很高兴遇到你~
(1)Hive常用日期格式处理
(2)Hive常用函数
(3)Hive常用语句(实用)
- 数据加载清理与建表
- 表检索与表结构查询
(4)HiveSQL使用技巧与优化
(5)HiveSQL使用注意项
HiveSQL使用技巧与优化
SQL执行顺序:FROM->JOIN->WHERE->GROUP BY->HAVING->SELECT->ORDER BY->LIMIT
- distinct去重与count
--distinct去重时,如果存在NULL,结果会异常,Hive不会将null值归为一个值处理,此时需要给NULL进行转换
select distinct nvl(column1,""),nvl(column2,0) from t;
--count(*)、count(1)对所有行进行统计,包括null行,count(column_name)只对该列中非null的进行统计
--Hive中要避免使用count(distinct),它无法进行聚合操作,只在一个reduce上完成,容易出现性能瓶颈甚至oom内存溢出,使用group by来替代
--count distinct
select col1,count(distinct id) as did
from t
group by col1;
--使用group by优化替代
select col1,count(id) as did
from(select col1,id from t group by col1,id) as temp
group by col1;
- subquerys子查询&exists/in&left semi join
--subquerys子查询:hive只支持from和where后的子查询
--如果子查询中包含null值,不能使用not in(not in会报错,in不会)
--不推荐使用in/not in,可使用exists/not exists替代,支持子查询中的多值匹配
--not exists和left join可以有等价写法
--not exists
select a,b
from t1
where not exists(select 1 from t2 where t1.a=t2.a and t1.b=t2.b);
--等价not exists的left join写法
select t1.a,t2.b
from t1
left join t2
on (t1.a=t2.a and t1.b=t2.b)
where t2.a is null;
--left semi join 替代 in和exists,效率更高
--LEFT SEMI JOIN(左半连接)是IN/EXISTS子句查询的一种更高效的实现
--LEFT SEMI JOIN 的限制是:JOIN 子句中右边的表只能在ON 子句中设置过滤条件,在WHERE 子句、SELECT 子句或其他地方过滤都不行
--LEFT SEMI JOIN 只会显示出左边表的字段,left semi join会掉右表中重复的记录,不会因为右表重复key join出多条
--in/exists
SELECT a.key, a.value
FROM a
WHERE a.key in
(SELECT b.key
FROM B);
--left semi join替代in/exists
SELECT a.key, a.val
FROM a LEFT SEMI JOIN b on (a.key = b.key)
- sort by&distribute by&cluster by&order by
--ORDER BY 全局排序,默认了reducer个数为1,只有一个Reduce任务,效率低下,如果对大数据集进行order by排序可能会造成性能瓶颈,造成reduce的时间非常长
--如果在strict模式下使用order by语句,那么必须要在语句中加上limit关键字,因为执行order by只启动单个reduce,如果排序的结果集过大,那么执行时间会很久的原因
set hive.mapred.mode=nonstrict; (default value / 默认值)
set hive.mapred.mode=strict;
--order by会引发全局排序,数据量较小order by即可(Hive中尽量不要使用order by,除非非常确定结果集非常小)
--实际场景中一般先使用sort by再使用order by效率更高一些,使用distribute和sort进行分组排序,sort by+order by,sort by过程可以设置reducer个数(n),order by过程用n个reduce的输出文件进行一次全排序,得到最终结果
--sort by&distribute by
--sort by只能保证在单个reduce内有序
select * from baidu_click distribute by product_line sort by click desc;
select * from t distribute by id sort by id;
--distribute指定map输出结果是如何分配的,上句中相同的id会被分配到同一个reduce上去处理,然后再通过sort by对各个reduce上的id进行排序(被distribute by设定的字段为KEY,数据会被HASH分发到不同的reducer机器上,然后sort by会对同一个reducer机器上的每组数据进行局部排序)
--cluster by(distribute by + sort by替代方案)
--当distribute by和sort by的字段完全一致时,等价于cluster by,但cluster by排序只能是升序排序,不能指定排序规则为ASC或者DESC
--cluster by 和 distribute by 是很相似的,最大的不同是, cluster by 里含有一个分桶的方法
select * from emp cluster by deptno;
select * from emp distribute by deptno sort by deptno;
--常见两种高效的排序实现
--可先通过一个group by的子查询来取一个小的结果集,然后再对这个结果集进行全局排序
select * from (
select id,count(id) as cnt
from t
group by id) as temp
order by temp.cnt;
--高效实现top排序
--先取出各个结果集的top n,再取出全局的top n
select a.id,salary
from (select id,salary from t1 distribute by sort by salary desc limit 10) as temp
order by temp.salary limit 10;
HiveSQL使用注意项
-
创建表和删除表使用if not exists/if exists防止异常;
-
分区字段不能出现在建表中,只能出现在partition by中;
-
使用具体列名避免使用select *;
-
where 条件过滤时,!=、<>都会将null值过滤掉,导致实际结果集变小,如果需要保留null值:where (col1 <> "value" or col1 is null)
-
group by时,select的列别名不能被group by解析,group by后不能使用别名,因为hive执行解析严格按照SQL执行顺序,先group by,后select
-
Hive不支持UPDATE操作,只能drop再insert
-
hive创建视图和其它数据库创建视图无异
-
hive int与string类型,null底层默认存储为N,查询显示为null,导出文件会以存储格式导出,需要注意。若导出为null,存储的字符串就是null字符串而非null值;SQL中null代表空值, 值得警惕的是, 在HiveQL中String类型的字段若是空(empty)字符串, 即长度为0, 那么对它进行IS NULL的判断结果是False.
-
分号是SQL语句结束标记,在HiveQL中也是,但是在HiveSQL中,对分号的识别没有那么智慧,在DBeaver SQL IDE中也会出现因为加了;导致SQL报错的情况。另外字符";"使用需要转义,如:select concat(key,concat(";",key)); 在Hive中会报错,应使用分号的八进制的ASCII码进行转义,应写成:select concat(key,concat("73",key));
-
hive支持嵌入mapreduce程序,来处理复杂的逻辑,但一般不使用,为了维护方便,类似桶表一般也不使用
-
如何查看Hive的属性设置情况,如:set hive.mapred.mode; --hive.mapred.mode=nonstrict,要注意的是strict模式也会限制分区表的查询,解决方案是必须指定分区