1.??Hive基本操作

1.1 ?DDL操作

1.1.1??? 創建表

建表語法

CREATE [EXTERNAL] TABLE [IF NOT EXISTS] table_name

?? [(col_name data_type[COMMENT col_comment], ...)] +

?? [COMMENT table_comment]

?? [PARTITIONED BY (col_namedata_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]

?

說明：

1、CREATE TABLE 創建一個指定名字的表。如果相同名字的表已經存在，則拋出異常；用戶可以用 IF NOTEXISTS 選項來忽略這個異常。

2、EXTERNAL關鍵字可以讓用戶創建一個外部表，在建表的同時指定一個指向實際數據的路徑（LOCATION），Hive 創建內部表時，會將數據移動到數據倉庫指向的路徑；若創建外部表，僅記錄數據所在的路徑，不對數據的位置做任何改變。在刪除表的時候，內部表的元數據和數據會被一起刪除，而外部表只刪除元數據，不刪除數據。

3、 LIKE 允許用戶復制現有的表結構，但是不復制數據。

4、 ROW FORMAT

DELIMITED [FIELDS TERMINATED BY char] [COLLECTION ITEMSTERMINATED BY char]

??????? [MAP KEYSTERMINATED BY char] [LINES TERMINATED BY char]

?? | SERDEserde_name [WITH SERDEPROPERTIES (property_name=property_value,property_name=property_value, ...)]

用戶在建表的時候可以自定義 SerDe 或者使用自帶的 SerDe。如果沒有指定 ROW FORMAT 或者 ROW FORMAT DELIMITED，將會使用自帶的 SerDe。在建表的時候，用戶還需要為表指定列，用戶在指定表的列的同時也會指定自定義的 SerDe，Hive通過 SerDe 確定表的具體的列的數據。

5、 STORED AS

SEQUENCEFILE|TEXTFILE|RCFILE

如果文件數據是純文本，可以使用 STORED AS TEXTFILE。如果數據需要壓縮，使用 STORED ASSEQUENCEFILE。

?

6、CLUSTERED BY

對于每一個表（table）或者分區，Hive可以進一步組織成桶，也就是說桶是更為細粒度的數據范圍劃分。Hive也是 針對某一列進行桶的組織。Hive采用對列值哈希，然后除以桶的個數求余的方式決定該條記錄存放在哪個桶當中。

把表（或者分區）組織成桶（Bucket）有兩個理由：

（1）獲得更高的查詢處理效率。桶為表加上了額外的結構，Hive 在處理有些查詢時能利用這個結構。具體而言，連接兩個在（包含連接列的）相同列上劃分了桶的表，可以使用 Map 端連接 （Map-side join）高效的實現。比如JOIN操作。對于JOIN操作兩個表有一個相同的列，如果對這兩個表都進行了桶操作。那么將保存相同列值的桶進行JOIN操作就可以，可以大大較少JOIN的數據量。

（2）使取樣（sampling）更高效。在處理大規模數據集時，在開發和修改查詢的階段，如果能在數據集的一小部分數據上試運行查詢，會帶來很多方便。

具體實例

1、? 創建內部表mytable。

?

2、? 創建外部表pageview。

?

3、? 創建分區表invites。

create table student_p(Sno int,Sname string,Sex string,Sage int,Sdept string) partitioned by(part string) row format delimited fields terminated by ','stored as textfile;

?

?

4、? 創建帶桶的表student。

1.1.2?? 修改表

增加/刪除分區

ü? 語法結構

ALTER TABLE table_name ADD [IF NOT EXISTS] partition_spec [ LOCATION'location1' ] partition_spec [ LOCATION 'location2' ] ...

partition_spec:

: PARTITION (partition_col = partition_col_value, partition_col =partiton_col_value, ...)

?

ALTER TABLE table_name DROP partition_spec, partition_spec,...

ü? 具體實例

alter table student_p add partition(part='a') partition(part='b');

?

