Hive使用入门

Hive简介

hive是基于Hadoop的一个数据仓库工具，可以将结构化的数据文件映射为一张数据库表，并提供简单的sql查询功能，可以将sql语句转换为MapReduce任务进行运行。 其优点是学习成本低，可以通过类SQL语句快速实现简单的MapReduce统计，不必开发专门的MapReduce应用，十分适合数据仓库的统计分析。

建立Hive表

hive中创建表时，默认情况下hive负责管理数据，这就是所谓的“托管表”。建立托管表的语法比较简单，和写SQL建表也比较类似：

DROP TABLE example_table;
CREATE TABLE if not exists example_table(example_id STRING, example_name STRING ) row format delimited fields terminated by ',';

需要注意的是，建立字段的定义，以及row的delimeter，这里指定为”,”。

托管表建立完成后，表中并无数据，这就需要我们向表中插入一些数据。但Hive中并不可以通过insert一条数据的方式向表中插入数据，可以通过下面的方式从本地文件中加载（当然也可以从HDFS中加载，语法稍微不同）：

LOAD DATA LOCAL INPATH 'LocalFile' OVERWRITE INTO TABLE region_table;

由于在第一步中我们已经设定行分隔符为’,’，这里的LocalFile的每一行都要由,进行分隔，并在加载完成后，对应到定义的字段中去。

但在我们的实际应用场景下，Hive中使用的数据大部分都是从外部文件中得到的，这时候就需要创建“外部表”。

drop table task_table;
create external table if not exists task_table
( doc string )
stored as
inputformat 'Hive进行的InputFormat转换'
outputformat 'org.apache.hadoop.hive.ql.io.HiveIgnoreKeyTextOutputFormat'
location '/数据所在的HDFS文件夹/';

使用external关键字之后，Hive就知道数据并不是托管的，不会将数据移到自己的数据仓库目录中；而且在drop外部表时，也不会碰数据，只会删除hive中的元数据。

InputFormat

和Hadoop中的InputFormat类似，我们在定义外部表时，需要指定特定的InputFormat以将HDFS上的文件按行映射到对应的数据上去。但是，我们在CREATE外部表语句中定义的InputFormat与Hadoop中Map使用的InputFormat有所不同，外部表中的定义的InputFormat并不能决定map分片数量。

在hive中运行“select * from example_table”时直接返回当前所有值，并不会启动mapreduce任务，而当构建一些复杂的特殊的HQL语句时，就会启动一个mapreduce任务来进行处理。

hive中运行参数的设置可以通过hive命令中的“--hive-conf 参数名=参数值”来定义，在hive启动的mapreduce任务中，使用的默认是org.apache.hadoop.hive.ql.io.CombineHiveInputFormat类，与table中定义的InputFormat根本无关，了解hadoop的应该知道，Combine表示可能会合并多个小文件一起处理，与我们当前需求并不符合。而如果需要设置每个文件只能由一个map任务来处理时，原来的继承FileInputFormat并重写isSplittable方法并不起作用，抛出异常。这是因为Hive中启动的mapreduce任务的InputFormat必须是org.apache.hadoop.hive.ql.io.HiveInputFormat的子类，可以通过设置mapred.input.format.class=org.apache.hadoop.hive.ql.io.HiveInputFormat，并将参数mapreduce.input.fileinputformat.split.minsize设置（单位是字节）的非常大来达到目的。

也可以在hive配置文件中进行整体的调整：

<property>
    <name>mapreduce.input.fileinputformat.split.minsize</name>
    <value>1099511627776</value>
</property>
<property>
    <name>hive.input.format</name>
    <value>org.apache.hadoop.hive.ql.io.HiveInputFormat</value>
</property>

UDF函数

Hive中有很多的内置函数，如果可以通过内置函数来解决，就不需要编写UDF来完成任务。

可以通过下面的命令来显示出hive中的所有内置函数：

hive -e "show functions"；

比如可以使用from_unixtime，cast， hour三个函数的组合来完成将时间转换成小时的工作：

hour(from_unixtime(cast(raw['ti'] as bigint),'yyyy-MM-dd HH:mm:ss'))

如何在hive中自定义UDF(User Define Function)？这里说明一下如何在java中定义UDF。

首先，需要继承类：org.apache.hadoop.hive.ql.exec.UDF，并写一个名称为evaluate的函数，由于Hive使用的是反射的方式来进行调用的，并不强调参数以及返回值，可以随便写，在使用时注意就可以了（甚至可以在UDF函数中重载多个evaludate方法）。

编写完成后，需要在HQL脚本中使用下面的方式来进行调用：

add jar “对应的jar包路径”
create temporary function function_name as 'UDF类名称';

之后，就可以在sql中使用function_name进行操作，注意其输入参数以及返回值。

HQL语句

hive中可以执行HQL语句，其基本格式与SQL语句非常类似。可以通过hive shell的方式执行，也可以通过hive –e “hql语句”或hive –f “hql文件”的方式执行。

示例：

select example_udf_function(doc) raw   from example_table;

此外，HQL语句还支持嵌套。这部分只是个入门教程，因此，后续深入研究。