#创作者激励#hive从入门到放弃(三)——DML数据操作 原创

【本文正在参加2023年第一期优质创作者激励计划】
上一篇给大家介绍了 hive 的 DDL 数据定义语言，这篇来介绍一下 DML 数据操作语言。

没看过的可以点击跳转阅读：
hive从入门到放弃(一)——初识hive
hive从入门到放弃(二)——DDL数据定义

数据写入

数据导入部分默认数据文件格式为 textfile，每一列由‘，’进行分割，以换行分行。

insert

insert 表示向表中插入数据，可以直接插入值，也可以通过查询其他表获取数据插入。

INSERT INTO TABLE target_table VALUES (COL1.VALUE, COL2.VALUE, ...);
INSERT OVERWRITE TABLE target_table SELECT COL1, COL2, ... FROM source_table;
1.
2.

insert into 以追加数据的方式插入到表或分区，原有数据不会删除；

insert overwrite 则是覆盖原来的数据。

load

load data [local]① inpath② 'src_path' [overwrite] into table 
target_table [partition (partcol1=val1,…)];
1.
2.

① local 加上此关键字则表示从本地加载数据，不加的话就是从 HDFS 加载；

② inpath 后接要导入的数据文件的路径

数据导出

insert 方式导出

1）将查询的结果导出到本地

insert overwrite local directory 'local_path' select * from table_name;
1.

2）将查询的结果格式化导出到本地(以’/t’结尾的格式分隔字段)

insert overwrite local directory 'local_path'
ROW FORMAT DELIMITED FIELDS TERMINATED BY '\t'
select * from table_name;
1.
2.
3.

3）将查询的结果格式化导出到 HDFS 上

insert overwrite directory 'HDFS_PATH'
ROW FORMAT DELIMITED FIELDS TERMINATED BY '\t' 
select * from table_name;
1.
2.
3.

HDFS 命令方式导出

由于 hive 的数据文件是在 HDFS 上的，因此可以用 HDFS 命令导出。

在 hive CLI 中，只需要将 Hadoop 命令中将‘hdfs’关键字去掉即可，比如：

dfs -get /user/hive/warehouse/src_path  /local_target_path;
1.

Hive Shell 命令导出

基本语法：" hive -f/-e 执行语句或者脚本 > file "

bin/hive -e 'select * from table_name;' > local_target_path;
1.

Export & Import

hive 在0.8.0以后的版本中提供了 Export 和 Import 的导数方式

export 可以将数据导出到 HDFS 上，导出数据的同时还会生成一个元数据文件，其用法如下：

export table table_name to 'HDFS_PATH';
1.

import 可将数据导入指定的表中，但导入的数据需要元数据，因此需要配合 export 使用

import table table_name from 'HDFS_PATH';
1.

注意：export/import 命令中的路径必须是目录，而不能是文件

清除数据

truncate table table_name;
1.

truncate 只能清除管理表的数据，不能清除外部表数据

查询数据

查询的语句和大部分的数据库查询 SQL 一样：

SELECT * FROM table_name WHERE condition GROUP BY col1 ORDER BY col2 LIMIT 1;
1.

因此这里只介绍不同或者需要注意的地方。

like 和 rlike

like 和大部分数据库的用法一样，可用于选择类似的值，% 代表零个或多个字符(任意个字符)。
_ 代表一个字符；

而 rlike 则可以用于匹配正则表达式

select * from table_name where col1 RLIKE '[A]';
1.

排序（重点）

hive 的排序关键字有多个，而且每个对应的应用场景也不相同。

order by

order by 全局排序，在 MapReduce 程序中是将所有数据进行排序，因此只有一个 Reducer

select col1, col2 from table_name order by col1 desc;
1.

sort by

order by 在处理大规模的数据集效率较低。

在很多情况下，并不需要全局排序，此时可以使用 sort by。

Sort by 为每个 reducer 产生一个排序文件。

每个 Reducer 内部进行排序，但对全局结果集来说无序。

select * from table_name sort by col1 desc;
1.

distribute by

在某些场景，我们需要控制某条数据应该到哪个 reducer，一般是为了进行后续的聚集操作。

distribute by 类似 MR 中的 partition（自定义分区），可以对数据进行分区，结合 sort by 使用。

distribute by 要分配多个 reduce 进行处理，否则无法看到 distribute by 的效果。

distribute by 的分区规则是根据分区字段的 hash 码与 reduce 的个数进行模除后，
余数相同的分到一个区。

select * from table_name distribute by col1 sort by col2 desc;
1.

Hive 要求 DISTRIBUTE BY 语句要写在 SORT BY 语句之前。

cluster by

当 distribute by 和 sort by 字段相同时，可以使用 cluster by 方式。

cluster by 除了具有 distribute by 的功能外还兼具 sort by 的功能。

但是排序只能是升序，不能指定排序规则为 ASC 或者 DESC。

-- 这两条 SQL 语句效果相同
select * from table_name cluster by col1; 
select * from table_name distribute by col1 sort by col1;
1.
2.
3.

小结

本文介绍了 hive DML 数据操作，主要介绍了一些 hive 特有的关键字和用法。

对于 hive SQL 而言，它的很多语法和常用函数和其它关系型数据库类似，比如 hiving,count(),min()等，这些的用法相信大家都比较熟悉

当然有个别还是有所不同，具体使用场景可以查阅相关资料。

转载请注明出处，关注【大数据的奇妙冒险】，解锁更多新知识！