重命名表

ü? 語法結構

ALTER TABLE table_name RENAME TO new_table_name

ü? 具體實例

增加/更新列

ü? 語法結構

ALTER TABLE table_name ADD|REPLACE COLUMNS (col_name data_type[COMMENT col_comment], ...)

注：ADD是代表新增一字段，字段位置在所有列后面(partition列前)，REPLACE則是表示替換表中所有字段。

ALTER TABLE table_name CHANGE [COLUMN] col_old_name col_new_namecolumn_type [COMMENT col_comment] [FIRST|AFTER column_name]

ü? 具體實例

1.1.3?? 顯示命令

show tables

show databases

show partitions

show functions

desc extended t_name;

desc formatted table_name;

1.2 ?DML操作

1.2.1?? Load

? 語法結構

LOAD DATA [LOCAL] INPATH 'filepath' [OVERWRITE] INTO

TABLE tablename [PARTITION (partcol1=val1, partcol2=val2 ...)]

?

說明：

1、? Load操作只是單純的復制/移動操作，將數據文件移動到 Hive 表對應的位置。

2、? filepath：

相對路徑，例如：project/data1

絕對路徑，例如：/user/hive/project/data1

包含模式的完整 URI，列如：

hdfs://namenode:9000/user/hive/project/data1

3、? LOCAL關鍵字

如果指定了 LOCAL，load 命令會去查找本地文件系統中的 filepath。

如果沒有指定 LOCAL 關鍵字，則根據inpath中的uri[M1]?查找文件

?

4、? OVERWRITE關鍵字

如果使用了 OVERWRITE 關鍵字，則目標表（或者分區）中的內容會被刪除，然后再將 filepath 指向的文件/目錄中的內容添加到表/分區中。

如果目標表（分區）已經有一個文件，并且文件名和 filepath 中的文件名沖突，那么現有的文件會被新文件所替代。

?

? 具體實例

1、 加載相對路徑數據。

?

2、 加載絕對路徑數據。

?

3、 加載包含模式數據。

?

4、 OVERWRITE關鍵字使用。

1.2.2???????Insert

? 將查詢結果插入Hive表

ü? 語法結構

利用查詢語句，將查詢結果插入新的表

INSERT OVERWRITE [INTO] TABLE tablename1 [PARTITION (partcol1=val1,partcol2=val2 ...)] select_statement1 FROM from_statement

?

插入一條數據

INSERT INTO TABLE VALUES(XX,YY,ZZ);

?

Multi Inserts多重插入:

FROM from_statement

INSERT OVERWRITE TABLE tablename1 [PARTITION (partcol1=val1,partcol2=val2 ...)] select_statement1

[INSERT OVERWRITE TABLE tablename2 [PARTITION ...]

select_statement2] ...

?

Dynamic partition inserts動態分區插入:

INSERT OVERWRITE TABLE tablename PARTITION (partcol1[=val1],partcol2[=val2] ...) select_statement FROM from_statement

?

ü? 具體實例

1、基本模式插入。

?

?

2、多插入模式。

?

3、自動分區模式。

?

v?導出表數據

ü? 語法結構

INSERT OVERWRITE [LOCAL] DIRECTORY directory1 SELECT ... FROM ...

?

multiple inserts:

FROM from_statement

INSERT OVERWRITE [LOCAL] DIRECTORY directory1 select_statement1

[INSERT OVERWRITE [LOCAL] DIRECTORY directory2 select_statement2]...

?

ü? 具體實例

1、導出文件到本地。

?

說明：

數據寫入到文件系統時進行文本序列化，且每列用^A來區分，\n為換行符。用more命令查看時不容易看出分割符，可以使用: sed-e 's/\x01/|/g' filename[dht2]?來查看。

?

2、導出數據到HDFS。

1.2.3???????SELECT

? 基本的Select操作

ü? 語法結構

SELECT [ALL | DISTINCT] select_expr, select_expr, ...

