 false。如果設置為 true，Hive 會在 map 階段就執行一次聚合。這可以提高聚合效率，但需要消耗更多記憶體。

2.7 ORDER AND SORT

可以使用 ORDER BY 或者 Sort BY 對查詢結果進行排序，排序欄位可以是整型也可以是字元串：如果是整型，則按照大小排序；如果是字元串，則按照字典序排序。ORDER BY 和 SORT BY 的區別如下：

  • 使用 ORDER BY 時會有一個 Reducer 對全部查詢結果進行排序，可以保證數據的全局有序性；
  • 使用 SORT BY 時只會在每個 Reducer 中進行排序，這可以保證每個 Reducer 的輸出數據是有序的，但不能保證全局有序。

由於 ORDER BY 的時間可能很長，如果你設置了嚴格模式 (hive.mapred.mode = strict)，則其後面必須再跟一個 limit 子句。

注 ：hive.mapred.mode 默認值是 nonstrict ，也就是非嚴格模式。

-- 查詢員工工資，結果按照部門升序，按照工資降序排列  SELECT empno, deptno, sal FROM emp ORDER BY deptno ASC, sal DESC;

2.8 HAVING

可以使用 HAVING 對分組數據進行過濾。

-- 查詢工資總和大於 9000 的所有部門  SELECT deptno,SUM(sal) FROM emp GROUP BY deptno HAVING SUM(sal)>9000;

2.9 DISTRIBUTE BY

默認情況下，MapReduce 程式會對 Map 輸出結果的 Key 值進行散列，並均勻分發到所有 Reducer 上。如果想要把具有相同 Key 值的數據分發到同一個 Reducer 進行處理，這就需要使用 DISTRIBUTE BY 字句。

需要注意的是，DISTRIBUTE BY 雖然能保證具有相同 Key 值的數據分發到同一個 Reducer，但是不能保證數據在 Reducer 上是有序的。情況如下：

把以下 5 個數據發送到兩個 Reducer 上進行處理：

k1  k2  k4  k3  k1

Reducer1 得到如下亂序數據：

k1  k2  k1

Reducer2 得到數據如下：

k4  k3

如果想讓 Reducer 上的數據時有序的，可以結合 SORT BY 使用 (示例如下)，或者使用下面我們將要介紹的 CLUSTER BY。

-- 將數據按照部門分發到對應的 Reducer 上處理  SELECT empno, deptno, sal FROM emp DISTRIBUTE BY deptno SORT BY deptno ASC;

2.10 CLUSTER BY

如果 SORT BY 和 DISTRIBUTE BY 指定的是相同欄位，且 SORT BY 排序規則是 ASC，此時可以使用 CLUSTER BY 進行替換，同時 CLUSTER BY 可以保證數據在全局是有序的。

SELECT empno, deptno, sal FROM emp CLUSTER  BY deptno ;

三、多表聯結查詢

Hive 支援內連接，外連接，左外連接，右外連接，笛卡爾連接，這和傳統資料庫中的概念是一致的，可以參見下圖。

需要特彆強調：JOIN 語句的關聯條件必須用 ON 指定，不能用 WHERE 指定，否則就會先做笛卡爾積，再過濾，這會導致你得不到預期的結果 (下面的演示會有說明)。

3.1 INNER JOIN

-- 查詢員工編號為 7369 的員工的詳細資訊  SELECT e.*,d.* FROM  emp e JOIN dept d  ON e.deptno = d.deptno  WHERE empno=7369;    --如果是三表或者更多表連接，語法如下  SELECT a.val, b.val, c.val FROM a JOIN b ON (a.key = b.key1) JOIN c ON (c.key = b.key1)

3.2 LEFT OUTER JOIN

LEFT OUTER JOIN 和 LEFT JOIN 是等價的。

-- 左連接  SELECT e.*,d.*  FROM emp e LEFT OUTER  JOIN  dept d  ON e.deptno = d.deptno;

3.3 RIGHT OUTER JOIN

--右連接  SELECT e.*,d.*  FROM emp e RIGHT OUTER JOIN  dept d  ON e.deptno = d.deptno;

執行右連接後，由於 40 號部門下沒有任何員工，所以此時員工資訊為 NULL。這個查詢可以很好的複述上面提到的——JOIN 語句的關聯條件必須用 ON 指定，不能用 WHERE 指定。你可以把 ON 改成 WHERE，你會發現無論如何都查不出 40 號部門這條數據，因為笛卡爾運算不會有 (NULL, 40) 這種情況。

