跳转至

45.大数据平台和HiveSQL

Hive简介

Hive 是 Facebook 开源的一款基于 Hadoop 的数据仓库工具，目前由 Apache 软件基金会维护，它是应用最广泛的大数据处理解决方案，它能将 SQL 查询转变为 MapReduce（Google提出的一个软件架构，用于大规模数据集的并行运算）任务，对 SQL 提供了完美的支持，能够非常方便的实现大数据统计。

说明：可以通过https://www.edureka.co/blog/hadoop-ecosystem来了解 Hadoop 生态圈。

如果要简单的介绍 Hive，那么以下两点是其核心：

  1. 把 HDFS 中结构化的数据映射成表。
  2. 通过把 HQL 进行解析和转换，最终生成一系列基于 Hadoop 的 MapReduce 任务或 Spark 任务，通过执行这些任务完成对数据的处理。也就是说，即便不学习 Java、Scala 这样的编程语言，一样可以实现对数据的处理。

Hive的应用场景。

Hive和传统关系型数据库的对比如下图和下表所示。

Hive RDBMS
查询语言 HQL SQL
存储数据 HDFS 本地文件系统
执行方式 MapReduce / Spark Executor
执行延迟 高 低
数据规模 大 小

准备工作

  1. 搭建如下图所示的大数据平台。

  2. 通过Client节点（跳板机）访问大数据平台。

  3. 创建文件Hadoop的文件系统。

    Bash
    1
    hdfs dfs -mkdir /user/root

  4. 将准备好的数据文件拷贝到Hadoop文件系统中。

    Bash
    1
    hdfs dfs -put /home/ubuntu/data/* /user/root

  5. 进入 hive 命令行。

    Bash
    1
    hive

建库建表

  1. 创建。

    SQL
    1
    create database eshop;

  2. 删除。

    SQL
    1
    drop database eshop cascade;

  3. 切换。

    SQL
    1
    use eshop;

数据类型

Hive的数据类型如下所示。

基本数据类型：

数据类型 占用空间 支持版本
tinyint 1-Byte
smallint 2-Byte
int 4-Byte
bigint 8-Byte
boolean
float 4-Byte
double 8-Byte
string
binary 0.8版本
timestamp 0.8版本
decimal 0.11版本
char 0.13版本
varchar 0.12版本
date 0.12版本

复合数据类型：

数据类型 描述 例子
struct 和C语言中的结构体类似 struct<first_name:string, last_name:string>
map 由键值对构成的元素的集合 map<string,int>
array 具有相同类型的变量的容器 array<string>

  1. 创建内部表。

    SQL
     1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
    create table if not exists dim_user_info 
(
user_id string,
user_name string, 
sex string,
age int,
city string,
firstactivetime string,
level int,
extra1 string,
extra2 map<string,string>
)
row format delimited fields terminated by '\t'
collection items terminated by ','
map keys terminated by ':'
lines terminated by '\n'
stored as textfile;

  2. 加载数据。

    SQL
    1
    load data local inpath '/home/ubuntu/data/user_info/user_info.txt' overwrite into table dim_user_info;

    或

    SQL
    1
    load data inpath '/user/root/user_info.txt' overwrite into table dim_user_info;

  3. 创建分区表。

    SQL
     1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
    create table if not exists fact_user_trade 
(
user_name string,
piece int,
price double,
pay_amount double,
goods_category string,
pay_time bigint
)  
partitioned by (dt string)
row format delimited fields terminated by '\t';

  4. 提供分区数据。

    Bash
    1
    hdfs dfs -put /home/ubuntu/data/user_trade/* /user/hive/warehouse/eshop.db/fact_user_trade

  5. 设置动态分区。

    SQL
    1
2
3
4
    set hive.exec.dynamic.partition=true;
set hive.exec.dynamic.partition.mode=nonstrict;
set hive.exec.max.dynamic.partitions=10000;
set hive.exec.max.dynamic.partitions.pernode=10000;