FROM table_reference

[WHERE where_condition]

[GROUP BY col_list [HAVING condition]]

[CLUSTERBY col_list

? | [DISTRIBUTE BY col_list] [SORT BY| ORDER BY col_list]

]

[LIMIT number]

?

注：1、order by 會對輸入做全局排序，因此只有一個reducer，會導致當輸入規模較大時，需要較長的計算時間。

2、sort by不是全局排序，其在數據進入reducer前完成排序。因此，如果用sortby進行排序，并且設置mapred.reduce.tasks>1，則sort by只保證每個reducer的輸出有序，不保證全局有序。

3、distribute by(字段)根據指定的字段將數據分到不同的reducer，且分發算法是hash散列。

4、Cluster by(字段) 除了具有Distributeby的功能外，還會對該字段進行排序。

?

因此，如果分桶和sort字段是同一個時，此時，cluster by = distribute by + sort by

?

分桶表的作用：最大的作用是用來提高join操作的效率；

（思考這個問題：

select a.id,a.name,b.addr from a join b ona.id = b.id;

如果a表和b表已經是分桶表，而且分桶的字段是id字段

做這個join操作時，還需要全表做笛卡爾積嗎？）

?

ü? 具體實例

1、獲取年齡大的3個學生。

?

2、查詢學生信息按年齡，降序排序。

?

3、按學生名稱匯總學生年齡。

?

2.3 Hive Join

? 語法結構

join_table:

? table_reference JOINtable_factor [join_condition]

? | table_reference{LEFT|RIGHT|FULL} [OUTER] JOIN table_reference join_condition

? | table_reference LEFT SEMIJOIN table_reference join_condition

Hive 支持等值連接（equality joins）、外連接（outer joins）和（left/right joins）。Hive 不支持非等值的連接，因為非等值連接非常難轉化到 map/reduce 任務。

另外，Hive 支持多于 2 個表的連接。

寫 join 查詢時，需要注意幾個關鍵點：

1. 只支持等值join

例如：

? SELECT a.* FROMa JOIN b ON (a.id = b.id)

? SELECT a.* FROM a JOIN b

??? ON (a.id = b.id AND a.department =b.department)

是正確的，然而:

? SELECT a.* FROM a JOIN b ON (a.id>b.id)

是錯誤的。

?

2. 可以 join 多于 2 個表。

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中多個表的join key 是同一個，則 join 會被轉化為單個map/reduce 任務，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)

被轉化為單個 map/reduce 任務，因為 join 中只使用了 b.key1 作為 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)

而這一 join 被轉化為2 個 map/reduce 任務。因為 b.key1 用于第一次 join 條件，而 b.key2 用于第二次 join。

??

3．join 時，每次 map/reduce 任務的邏輯：

??? reducer 會緩存 join 序列中除了最后一個表的所有表的記錄，再通過最后一個表將結果序列化到文件系統。這一實現有助于在 reduce 端減少內存的使用量。實踐中，應該把最大的那個表寫在最后（否則會因為緩存浪費大量內存）。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)

所有表都使用同一個 join key（使用 1 次 map/reduce 任務計算）。Reduce 端會緩存 a 表和 b 表的記錄，然后每次取得一個 c 表的記錄就計算一次 join 結果，類似的還有：

? SELECT a.val,b.val, c.val FROM a

??? JOIN b ON(a.key = b.key1) JOIN c ON (c.key = b.key2)

這里用了 2 次map/reduce 任務。第一次緩存 a 表，用 b 表序列化；第二次緩存第一次 map/reduce 任務的結果，然后用 c 表序列化。

?

4．LEFT，RIGHT 和 FULLOUTER 關鍵字用于處理 join 中空記錄的情況

例如：

? SELECT a.val,b.val FROM

a LEFT OUTER ?JOIN b ON (a.key=b.key)

對應所有 a 表中的記錄都有一條記錄輸出。輸出的結果應該是 a.val, b.val，當 a.key=b.key 時，而當 b.key 中找不到等值的 a.key 記錄時也會輸出:

a.val, NULL

所以 a 表中的所有記錄都被保留了；

“a RIGHT OUTER JOIN b”會保留所有 b 表的記錄。

?

