Hive数据仓库.pptVIP

DML-装载数据 装载hdfs中数据 hive LOAD DATA INPATH /test/hive/yearvip OVERWRITE INTO TABLE yearvip; 装载本地数据 hive LOAD DATA?LOCAL INPATH? /home/taomee/kendy/data/test? OVERWRITE INTO TABLE yearvip;? 给分区装载数据 hive LOAD DATA INPATH /test/hiveyearvip OVERWRITE INTO TABLE yearvip PARTITION(dt; DML-取数据 获取分区数据 hive SELECT * FROM yearvip4 a WHERE a.dt 增加分区 hiveALTER TABLE yearvip4 ADD PARTITION (dt PARTITION (dt; 删除分区 hiveALTER TABLE yearvip4 DROP PARTITION (dt; 查看分区 hiveSHOW PARTITIONS yearvip4; 导出数据到本地 hive?INSERT OVERWRITE LOCAL DIRECTORY /home/taomee/kendy/data/result? SELECT * FROM yearvip4 a WHERE a.dt Join操作 Hive 只支持等值连接（equality joins）、外连接（outer joins）和左半连接（left semi joins）。Hive 不支持所有非等值的连接，因为非等值连接非常难转化到 map/reduce 任务。另外，Hive 支持多于 2 个表的连接。 例： SELECT a.* FROM a JOIN b ON (a.id = b.id) SELECT a.* FROM a JOIN b ON (a.id = b.id AND a.department = b.department) 如果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 例如： 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，因为 join 中只使用了 b.key1 作为 join key。 Join操作 join 时，每次 map/reduce 任务的逻辑是这样的：reducer 会缓存 join 序列中除了最后一个表的所有表的记录，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 端减少内存的使用量。实践中，应该把最大的那个表(驱动表)写在最后（否则会因为缓存浪费大量内存）。 例如： SELECT a.val, b.val, c.val FROM a JOIN b ON (a.key = b.key1) JOIN c ON (c.key = b.key1) 所有表都使用同一个 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。 Join操作 Join 发生在 WHERE 子句之前。如果你想限制 join 的输出，应该在 WHERE 子句中写过滤条件——或是在 join 子句中写。 这里面一个容易混淆的问题是表分区的情况： 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 解决办法： SELECT a.