Hive sql 语法解读

一、 创建表

在官方的wiki里，example是这种：

Sql代码  

1. CREATE [EXTERNAL] TABLE [IF NOT EXISTS] table_name
2. [(col_name data_type [COMMENT col_comment], ...)]
3. [COMMENT table_comment]
4. [PARTITIONED BY (col_name data_type
5. [COMMENT col_comment], ...)]
6. [CLUSTERED BY (col_name, col_name, ...)
7. [SORTED BY (col_name [ASC|DESC], ...)]
8. INTO num_buckets BUCKETS]
9. [ROW FORMAT row_format]
10. [STORED AS file_format]
11. [LOCATION hdfs_path]

[ROW FORMAT DELIMITED]keyword，是用来设置创建的表在载入数据的时候，支持的列分隔符；

[STORED AS file_format]keyword是用来设置载入数据的数据类型。Hive本身支持的文件格式仅仅有：Text File，Sequence File。假设文件数据是纯文本，能够使用 [STORED AS TEXTFILE]。假设数据须要压缩，使用 [STORED AS SEQUENCE] 。通常情况，仅仅要不须要保存序列化的对象，我们默认採用[STORED AS TEXTFILE]。

那么我们创建一张普通的hive表，hive sql就例如以下：

Sql代码    

1. CREATE TABLE test_1(id INT, name STRING, city STRING) SORTED BY TEXTFILE ROW FORMAT DELIMITED‘\t’

当中，hive支持的字段类型，并不多，能够简单的理解为数字类型和字符串类型，具体列表例如以下：

Sql代码    

1. TINYINT
2. SMALLINT
3. INT
4. BIGINT
5. BOOLEAN
6. FLOAT
7. DOUBLE
8. STRING

Hive的表，与普通关系型数据库，如mysql在表上有非常大的差别，全部hive的表都是一个文件，它是基于Hadoop的文件系统来做的。

hive整体来说能够总结为三种不同类型的表。

1. 普通表

普通表的创建，如上所说，不讲了。当中，一个表，就相应一个表名相应的文件。

2. 外部表

EXTERNAL keyword能够让用户创建一个外部表，在建表的同一时候指定一个指向实际数据的路径（LOCATION），Hive 创建内部表时，会将数据移动到数据仓库指向的路径；若创建外部表，仅记录数据所在的路径，不正确数据的位置做不论什么改变。在删除表的时候，内部表的元数据和数据会被一起删除，而外部表仅仅删除元数据，不删除数据。详细sql例如以下：

Sql代码    

1. CREATE EXTERNAL TABLE test_1(id INT, name STRING, city STRING) SORTED BY TEXTFILE ROW FORMAT DELIMITED‘\t’ LOCATION ‘hdfs://../../..’

3. 分区表

有分区的表能够在创建的时候使用 PARTITIONED BY 语句。一个表能够拥有一个或者多个分区，每个分区单独存在一个文件夹下。并且，表和分区都能够对某个列进行 CLUSTERED BY 操作，将若干个列放入一个桶（bucket）中。也能够利用SORT BY 对数据进行排序。这样能够为特定应用提高性能。详细SQL例如以下：

Sql代码    

1. CREATE TABLE test_1(id INT, name STRING, city STRING) PARTITIONED BY (pt STRING) SORTED BY TEXTFILE ROW FORMAT DELIMITED‘\t’

Hive的排序，由于底层实现的关系，比較不同于普通排序，这里先不讲。

桶的概念，主要是为性能考虑，能够理解为对分区内列，进行再次划分，提高性能。在底层，一个桶事实上是一个文件。假设桶划分过多，会导致文件数量暴增，一旦达到系统文件数量的上限，就杯具了。哪种是最优数量，这个哥也不知道。

分区表实际是一个目录，表名即目录名。每一个分区，实际是表名这个目录以下的不同文件。分区能够依据时间、地点等等进行划分。比方，每天一个分区，等于每天存每天的数据；或者每一个城市，存放每一个城市的数据。每次查询数据的时候，仅仅要写下类似 where pt=2010_08_23这种条件就可以查询指定时间得数据。

整体而言，普通表，类似mysql的表结构，外部表的意义很多其它是指数据的路径映射。分区表，是最难以理解，也是最hive最大的优势。之后会专门针对分区表进行解说。

二、 载入数据

Hive不支持一条一条的用insert语句进行插入操作，也不支持update的操作。数据是以load的方式，载入到建立好的表中。数据一旦导入，则不可改动。要么drop掉整个表，要么建立新的表，导入新的数据。

官方指导为：

Sql代码    

1. LOAD DATA [LOCAL] INPATH 'filepath' [OVERWRITE] INTO TABLE tablename [PARTITION (partcol1=val1, partcol2=val2 ...)]

Hive在数据load这块，慷慨向分为两种方式，load文件或者查询一张表，或者将某张表里的额查询结果插入指定表。

假设划分更细一点个人归纳总结为4种不同的方式的load：

1. Load data到指定的表

直接将file，载入到指定的表，当中，表能够是普通表或者分区表。详细sql例如以下：

Sql代码    

1. LOAD DATA LOCAL INPATH '/home/admin/test/test.txt' OVERWRITE INTO TABLE test_1

keyword[OVERWRITE]意思是是覆盖原表里的数据，不写则不会覆盖。

    keyword[LOCAL]是指你载入文件的来源为本地文件，不写则为hdfs的文件。

    当中

     ‘home/admin/test/test.txt’是相对路径

     ‘/home/admin/test/test.txt’为据对路径

2. load到指定表的分区

直接将file，载入到指定表的指定分区。表本身必须是分区表，假设是普通表，导入会成功，可是数据实际不会被导入。详细sql例如以下：

Sql代码    

1. LOAD DATA LOCAL INPATH '/home/admin/test/test.txt' OVERWRITE INTO TABLE test_1 PARTITION（pt=’xxxx）

load数据，hive支持目录的方式，将目录内的全部文件，都load到指定表中。Hdfs会将文件系统内的某目录路径内的文件，分散到不同的实际物理地址中。这样，在数据量非常大的时候，hive支持读取多个文件加载，而不须要限定在唯一的文件里。

    

3. insert+select

这个是全然不同于文件操作的数据导入方式。官方指导为：

Sql代码    

1. Standard syntax:
2. INSERT OVERWRITE TABLE tablename1 [PARTITION (partcol1=val1, partcol2=val2 ...)] select_statement1 FROM from_statement
3. Hive extension (multiple inserts):
4. FROM from_statement
5. INSERT OVERWRITE TABLE tablename1 [PARTITION (partcol1=val1, partcol2=val2 ...)] select_statement1
6. [INSERT OVERWRITE TABLE tablename2 [PARTITION ...] select_statement2] ...
7. Hive extension (dynamic partition inserts):
8. INSERT OVERWRITE TABLE tablename PARTITION (partcol1[=val1], partcol2[=val2] ...) select_statement FROM from_statement

这个的使用方法，和上面两种直接操作file的方式，截然不同。从sql语句本身理解，就是把查询到的数据，直接导入另外一张表。这个临时不细致分析，之后查询章节，再细讲。

4. alter 表，对分区操作

在对表结构进行改动的时候，我们能够添加一个新的分区，在添加新分区的同一时候，将数据直接load到新的分区其中。

Sql代码    

1. ALTER TABLE table_name ADD
2. partition_spec [ LOCATION 'location1' ]
3. partition_spec [ LOCATION 'location2' ] ...

三、 查询

……