hive regex insert join group cli
1.insert
Insert时,from子句既能够放在select子句后,也能够放在insert子句前,以下两句是等价的
hive> FROM invites a INSERT OVERWRITE TABLE eventsSELECT a.bar, count(*) WHERE a.foo > 0 GROUP BY a.bar;
hive> INSERT OVERWRITE TABLE events SELECTa.bar, count(*) FROM invites a WHERE a.foo > 0 GROUP BY a.bar;
2.导出文件到本地
INSERTOVERWRITE LOCAL DIRECTORY '/tmp/local_out' SELECT a.* FROM pokes a;
一个源能够同一时候插入到多个目标表或目标文件,多目标insert能够用一句话来完毕
FROM src
INSERT OVERWRITE TABLE dest1 SELECT src.*WHERE src.key < 100
INSERT OVERWRITE TABLE dest2 SELECT src.key,src.value WHERE src.key >= 100 and src.key < 200
INSERT OVERWRITE TABLE dest3PARTITION(ds='2014-08-22', hr='12') SELECT src.key WHERE src.key >= 200 andsrc.key < 300
INSERT OVERWRITE LOCAL DIRECTORY'/tmp/dest4.out' SELECT src.value WHERE src.key >= 300;
执行一个脚本(两种方式)
HIVE_HOME/bin/hive-f /home/my/hive-script.sql
HIVE_HOME/bin/hive-i /home/my/hive-init.sql
3.hive CLI
hive>set i=32;
hive> set i;
hive> select a.* from xiaojun a;
hive> !ls;
hive> dfs -ls;
eg:
hive> set$i='121.61.99.14.128160791368.5';
hive> selectcount(*) from c02_clickstat_fatdt1 where cookie_id=$i;
4.REGEX Column
SELECT 语句能够使用正則表達式做列选择,以下的语句查询除了 ds 和 hr 之外的全部列:SELECT `(ds|hr)?+.+` FROM sales
5.Sort By 语法:
Sort顺序将依据列类型而定。假设数字类型的列,则排序顺序也以数字顺序。假设字符串类型的列,则排序顺序将按字典顺序。
colOrder: ( ASC | DESC )
sortBy: SORT BY colName colOrder? (',' colName colOrder?)*
query: SELECT expression (',' expression)* FROM src sortBy
6.group by
高级特性:
聚合可进一步分为多个表,甚至发送到Hadoop的DFS的文件(能够进行操作,然后使用HDFS的utilitites)。比如我们能够依据性别划分,须要找到独特的页面浏览量按年龄划分。如以下的样例:
FROM pv_users
INSERT OVERWRITE TABLE pv_gender_sum
SELECT pv_users.gender, count(DISTINCT pv_users.userid)
GROUP BY pv_users.gender
INSERT OVERWRITE DIRECTORY '/user/facebook/tmp/pv_age_sum'
SELECT pv_users.age, count(DISTINCT pv_users.userid)
GROUP BY pv_users.age;
hive.map.aggr能够控制怎么进行汇总。默觉得为true,配置单元会做的第一级聚合直接在MAP上的任务。这通常提供更好的效率,但可能须要很多其它的内存来执行成功。
set hive.map.aggr=true;
SELECT COUNT(*) FROM table2;
PS:在要特定的场合使用可能会加效率。只是我试了一下,比直接使用False慢非常多。
1.Join
Hive 仅仅支持等值连接(equality joins)、外连接(outer joins)和(left/right joins)。Hive 不支持全部非等值的连接,由于非等值连接很难转化到 map/reduce 任务。另外,Hive 支持多于 2 个表的连接。
比如:
SELECT a.* FROMa JOIN b ON (a.id = b.id)
SELECT a.* FROMa JOIN b
ON (a.id =b.id AND a.department = b.department)
是正确的,然而:
SELECT a.* FROMa JOIN b ON (a.id b.id)
是错误的。
a.能够 join 多于 2 个表。
比如
SELECT a.val,b.val, c.val FROM a JOIN b