Join 發生在 WHERE 子句之前。如果你想限制 join 的輸出，應該在 WHERE 子句中寫過濾條件——或是在join 子句中寫。這里面一個容易混淆的問題是表分區的情況：

? SELECT a.val,b.val FROM a

? LEFT OUTER JOINb ON (a.key=b.key)

? WHEREa.ds='2009-07-07' AND b.ds='2009-07-07'

會 join a 表到 b 表（OUTER JOIN），列出 a.val 和 b.val 的記錄。WHERE 從句中可以使用其他列作為過濾條件。但是，如前所述，如果 b 表中找不到對應 a 表的記錄，b 表的所有列都會列出 NULL，包括 ds 列。也就是說，join 會過濾 b 表中不能找到匹配a 表 join key 的所有記錄。這樣的話，LEFTOUTER 就使得查詢結果與 WHERE 子句無關了。解決的辦法是在 OUTER JOIN 時使用以下語法：

? SELECT a.val,b.val FROM a LEFT OUTER JOIN b

? ON (a.key=b.keyAND

?????b.ds='2009-07-07' AND

?????a.ds='2009-07-07')

這一查詢的結果是預先在 join 階段過濾過的，所以不會存在上述問題。這一邏輯也可以應用于 RIGHT 和 FULL 類型的join 中。

?

Join 是不能交換位置的。無論是 LEFT 還是RIGHT join，都是左連接的。

? SELECT a.val1,a.val2, b.val, c.val

? FROM a

? JOIN b ON(a.key = b.key)

? LEFT OUTER JOINc ON (a.key = c.key)

先 join a 表到 b 表，丟棄掉所有 join key 中不匹配的記錄，然后用這一中間結果和 c 表做 join。這一表述有一個不太明顯的問題，就是當一個 key 在 a 表和 c 表都存在，但是 b 表中不存在的時候：整個記錄在第一次 join，即 a JOIN b 的時候都被丟掉了（包括a.val1，a.val2和a.key），然后我們再和 c 表 join 的時候，如果c.key 與 a.key 或 b.key 相等，就會得到這樣的結果：NULL, NULL, NULL, c.val

?

? 具體實例

1、? 獲取已經分配班級的學生姓名。

?

2、? 獲取尚未分配班級的學生姓名。

3、? LEFT ?SEMI ?JOIN是IN/EXISTS的高效實現。

?

3 Hive Shell參數

3.1 Hive命令行

? 語法結構

hive [-hiveconf x=y]* [<-i filename>]* [<-ffilename>|<-e query-string>] [-S]

說明：

1、? -i?從文件初始化HQL。

2、? -e從命令行執行指定的HQL

3、? -f執行HQL腳本

4、? -v輸出執行的HQL語句到控制臺

5、? -p<port> connect to Hive Server on port number

6、? -hiveconfx=y Use this to set hive/hadoop configuration variables.

? 具體實例

1、運行一個查詢。

2、運行一個文件。

?

3、運行參數文件。

?

3.2 Hive參數配置方式

Hive參數大全：

https://cwiki.apache.org/confluence/display/Hive/Configuration+Properties

?

開發Hive應用時，不可避免地需要設定Hive的參數。設定Hive的參數可以調優HQL代碼的執行效率，或幫助定位問題。然而實踐中經常遇到的一個問題是，為什么設定的參數沒有起作用？這通常是錯誤的設定方式導致的。

?

對于一般參數，有以下三種設定方式：

l?配置文件

l?命令行參數

l?參數聲明

?

配置文件：Hive的配置文件包括

l?用戶自定義配置文件：$HIVE_CONF_DIR/hive-site.xml

l?默認配置文件：$HIVE_CONF_DIR/hive-default.xml

用戶自定義配置會覆蓋默認配置。

另外，Hive也會讀入Hadoop的配置，因為Hive是作為Hadoop的客戶端啟動的，Hive的配置會覆蓋Hadoop的配置。

配置文件的設定對本機啟動的所有Hive進程都有效。

?

