Hive是基于Hadoop生态的一个重要组件，是对数据仓库进行管理和分析数据的工具。她提供了SQL查询方式来分析存储在HDFS分布式文件系统中的数据，可以将结构化的数据文件映射为一张数据库表，并提供完整的SQL查询功能。
这种SQL就是Hive SQL，她可以将SQL语句转换为Map Reduce任务运行，通过特殊的SQL去查询分析需要的内容，使不熟悉map reduce的用户很方便的利用SQL 语言查询，汇总，分析数据。
一、基础命令
1、数据库操作
- show databases; # 查看某个数据库
- use 数据库; # 进入某个数据库
- show tables; # 展示所有表
- desc 表名; # 显示表结构
- show partitions 表名; # 显示表名分区
- show create table_name; # 显示创建表的结构
2、表结构修改
- use xxdb; create table xxx; # 内部表
- create table xxx like xxx; # 创建一个表，结构与其他一样
- use xxdb; create external table xxx; # 外部表
- use xxdb; create external table xxx (l int) partitoned by (d string); # 分区表
- alter table table_name set TBLPROPROTIES ('EXTERNAL'='TRUE'); # 内部表转外部表
- alter table table_name set TBLPROPROTIES ('EXTERNAL'='FALSE');# 外部表转内部表
3、字段类型
- 基本类型： tinyint, smallint, int, bigint, float, decimal, boolean, string
- 复合类型：struct, array, map
二、常用函数
- length() # 返回字符串长度
- trim() # 去除两边空格
- lower(), upper() # 大小写转换
- reverse() # 反转字符串
- cast(expr as type) # 类型转换
- substring(string A, int start, int len) # 字符串截取
- split(string str, string pat) # 按照pat字符串分割str，返回分割后的字符串数组
- coalesce(v1, v2, v3, ...) # 返回列表中第一个非空元素,如果所有值都为空，则返回null
- from_unixtime(unix_timestamp(), 'yyyy-MM-dd HH:mm:ss') # 返回当前时间
- instr(string str, string search_str) # 返回第二个参数在待查找字符串中的位置(找不到返回0)
- concat(string A, string B, string C, ...) # 字符串连接
- concat_ws(string sep, string A, string B, string C, ...) # 自定义分隔符sep的字符串连接
- str_to_map(string A, string item_pat, string dict_pat) # 将字符串转为map
- map_keys(map m) # 提取出map的key, 返回key的array
- datediff(date1, date2) # 日期比较函数，返回相差天数，datediff('${cur_date},d)
- explode(colname) # explode就是将hive一行中复杂的array或者map结构拆分成多行
三、相关概念
1、hive
hive是基于hadoop的一个数据仓库工具，可以将结构化的数据文件映射为一张数据库库表，并提供类SQL查询功能。
2、基本组成
用户接口：CLI，shell命令行;JDBC/ODBC是hive的java实现;webGUI是通过浏览器访问hive;元数据存储：通常是存储在关系数据库如mysql, derby中;hive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)，表的数据所在目录等。
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。生成的查询存储在HDFS中，并随后有mapreduce调用执行。因此，hive与Hadoop的关系可以理解为用户发出SQL查询语句，hive将查询存储在HDFS中，然后由mapreduce调用执行。
3、table
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。
4、partition
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。
5、buckets
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=20090801/ctry=US/part-00000;hash 值为 20 的 HDFS 目录为：/wh/pvs/ds=20090801/ctry=US/part-00020
6、external table
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，仅删除元数据，表中的数据不会真正被删除。
7、全量数据和增量数据
查看分区信息：如果分区的大小随时间增加而增加，则最新的分区为全量数据。如果分区的大小随时间增加而大小上下变化，则每个分区都是增量数据。
四、HQL和SQL的异同
1、HQL和SQL常见不同，
- select distinct 后必须指定字段名
- join 条件仅支持等值关联且不支持or条件
- 子查询不能在select中使用;
- HQL中没有UNION，可使用distinct+ union all 实现 UNION;
- HQL以分号分隔，必须在每个语句结尾写上分号;
- HQL中字符串的比较比较严格，区分大小写及空格，因此在比较时建议upper(trim(a))=upper(trim(b))
- 日期判断，建议使用to_date(),如：to_date(orderdate)=‘2016-07-18’
- 关键字必须在字段名上加``符号，如select `exchange` from xxdb.xxtb;
- 数据库和表/视图之间仅有1个点，如xx_db.xx_tb。
2、HQL不支持update，采用union all + left join (is null)变相实现update。
- 取出增量数据;
- 使用昨日分区的全量数据通过主键左连接增量数据，并且只取增量表中主键为空的数据(即，取未发生变化的全量数据);
- 合并1、2的数据覆盖至最新的分区，即实现了update。
3、HQL不支持delete，采用not exists/left join(is null)的方法变相实现。
- 取出已删除的主键数据(表B);
- 使用上一个分区的全量数据(表A)通过主键左连接A，并且只取A中主键为空的数据，然后直接insert overwrite至新的分区。
对于会SQL的人员，转入Hive SQL还是比较容易的，语法大部分是想通的，少部分函数不太一致。
码字不易，如果您觉得文章写得不错，
请您 1.关注作者~ 您的关注是我写作的最大动力
2.私信我“大数据”
我将与您分享一套最新的大数据学习资源和全套开发工具
