1  基本理论

Hive 是建立在 Hadoop 上的数据仓库基础构架。它提供了一系列的工具，可以用来进行数据提取转化加载（ETL），这是一种可以存储、查询和分析存储在 Hadoop 中的大规模数据的机制。Hive 定义了简单的类 SQL 查询语言，称为 QL，它允许熟悉 SQL 的用户查询数据。同时，这个语言也允许熟悉 MapReduce 开发者的开发自定义的 mapper 和 reducer 来处理内建的 mapper 和 reducer 无法完成的复杂的分析工作。

1.1    架构

Hive 的结构可以分为以下几部分：

• 用户接口：包括 CLI, Client, WUI

• 元数据存储。通常是存储在关系数据库如 mysql, derby 中

• 解释器、编译器、优化器、执行器

• Hadoop：用 HDFS 进行存储，利用 MapReduce 进行计算

1、用户接口主要有三个：CLI，Client 和 WUI。其中最常用的是 CLI，Cli 启动的时候，会同时启动一个 Hive 副本。Client 是 Hive 的客户端，用户连接至 Hive Server。在启动 Client 模式的时候，需要指出 Hive Server 所在节点，并且在该节点启动 Hive Server。 WUI 是通过浏览器访问 Hive。

2、Hive 将元数据存储在数据库中，如 mysql、derby。Hive 中的元数据包括表的名字，表的列和分区及其属性，表的属性（是否为外部表等），表的数据所在目录等。

3、解释器、编译器、优化器完成 HQL 查询语句从词法分析、语法分析、编译、优化以及查询计划的生成。生成的查询计划存储在 HDFS 中，并在随后有 MapReduce 调用执行。

4、Hive 的数据存储在 HDFS 中，大部分的查询由 MapReduce 完成（包含 * 的查询，比如 select * from tbl 不会生成 MapRedcue 任务）。

1.2    Hive 和 Hadoop 的关系

Hive 构建在 Hadoop 之上。

• HQL 中对查询语句的解释、优化、生成查询计划是由 Hive 完成的

• 所有的数据都是存储在 Hadoop 中

• 查询计划被转化为 MapReduce 任务，在 Hadoop 中执行（有些查询没有 MR 任务，如：select * from table）

• Hadoop 和 Hive 都是用 UTF-8 编码的

1.3   Hive 和普通关系数据库的异同

1. 查询语言。由于 SQL 被广泛的应用在数据仓库中，因此，专门针对 Hive 的特性设计了类 SQL 的查询语言 HQL。熟悉 SQL 开发的开发者可以很方便的使用 Hive 进行开发。

2. 数据存储位置。Hive 是建立在 Hadoop 之上的，所有 Hive 的数据都是存储在 HDFS 中的。而数据库则可以将数据保存在块设备或者本地文件系统中。

3. 数据格式。Hive 中没有定义专门的数据格式，数据格式可以由用户指定，用户定义数据格式需要指定三个属性：列分隔符（通常为空格、”\t”、”\x001″）、行分隔符（”\n”）以及读取文件数据的方法（Hive 中默认有三个文件格式 TextFile，SequenceFile 以及 RCFile）。由于在加载数据的过程中，不需要从用户数据格式到 Hive 定义的数据格式的转换，因此，Hive 在加载的过程中不会对数据本身进行任何修改，而只是将数据内容复制或者移动到相应的 HDFS 目录中。而在数据库中，不同的数据库有不同的存储引擎，定义了自己的数据格式。所有数据都会按照一定的组织存储，因此，数据库加载数据的过程会比较耗时。

4. 数据更新。由于 Hive 是针对数据仓库应用设计的，而数据仓库的内容是读多写少的。因此，Hive 中不支持对数据的改写和添加 ，所有的数据都是在加载的时候中确定好的。而数据库中的数据通常是需要经常进行修改的，因此可以使用 INSERT INTO ...  VALUES 添加数据，使用 UPDATE... SET 修改数据。