命令行參數：啟動Hive（客戶端或Server方式）時，可以在命令行添加-hiveconfparam=value來設定參數，例如：

bin/hive-hiveconf hive.root.logger=INFO,console

這一設定對本次啟動的Session（對于Server方式啟動，則是所有請求的Sessions）有效。

?

參數聲明：可以在HQL中使用SET關鍵字設定參數，例如：

setmapred.reduce.tasks=100;

這一設定的作用域也是session級的。

?

上述三種設定方式的優先級依次遞增。即參數聲明覆蓋命令行參數，命令行參數覆蓋配置文件設定。注意某些系統級的參數，例如log4j相關的設定，必須用前兩種方式設定，因為那些參數的讀取在Session建立以前已經完成了。

?

4. Hive函數

4.1 內置運算符

內容較多，見《Hive官方文檔》

?

4.2 內置函數

內容較多，見《Hive官方文檔》

https://cwiki.apache.org/confluence/display/Hive/LanguageManual+UDF

?

測試各種內置函數的快捷方法：

1、創建一個dual表

create table dual(id string);

2、load一個文件（一行，一個空格）到dual表

3、select substr('angelababy',2,3) from dual;

?

4.3 Hive自定義函數和Transform

當Hive提供的內置函數無法滿足你的業務處理需要時，此時就可以考慮使用用戶自定義函數（UDF：user-defined function）。

4.3.1 自定義函數類別

UDF? 作用于單個數據行，產生一個數據行作為輸出。（數學函數，字符串函數）

UDAF（用戶定義聚集函數）：接收多個輸入數據行，并產生一個輸出數據行。（count，max）

?

4.3.2 UDF開發實例

l? 簡單UDF示例

1、先開發一個java類，繼承UDF，并重載evaluate方法

package cn.itcast.bigdata.udf import org.apache.hadoop.hive.ql.exec.UDF; import org.apache.hadoop.io.Text; ? public final class Lower extends UDF{ ???? public Text evaluate(final Text s){ ???? ???? if(s==null){return null;} ???? ???? return new Text(s.toString().toLowerCase()); ???? } }

?

2、打成jar包上傳到服務器

3、將jar包添加到hive的classpath

hive>add JAR /home/hadoop/udf.jar;

4、創建臨時函數與開發好的java class關聯

Hive>create temporary function tolowercase as 'cn.itcast.bigdata.udf.ToProvince';

?

5、即可在hql中使用自定義的函數tolowercase ip?

Select tolowercase(name),age from t_test;

?

l? Json數據解析UDF開發

作業：

有原始json數據如下：

{"movie":"1193","rate":"5","timeStamp":"978300760","uid":"1"} {"movie":"661","rate":"3","timeStamp":"978302109","uid":"1"} {"movie":"914","rate":"3","timeStamp":"978301968","uid":"1"} {"movie":"3408","rate":"4","timeStamp":"978300275","uid":"1"} {"movie":"2355","rate":"5","timeStamp":"978824291","uid":"1"} {"movie":"1197","rate":"3","timeStamp":"978302268","uid":"1"} {"movie":"1287","rate":"5","timeStamp":"978302039","uid":"1"}

?

需要將數據導入到hive數據倉庫中

我不管你中間用幾個表，最終我要得到一個結果表：

movie	rate	timestamp	uid
1197	3	978302268	1

?

注：全在hive中完成，可以用自定義函數

?

4.3.3 Transform實現

Hive的 TRANSFORM 關鍵字提供了在SQL中調用自寫腳本的功能

適合實現Hive中沒有的功能又不想寫UDF的情況

?

使用示例1：下面這句sql就是借用了weekday_mapper.py對數據進行了處理.