ON (a.key =b.key1) JOIN c ON (c.key = b.key2)
假设join中多个表的 join key 是同一个,则 join 会被转化为单个 map/reduce 任务,比如:
SELECT a.val,b.val, c.val FROM a JOIN b
ON (a.key =b.key1) JOIN c
ON (c.key =b.key1)
被转化为单个 map/reduce 任务,由于 join 中仅仅使用了 b.key1 作为 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)
而这一 join 被转化为 2 个map/reduce 任务。由于 b.key1 用于第一次join 条件,而 b.key2 用于第二次 join。
b.join 时,每次 map/reduce 任务的逻辑:
reducer 会缓存 join 序列中除了最后一个表的全部表的记录,再通过最后一个表将结果序列化到文件系统。这一实现有助于在 reduce 端降低内存的使用量。实践中,应该把最大的那个表写在最后(否则会由于缓存浪费大量内存)。比如:
SELECT a.val,b.val, c.val FROM a
JOIN b ON(a.key = b.key1) JOIN c ON (c.key = b.key1)
全部表都使用同一个 join key(使用 1 次map/reduce 任务计算)。Reduce 端会缓存 a 表和 b 表的记录,然后每次取得一个 c 表的记录就计算一次 join 结果,类似的还有:
SELECT a.val,b.val, c.val FROM a
JOIN b ON(a.key = b.key1) JOIN c ON (c.key = b.key2)
这里用了 2 次 map/reduce 任务。第一次缓存 a 表,用 b 表序列化;第二次缓存第一次 map/reduce 任务的结果,然后用 c 表序列化。
c.LEFT,RIGHT 和 FULLOUTER keyword用于处理 join 中空记录的情况。
比如:
SELECT a.val,b.val FROM a LEFT OUTER
JOIN b ON(a.key=b.key)
相应全部 a 表中的记录都有一条记录输出。输出的结果应该是 a.val, b.val,当 a.key=b.key 时,而当 b.key 中找不到等值的 a.key 记录时也会输出 a.val, NULL。“FROM a LEFT OUTER JOIN b”这句一定要写在同一行——意思是 a 表在 b 表的左边,所以 a 表中的全部记录都被保留了;“aRIGHT OUTER JOIN b”会保留全部 b 表的记录。OUTER JOIN 语义应该是遵循标准 SQL spec的。
Join 发生在 WHERE 子句之前。假设你想限制 join 的输出,应该在 WHERE 子句中写过滤条件——或是在 join 子句中写。这里面一个easy混淆的问题是表分区的情况:
SELECT a.val,b.val FROM a
LEFT OUTER JOINb ON (a.key=b.key)
WHEREa.ds='2014-08-22' AND b.ds='2014-08-022'
会 join a 表到 b 表(OUTERJOIN),列出 a.val 和 b.val 的记录。WHERE 从句中能够使用其它列作为过滤条件。可是,如前所述,假设 b 表中找不到相应 a 表的记录,b 表的全部列都会列出NULL,包含 ds 列。也就是说,join 会过滤 b 表中不能找到匹配a 表 join key 的全部记录。这种话,LEFTOUTER 就使得查询结果与 WHERE 子句无关了。解决的办法是在 OUTER JOIN 时使用下面语法:
SELECT a.val,b.val FROM a LEFT OUTER JOIN b
ON (a.key=b.keyAND
b.ds='2014-08-22' AND
a.ds='2014-08-22')
这一查询的结果是预先在 join 阶段过滤过的,所以不会存在上述问题。这一逻辑也能够应用于 RIGHT 和 FULL 类型的 join 中。
Join 是不能交换位置的。不管是 LEFT 还是 RIGHT join,都是左连接的。
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,丢弃掉全部join key 中不匹配的记录,然后用这一中间结果和 c 表做 join。这一表述有一个不太明显的问题,就是当一个 key 在 a 表和 c 表都存在,可是 b 表中不存在的时候:整个记录在第一次 join,即 a JOIN b 的时候都被丢掉了(包含a.val1,a.val2和a.key),然后我们再和 c 表 join 的时候,假设c.key 与 a.key 或 b.key 相等,就会得到这种结果:NULL, NULL, NULL, c.val。
hive regex insert join group cli的更多相关文章
- EF INNER JOIN,LEFT JOIN,GROUP JOIN
IQueryable<TOuter>的扩展方法中提供了 INNER JOIN,GROUP JOIN但是没有提供LEFT JOIN GROUP JOIN适用于一对多的场景,如果关联的GROU ...
