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。