5. 索引。之前已经说过，Hive 在加载数据的过程中不会对数据进行任何处理，甚至不会对数据进行扫描，因此也没有对数据中的某些 Key 建立索引。Hive 要访问数据中满足条件的特定值时，需要暴力扫描整个数据，因此访问延迟较高。由于 MapReduce 的引入， Hive 可以并行访问数据，因此即使没有索引，对于大数据量的访问，Hive 仍然可以体现出优势。数据库中，通常会针对一个或者几个列建立索引，因此对于少量的特定条件的数据的访问，数据库可以有很高的效率，较低的延迟。由于数据的访问延迟较高，决定了 Hive 不适合在线数据查询 。

6. 执行。Hive 中大多数查询的执行是通过 Hadoop 提供的 MapReduce 来实现的（类似 select * from tbl 的查询不需要 MapReduce）。而数据库通常有自己的执行引擎。

7. 执行延迟。之前提到，Hive 在查询数据的时候，由于没有索引，需要扫描整个表，因此延迟较高。另外一个导致 Hive 执行延迟高的因素是 MapReduce 框架。由于 MapReduce 本身具有较高的延迟，因此在利用 MapReduce 执行 Hive 查询时，也会有较高的延迟。相对的，数据库的执行延迟较低。当然，这个低是有条件的，即数据规模较小，当数据规模大到超过数据库的处理能力的时候，Hive 的并行计算显然能体现出优势。

8. 可扩展性。由于 Hive 是建立在 Hadoop 之上的，因此 Hive 的可扩展性是和 Hadoop 的可扩展性是一致的（世界上最大的 Hadoop 集群在 Yahoo!，2009 年的规模在 4000 台节点左右）。而数据库由于 ACID 语义的严格限制，扩展行非常有限。目前最先进的并行数据库 Oracle 在理论上的扩展能力也只有 100 台左右。

9. 数据规模。由于 Hive 建立在集群上并可以利用 MapReduce 进行并行计算，因此可以支持很大规模的数据；对应的，数据库可以支持的数据规模较小。

1.4   Hive 元数据库

元数据库数据字典：

从上面几张表的内容来看，hive 整个创建表的过程已经比较清楚了

1. 解析用户提交 hive 语句，对其进行解析，分解为表、字段、分区等 hive 对象

2. 根据解析到的信息构建对应的表、字段、分区等对象，从 SEQUENCE_TABLE 中获取构建对象的最新 ID，与构建对象信息(名称，类型等)一同通过 DAO 方法写入到元数据表中去，成功后将 SEQUENCE_TABLE 中对应的最新 ID+5。

实际上我们常见的 RDBMS 都是通过这种方法进行组织的，典型的如 postgresql，其系统表中和 hive 元数据一样裸露了这些 id 信息(oid,cid 等),而 Oracle 等商业化的系统则隐藏了这些具体的 ID。通过这些元数据我们可以很容易的读到数据诸如创建一个表的数据字典信息，比如导出建表语名等。

1.5    Hive 的数据存储

首先，Hive 没有专门的数据存储格式，也没有为数据建立索引，用户可以非常自由的组织 Hive 中的表，只需要在创建表的时候告诉 Hive 数据中的列分隔符和行分隔符，Hive 就可以解析数据。其次，Hive 中所有的数据都存储在 HDFS 中，Hive 中包含以下数据模型：Table，External Table，Partition，Bucket。

1.Hive 中的 Table 和数据库中的 Table 在概念上是类似的，每一个 Table 在 Hive 中都有一个相应的目录存储数据。例如，一个表 htduan，它在 HDFS 中的路径为：/ warehouse /htduan，其中，warehouse 是在 hive-site.xml 中由 ${hive.metastore.warehouse.dir} 指定的数据仓库的目录，所有的 Table 数据（不包括 External Table）都保存在这个目录中。