CREATE TABLE u_data_new ( ? movieid INT, ? rating INT, ? weekday INT, ? userid INT) ROW FORMAT DELIMITED FIELDS TERMINATED BY '\t'; ? add FILE weekday_mapper.py; ? INSERT OVERWRITE TABLE u_data_new SELECT ? TRANSFORM (movieid , rate, timestring,uid) ? USING 'python weekday_mapper.py' ? AS (movieid, rating, weekday,userid) FROM t_rating;

?

其中weekday_mapper.py內容如下

#!/bin/python import sys import datetime ? for line in sys.stdin: ? line = line.strip() ? movieid, rating, unixtime,userid = line.split('\t') ? weekday = datetime.datetime.fromtimestamp(float(unixtime)).isoweekday() ? print '\t'.join([movieid, rating, str(weekday),userid])

?

5. Hive實戰

Hive 實戰案例1——數據ETL

需求：

ü?對web點擊流日志基礎數據表進行etl（按照倉庫模型設計）

ü?按各時間維度統計來源域名top10

已有數據表 “t_orgin_weblog”：

+------------------+------------+----------+--+ |???? col_name???? | data_type? | comment? | +------------------+------------+----------+--+ | valid??????????? | string???? |????????? | | remote_addr????? | string???? |????????? | | remote_user????? | string???? |????????? | | time_local?????? | string???? |????????? | | request????????? | string???? |? ????????| | status?????????? | string???? |????????? | | body_bytes_sent? | string???? |????????? | | http_referer???? | string???? |????????? | | http_user_agent? | string???? |????????? | +------------------+------------+----------+--+

?

數據示例：

| true|1.162.203.134| - | 18/Sep/2013:13:47:35| /images/my.jpg??????????????????????? | 200| 19939 | "http://www.angularjs.cn/A0d9"????????????????????? | "Mozilla/5.0 (Windows?? | ? | true|1.202.186.37 | - | 18/Sep/2013:15:39:11| /wp-content/uploads/2013/08/windjs.png| 200| 34613 | "http://cnodejs.org/topic/521a30d4bee8d3cb1272ac0f" | "Mozilla/5.0 (Macintosh;|

?

實現步驟：

1、對原始數據進行抽取轉換

--將來訪url分離出host? path?query? query id

drop table if exists t_etl_referurl; create table t_etl_referurl as SELECT a.*,b.* FROM t_orgin_weblog a LATERAL VIEW parse_url_tuple(regexp_replace(http_referer, "\"", ""), 'HOST', 'PATH','QUERY', 'QUERY:id') b as host, path, query, query_id ?

?

3、從前述步驟進一步分離出日期時間形成ETL明細表“t_etl_detail”??? day tm??

drop table if exists t_etl_detail; create table t_etl_detail as select b.*,substring(time_local,0,11) as daystr, substring(time_local,13) as tmstr, substring(time_local,4,3) as month, substring(time_local,0,2) as day, substring(time_local,13,2) as hour from t_etl_referurl b; ?

?

3、對etl數據進行分區(包含所有數據的結構化信息)

drop table t_etl_detail_prt; create table t_etl_detail_prt( valid????????????? ?????string, remote_addr??????????? string, remote_user??????????? string, time_local???????? ??????string, request???????????? ????string, status?????????????? ???string, body_bytes_sent???? ????string, http_referer???????? ????string, http_user_agent??? ?????string, host?????????????????? string, path?????????????????? string, query????????????????? string, query_id?????????????? string, daystr???????????????? string, tmstr????????????????? string, month????????????????? string, day??????????????????? string, hour?????????????????? string) partitioned by (mm string,dd string);

?

導入數據

insert into table t_etl_detail_prt partition(mm='Sep',dd='18') select * from t_etl_detail where daystr='18/Sep/2013'; ? insert into table t_etl_detail_prt partition(mm='Sep',dd='19') select * from t_etl_detail where daystr='19/Sep/2013';

?

分個時間維度統計各referer_host的訪問次數并排序

create table t_refer_host_visit_top_tmp as select referer_host,count(*) as counts,mm,dd,hh from t_display_referer_counts group by hh,dd,mm,referer_host order by hh asc,dd asc,mm asc,counts desc; ?

