HiveQL 与 SQL的异同

1 select 别名

（1）别名一定要加as

例：select ID as stuID

from students

（2）

Hive QL不支持在group by, order by 中使用select 别名，原因是先处理完再select，所以定义在select中的别名无法被group by 使用

例：

select weekofyear(date) as week_num, sum(sales_num)

from sale_data

group by weekofyear(date) #不可以直接使用week_num

2 join

（1）不支持非等值连接

1）在自助查询平台中我使用过非主键之间的连接，会有提示没有使用主键join，不知道是不是开启了strict模式

2）在自助查询平台中join需要对表建别名

select poiid,dealid,date,price,revenue,revenue/price as order_num

from detail.compdeal_poi_daily) a

join dim.poi b

on a.poiid = b.poiid

（2）支持多表连接

1) 生成一个MR job

多表连接，如果多个表中每个表都使用同一个列进行连接（出现在JOIN子句中），则只会生成一个MR Job

SELECT a.val, b.val, c.val FROM a JOIN b ON (a.key = b.key1) JOIN c ON (c.key = b.key1)

三个表a、b、c都分别使用了同一个字段进行连接，亦即同一个字段同时出现在两个JOIN子句中，从而只生成一个MR Job。

2) 生成多个MR job

多表连接，如果多表中，其中存在一个表使用了至少2个字段进行连接（同一个表的至少2个列出现在JOIN子句中），则会至少生成2个MR Job

SELECT a.val, b.val, c.val FROM a JOIN b ON (a.key = b.key1) JOIN c ON (c.key = b.key2)

三个表基于2个字段进行连接，这两个字段b.key1和b.key2同时出现在b表中。连接的过程是这样的：首先a和b表基于a.key和b.key1进行连接，对应着第一个MR Job；表a和b连接的结果，再和c进行连接，对应着第二个MR Job。

3）表连接顺序优化

多表连接，会转换成多个MR Job，每一个MR Job在Hive中称为JOIN阶段（Stage）。在每一个Stage，按照JOIN顺序中的最后一个表应该尽量是大表，因为JOIN前一阶段生成的数据会存在于Reducer的buffer中，通过stream最后面的表，直接从Reducer的buffer中读取已经缓冲的中间结果数据（这个中间结果数据可能是JOIN顺序中，前面表连接的结果的Key，数据量相对较小，内存开销就小），这样，与后面的大表进行连接时，只需要从buffer中读取缓存的Key，与大表中的指定Key进行连接，速度会更快，也可能避免内存缓冲区溢出。

4) 基于条件的LEFT OUTER JOIN优化

左连接时，左表中出现的JOIN字段都保留，右表没有连接上的都为空。对于带WHERE条件的JOIN语句，例如：

SELECT a.val, b.val FROM a LEFT OUTER JOIN b ON (a.key=b.key)

WHERE a.ds='2009-07-07' AND b.ds='2009-07-07'

执行顺序是，首先完成2表JOIN，然后再通过WHERE条件进行过滤，这样在JOIN过程中可能会输出大量结果，再对这些结果进行过滤，比较耗时。可以进行优化，将WHERE条件放在ON后，例如：

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

ON (a.key=b.key AND b.ds='2009-07-07' AND a.ds='2009-07-07')

这样，在JOIN的过程中，就对不满足条件的记录进行了预先过滤，可能会有更好的表现。

5）左半连接（LEFT SEMI JOIN）

左半连接实现了类似IN/EXISTS的查询语义，使用关系数据库子查询的方式实现查询，例如一般SQL语句

SELECT a.key, a.value FROM a WHERE a.key IN (SELECT b.key FROM b);
在Hive中如下

SELECT a.key, a.val FROM a LEFT SEMI JOIN b ON (a.key = b.key)
需要注意的是，在LEFT SEMI JOIN中，表b只能出现在ON子句后面，不能够出现在SELECT和WHERE子句中

3 order by

（1） strict模式下需要和limit一起使用

原因： 在order by 状态下所有数据会到一台服务器进行reduce操作也即只有一个reduce，如果在数据量大的情况下会出现无法输出结果的情况，如果进行 limit n ，那只有  n * map number 条记录而已。只有一个reduce也可以处理过来。

（2）sort by

sort by 不受 hive.mapred.mode 是否为strict ,nostrict 的影响。sort by 的数据只能保证在同一reduce中的数据可以按指定字段排序。使用sort by 你可以指定执行的reduce 个数 （set mapred.reduce.tasks=<number>） 这样可以输出更多的数据。对输出的数据再执行归并排序，即可以得到全部结果。

http://stackoverflow.com/questions/26028767/why-cant-hive-recognize-alias-named-in-select-part

http://shiyanjun.cn/archives/588.html

http://blog.csdn.net/mashroomxl/article/details/22091665

http://metooxi.iteye.com/blog/1447621