2.Partition 对应于数据库中的 Partition 列的密集索引，但是 Hive 中 Partition 的组织方式和数据库中的很不相同。在 Hive 中，表中的一个 Partition 对应于表下的一个目录，所有的 Partition 的数据都存储在对应的目录中。例如：htduan 表中包含 dt 和 city 两个 Partition，则对应于 dt = 20100801, ctry = US 的 HDFS 子目录为：/ warehouse /htduan/dt=20100801/ctry=US；对应于 dt = 20100801, ctry = CA 的 HDFS 子目录为；/ warehouse /htduan/dt=20100801/ctry=CA

3.Buckets 对指定列计算 hash，根据 hash 值切分数据，目的是为了并行，每一个 Bucket 对应一个文件。将 user 列分散至 32 个 bucket，首先对 user 列的值计算 hash，对应 hash 值为 0 的 HDFS 目录为：/ warehouse /htduan/dt =20100801/ctry=US/part-00000；hash 值为 20 的 HDFS 目录为：/ warehouse /htduan/dt =20100801/ctry=US/part-00020

4.External Table 指向已经在 HDFS 中存在的数据，可以创建 Partition。它和 Table 在元数据的组织上是相同的，而实际数据的存储则有较大的差异。

• Table 的创建过程和数据加载过程（这两个过程可以在同一个语句中完成），在加载数据的过程中，实际数据会被移动到数据仓库目录中；之后对数据对访问将会直接在数据仓库目录中完成。删除表时，表中的数据和元数据将会被同时删除。

• External Table 只有一个过程，加载数据和创建表同时完成（CREATE EXTERNAL TABLE ……LOCATION），实际数据是存储在 LOCATION 后面指定的 HDFS 路径中，并不会移动到数据仓库目录中。当删除一个 External Table 时，仅删除 hive 的元数据，不会删除 hdfs 上对应的文件。

2  常用函数

2.1    条件函数

1、NVL(expr1, expr2)

空值转换函数。如果 expr1 为 NULL，返回值为 expr2，否则返回 expr1。适用于数字型、字符型和日期型，但是 expr1 和 expr2 的数据类型必须为同类型。

2、IF(boolean testCondition, T valueTrue, T valueFalseOrNull)

if 函数，当条件 testCondition 为 TRUE 时，返回 valueTrue；否则返回 valueFalseOrNull

hive> select if(1=2,100,200) from dual;200hive> select if(1=1,100,200) from dual;100

3、COALESCE(T v1, T v2, …)

非空查找函数，返回参数中的第一个非空值；如果所有值都为 NULL，那么返回 NULL。

hive> select COALESCE(null,'100','50′) from dual;100

4、CASE a WHEN b THEN c [WHEN d THEN e]* [ELSE f] END

条件判断函数，如果 a 等于 b ，那么返回 c ；如果 a 等于 d ，那么返回 e ；否则返回 f。

hive> Select case 100 when 50 then 'tom' when 100 then 'mary' else 'tim' end from dual;

2.2    Hive 字符串函数

1、string substr(string A, int start),string substring(string A, int start)

字符串截取函数，二者用法相同，返回字符串 A 从 start 位置到结尾的字符串。

hive> select substring('abcde',3) from test;cdehive> select substr('abcde',-1) from test; (和 ORACLE 相同)e

2、string substr(string A, int start, int len),string substring(string A, intstart, int len)

字符串截取函数，二者用法相同，返回字符串 A 从 start 位置开始，长度为 len 的字符串。

hive> select substring('abcde',3,2) from test;cdhive>select substring('abcde',-2,2) from test;de

3、int instr(string str, string substr)

字符串查找函数，返回字符串 substr 在 str 中首次出现的位置。

hive> select instr('abcdf','df') from test;4

4、string concat(string A, string B...)