  6. 修复分区。

    SQL
    1
    msck repair table fact_user_trade;

查询

基本语法

SQL
1
2
3
4
5
6
7
8
-- 查询北京女用户的姓名取前10个
select user_name from dim_user_info where city='beijing' and sex='female' limit 10;

-- 查询2019年3月24日购买了food类商品的用户名、购买数量和支付金额（不聚合）
select user_name, piece, pay_amount from fact_user_trade where dt='2019-03-24' and goods_category='food';

-- 统计用户 ELLA 在2018年的总支付金额和最近最远两次消费间隔天数
select sum(pay_amount) as total, datediff(max(from_unixtime(pay_time, 'yyyy-MM-dd')), min(from_unixtime(pay_time, 'yyyy-MM-dd'))) from fact_user_trade where year(dt)='2018' and user_name='ELLA';

group by

SQL
1
2
-- 查询2019年1月到4月，每个品类有多少人购买，累计金额是多少
select goods_category, count(distinct user_name) as total_user, sum(pay_amount) as total_pay from fact_user_trade where dt between '2019-01-01' and '2019-04-30' group by goods_category;
SQL
1
2
-- 查询2019年4月支付金额超过5万元的用户
select user_name, sum(pay_amount) as total from fact_user_trade where dt between '2019-04-01' and '2019-04-30' group by user_name having sum(pay_amount) > 50000;
Text Only
1
2
-- 查询2018年购买的商品品类在两个以上的用户数
select count(tmp.user_name) from (select user_name, count(distinct goods_category) as total from fact_user_trade where year(dt)='2018' group by user_name having count(distinct goods_category)>2) tmp;

order by

SQL
1
2
-- 查询2019年4月支付金额最多的用户前5名
select user_name, sum(pay_amount) as total from fact_user_trade where dt between '2019-04-01' and '2019-04-30' group by user_name order by total desc limit 5;

常用函数

  1. from_unixtime：将时间戳转换成日期

    Text Only
    1
    select from_unixtime(pay_time, 'yyyy-MM-dd hh:mm:ss') from fact_user_trade limit 10;

  2. unix_timestamp：将日期转换成时间戳

  3. datediff：计算两个日期的时间差

    Text Only
    1
2
    -- 用户首次激活时间与设定参照时间的间隔
select user_name, datediff('2019-4-1', to_date(firstactivetime)) from dim_user_info limit 10;

  4. if：根据条件返回不同的值

    Text Only
    1
2
    -- 统计不同年龄段的用户数
select case when age < 20 then '20岁以下' when age < 30 then '30岁以下' when age < 40 then '40岁以下' else '40岁以上' end as age_seg, count(distinct user_id) as total from dim_user_info group by case when age < 20 then '20岁以下' when age < 30 then '30岁以下' when age < 40 then '40岁以下' else '40岁以上' end;
    Text Only
    1
2
    -- 不同性别高级等用户数量
select sex, if(level > 5, '高', '低') as level_type, count(distinct user_id) as total from dim_user_info group by sex, if(level > 5, '高', '低');

  5. substr：字符串取子串

    Text Only
    1
2
    -- 统计每个月激活的新用户数
select substr(firstactivetime, 1, 7) as month, count(distinct user_id) as total from dim_user_info group by substr(firstactivetime, 1, 7);

  6. get_json_object：从JSON字符串中取出指定的key对应的value，如：get_json_object(info, '$.first_name')。

    Text Only
    1
2
3
4
    -- 统计不同手机品牌的用户数
select get_json_object(extra1, '$.phonebrand') as phone, count(distinct user_id) as total from user_info group by get_json_object(extra1, '$.phonebrand');

select extra2['phonebrand'] as phone, count(distinct user_id) as total from user_info group by extra2['phonebrand'];

    说明：MySQL对应的函数名字叫json_extract。