- Linq中join & group join & left join 的用法
Linq中join & group join & left join 的用法 2013-01-30 11:12 12154人阅读 评论(0) 收藏 举报 分类: C#(14) 文章 ...
- 一起学Hive——总结各种Join连接的用法
Hive支持常用的SQL join语句,例如内连接.左外连接.右外连接以及HiVe独有的map端连接.其中map端连接是用于优化Hive连接查询的一个重要技巧. 在介绍各种连接之前,先准备好表和数据. ...
- 字符串replaceAll()方法报错:java.util.regex.PatternSyntaxException:Unclosed group near index...
Unclosed group near index错误 之前自己写的一个模块在项目上线后最近频频出现tomcat崩掉的情况,从log看出现如下的报错信息: java.util.regex.Patter ...
- [Oracle]In-Memory的Join Group 位于内存的何处?
In-Memory的Join Group 的数据字典位于内存的何处? 有客户问到,使用Oracle 的In-Memory功能时,如果用到了 Join Group,那么这些这些Join Group,位于 ...
- hive 添加UDF(user define function) hive的insert语句
add JAR /home/hadoop/study/study2/utf.jar; package my.bigdata.udf; import org.apache.hadoop.hive.ql. ...
- 解决Linq Join Group by 时报错:Nullable object must have a value.
Linq Join Group by 时报Nullable object must have a value. 例如: from s in subject on ch.SubId equals s.S ...
- hive的Query和Insert,Group by,Aggregations(聚合)操作
1.Query (1)分区查询 在查询的过程中,采用那个分区来查询是通过系统自动的决定,但是必须是在分区列上基于where子查询. SELECT page_views.* FROM page_view ...
- Hive:表1inner join表2结果group by优化
问题背景 最近遇到一个比较棘手的事情:hive sql优化: lib表(id,h,soj,noj,sp,np) --一个字典表 mitem表(md,mt,soj,noj,sp,np)- ...
随机推荐
- 羊和汽车问题(或s三门问题(Monty Hall problem)亦称为蒙提霍尔问题)
三门问题(Monty Hall problem)亦称为蒙提霍尔问题.蒙特霍问题或蒙提霍尔悖论,大致出自美国的电视游戏节目Let's Make a Deal.问题名字来自该节目的主持人蒙提·霍尔(Mon ...
- lines(最大区间和)
lines Time Limit: 5000/2500 MS (Java/Others) Memory Limit: 32768/32768 K (Java/Others)Total Submi ...
- BCB6.0是垃圾的二十条理由
我用的BCB6.0和windows2000 都是公司配的正版,我也有多年的开发经验. 1. IDE常常出现非法操作,有时重起动还会出错,须要重装BCB. 2. 自己主动完毕和智能提示功能超慢,慢到能够 ...
- Ceph之数据分布:CRUSH算法与一致性Hash
转自于:http://www.cnblogs.com/shanno/p/3958298.html?utm_source=tuicool 数据分布是分布式存储系统的一个重要部分,数据分布算法至少要考虑以 ...
- iOS创建本地通知和删除对应的通知,工作日通知
本文的代码主要是:创建本地通知,删除对应的本地通知,创建工作日闹钟 直接上代码: // // ViewController.m // LocalNSNotification // // Created ...
- opencv kmeans 图像分割
利用kmeans算法,将彩色图像的像素点作为样本,rgb值作为样本的属性, 对图像所有的像素点进行分类,从而实现对图像中目标的分割. c++代码(openCV 2.4.11) Scalar color ...
- Linux下查看二进制文件命令
一.在Linux下查看二进制文件的软件: xxd hexdump 二.编辑: 1.biew 2.hexedit 3.vim Vim 来编辑二进制文件.Vim 本非为此而设计的,因而有若干局限.但你能读 ...
- QDebug &operator<<出错(根据QString来找,是不得要领的,而是应该根据QString所在的对象来思考)
程序运行后,总是崩溃在这个地方:inline QDebug &operator<<(const QString & t) 我应该用什么办法找出是哪个QString出了问题呢 ...
- 基于visual Studio2013解决C语言竞赛题之0518回文数
题目
- CMake初步(2)
转自:<你所不知的OSG>第一章:CMake初步(2) http://bbs.osgchina.org/forum.php?mod=viewthread&tid=1229& ...