?

4、來源訪問次數topn各時間維度URL

取各時間維度的referer_host訪問次數topn

select * from (select referer_host,counts,concat(hh,dd),row_number() over (partition by concat(hh,dd) order by concat(hh,dd) asc) as od from t_refer_host_visit_top_tmp) t where od<=3; ?

?

Hive 實戰案例2——訪問時長統計

需求：

從web日志中統計每日訪客平均停留時間

實現步驟：

1、? 由于要從大量請求中分辨出用戶的各次訪問，邏輯相對復雜，通過hive直接實現有困難，因此編寫一個mr程序來求出訪客訪問信息（詳見代碼）

啟動mr程序獲取結果：

[hadoop@hdp-node-01 ~]$ hadoop jar weblog.jar cn.itcast.bigdata.hive.mr.UserStayTime /weblog/input /weblog/stayout

?

2、? 將mr的處理結果導入hive表

drop table t_display_access_info_tmp; create table t_display_access_info_tmp(remote_addr string,firt_req_time string,last_req_time string,stay_long bigint) row format delimited fields terminated by '\t'; ? load data inpath '/weblog/stayout4' into table t_display_access_info_tmp;

?

3、得出訪客訪問信息表 "t_display_access_info"

由于有一些訪問記錄是單條記錄，mr程序處理處的結果給的時長是0，所以考慮給單次請求的停留時間一個默認市場30秒

drop table t_display_access_info; create table t_display_access_info as select remote_addr,firt_req_time,last_req_time, case stay_long when 0 then 30000 else stay_long end as stay_long from t_display_access_info_tmp;

?

4、統計所有用戶停留時間平均值

select avg(stay_long) fromt_display_access_info;

?

Hive實戰案例3——級聯求和accumulate

需求：

有如下訪客訪問次數統計表t_access_times

訪客	月份	訪問次數
A	2015-01	5
A	2015-01	15
B	2015-01	5
A	2015-01	8
B	2015-01	25
A	2015-01	5
A	2015-02	4
A	2015-02	6
B	2015-02	10
B	2015-02	5
……	……	……

?

需要輸出報表：t_access_times_accumulate

訪客	月份	月訪問總計	累計訪問總計
A	2015-01	33	33
A	2015-02	10	43
…….	…….	…….	…….
B	2015-01	30	30
B	2015-02	15	45
…….	…….	…….	…….

?

實現步驟

可以用一個hql語句即可實現：

select A.username,A.month,max(A.salary) as salary,sum(B.salary) as accumulate from (select username,month,sum(salary) as salary from t_access_times group by username,month) A inner join (select username,month,sum(salary) as salary from t_access_times group by username,month) B on A.username=B.username where B.month <= A.month group by A.username,A.month order by A.username,A.month;

?

---

如果指定了 LOCAL，那么：

load 命令會去查找本地文件系統中的 filepath。如果發現是相對路徑，則路徑會被解釋為相對于當前用戶的當前路徑。

load 命令會將 filepath中的文件復制到目標文件系統中。目標文件系統由表的位置屬性決定。被復制的數據文件移動到表的數據對應的位置。

?

如果沒有指定 LOCAL 關鍵字，如果 filepath 指向的是一個完整的 URI，hive 會直接使用這個 URI。否則：如果沒有指定 schema 或者 authority，Hive 會使用在 hadoop 配置文件中定義的 schema 和 authority，fs.default.name指定了 Namenode 的 URI。

如果路徑不是絕對的，Hive 相對于/user/進行解釋。

Hive 會將 filepath 中指定的文件內容移動到table （或者 partition）所指定的路徑中。

?

總結

以上是生活随笔為你收集整理的Hive基本操作，DDL操作(创建表，修改表，显示命令)，DML操作(Load Insert Select),Hive Join,Hive Shell参数(内置运算符、内置函数)等的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。