3.4 FULL OUTER JOIN

SELECT e.*,d.*  FROM emp e FULL OUTER JOIN  dept d  ON e.deptno = d.deptno;

3.5 LEFT SEMI JOIN

LEFT SEMI JOIN （左半連接）是 IN/EXISTS 子查詢的一種更高效的實現。

  • JOIN 子句中右邊的表只能在 ON 子句中設置過濾條件;
  • 查詢結果只包含左邊表的數據，所以只能 SELECT 左表中的列。
-- 查詢在紐約辦公的所有員工資訊  SELECT emp.*  FROM emp LEFT SEMI JOIN dept  ON emp.deptno = dept.deptno AND dept.loc="NEW YORK";    --上面的語句就等價於  SELECT emp.* FROM emp  WHERE emp.deptno IN (SELECT deptno FROM dept WHERE loc="NEW YORK");

3.6 JOIN

笛卡爾積連接，這個連接日常的開發中可能很少遇到，且性能消耗比較大，基於這個原因，如果在嚴格模式下 (hive.mapred.mode = strict)，Hive 會阻止用戶執行此操作。

SELECT * FROM emp JOIN dept;

四、JOIN優化

4.1 STREAMTABLE

在多表進行聯結的時候，如果每個 ON 字句都使用到共同的列（如下面的 b.key），此時 Hive 會進行優化，將多表 JOIN 在同一個 map / reduce 作業上進行。同時假定查詢的最後一個表（如下面的 c 表）是最大的一個表，在對每行記錄進行 JOIN 操作時，它將嘗試將其他的錶快取起來，然後掃描最後那個表進行計算。因此用戶需要保證查詢的表的大小從左到右是依次增加的。

`SELECT a.val, b.val, c.val FROM a JOIN b ON (a.key = b.key) JOIN c ON (c.key = b.key)`

然後，用戶並非需要總是把最大的表放在查詢語句的最後面，Hive 提供了 /*+ STREAMTABLE() */ 標誌，用於標識最大的表，示例如下：

SELECT /*+ STREAMTABLE(d) */  e.*,d.*  FROM emp e JOIN dept d  ON e.deptno = d.deptno  WHERE job='CLERK';

4.2 MAPJOIN

如果所有表中只有一張表是小表，那麼 Hive 把這張小表載入到記憶體中。這時候程式會在 map 階段直接拿另外一個表的數據和記憶體中表數據做匹配，由於在 map 就進行了 JOIN 操作，從而可以省略 reduce 過程，這樣效率可以提升很多。Hive 中提供了 /*+ MAPJOIN() */ 來標記小表，示例如下：

SELECT /*+ MAPJOIN(d) */ e.*,d.*  FROM emp e JOIN dept d  ON e.deptno = d.deptno  WHERE job='CLERK';

五、SELECT的其他用途

查看當前資料庫：

SELECT current_database()

六、本地模式

在上面演示的語句中，大多數都會觸發 MapReduce, 少部分不會觸發，比如 select * from emp limit 5 就不會觸發 MR，此時 Hive 只是簡單的讀取數據文件中的內容，然後格式化後進行輸出。在需要執行 MapReduce 的查詢中，你會發現執行時間可能會很長，這時候你可以選擇開啟本地模式。

--本地模式默認關閉，需要手動開啟此功能  SET hive.exec.mode.local.auto=true;

啟用後，Hive 將分析查詢中每個 map-reduce 作業的大小，如果滿足以下條件，則可以在本地運行它：

  • 作業的總輸入大小低於：hive.exec.mode.local.auto.inputbytes.max（默認為 128MB）；
  • map-tasks 的總數小於：hive.exec.mode.local.auto.tasks.max（默認為 4）；
  • 所需的 reduce 任務總數為 1 或 0。

因為我們測試的數據集很小，所以你再次去執行上面涉及 MR 操作的查詢，你會發現速度會有顯著的提升。

參考資料

  1. LanguageManual Select
  2. LanguageManual Joins
  3. LanguageManual GroupBy

  4. LanguageManual SortBy

    更多大數據系列文章可以參見 GitHub 開源項目： 大數據入門指南

Tags:

VirMach 便宜 VPS