字符串连接函数，返回输入字符串连接后的结果,支持任意个输入字符串。

hive> select concat(‘abc’,'def’,'gh’) from test;abcdefgh

5、string concat_ws(string SEP, string A, string B...)

带分隔符字符串连接函数，返回输入字符串连接后的结果,SEP 表示各个字符串间的分隔符。

hive> select concat_ws(',','abc','def','gh') from test;abc,def,gh

6、string concat_ws(string SEP, array<string>)

数组转换成字符串的函数，返回将数组链接成字符串后的结果,SEP 表示各个字符串间的分隔符。

hive> select concat_ws('|',array('a','b','c')) fromtest;a|b|c

7、string format_number(number x, int d)

小数位格式化成字符串函数，将数值 x 的小数位格式化成 d 位,四舍五入。

hive> select format_number(5.23456,3) from test;5.235

8、int length(string A)

字符串长度函数，返回字符串的长度。

hive> select length('abc') from test;3

9、int locate(string substr, string str[, int pos])

字符串查找函数，返回字符串 substr 在 str 中从 pos 后查找,首次出现的位置。

hive> select locate('a','abcda',1) from test;1hive> select locate('a','abcda',2) from test;5

10、string printf(String format, Obj... args)

字符串格式化函数，将指定对象用 format 格式进行格式化。

hive> select printf("%08X",123) from test;0000007B

11、map<string,string> str_to_map(text[, delimiter1, delimiter2])

字符串转换成 map 函数，将字符串按照给定的分隔符转换成 map 结构。

hive> select str_to_map('k1:v1,k2:v2') from test;{"k2":"v2","k1":"v1"}hive> select str_to_map('k1=v1,k2=v2',',','=') fromtest;{"k2":"v2","k1":"v1"}

12、string upper(string A) /string ucase(string A)

字符串转大写函数，返回字符串 A 的大写格式。

hive> select upper('abSEd') from test;ABSED

13、string lower(string A) /string lcase(string A)

字符串转小写函数，返回字符串 A 的小写格式。

hive> select lower('abSEd') from test;absed

14、string trim(string A)/string ltrim(string A)/string rtrim(string A)

去空格函数，分别去除字符串两边，左边，右边的空格。

hive> select trim(' abc ') from test;abc

15、string regexp_extract(string subject, string pattern, int intex)

第一参数：   要处理的字段

第二参数:    需要匹配的正则表达式

第三个参数: 0 是显示与之匹配的整个字符串

1 是显示第一个括号里面的

2 是显示第二个括号里面的字段...

正则表达式替换函数，返回使用正则表达式提取的子字符串。例如，regexp_extract('foothevar','foo(.*?)(bar)', 2)='bar'。注意使用特殊字符的规则：使用'\s'代表的是字符's'；空白字符需要使用'\\s'，以此类推。

hive> select regexp_extract('foothebar','foo(.*?)(bar)', 1) from test;thehive> select regexp_extract('foothebar','foo(.*?)(bar)', 2) from test;barhive> select regexp_extract('foothebar', 'foo(.*?)(bar)', 0)from test;foothebar

16、string regexp_extract(string subject, string pattern, intindex)

正则表达式解析函数，将字符串 subject 按照 pattern 正则表达式的规则拆分,返回 index 指定的字符。

hive> select regexp_extract('foothebar','foo(.*?)(bar)', 1) from test;thehive> select regexp_extract('foothebar','foo(.*?)(bar)', 2) from test;barhive> select regexp_extract('foothebar', 'foo(.*?)(bar)', 0)from test;foothebar

17、string parse_url(string urlString, string partToExtract [, stringkeyToExtract])

URL 解析函数，返回 URL 中指定的部分。partToExtract 的有效值为:HOST, PATH, QUERY,REF,PROTOCOL, AUTHORITY, FILE, and USERINFO。

hive> selectparse_url('http://facebook.com/path1/p.php?k1=v1&k2=v2#Ref1', 'HOST') fromtest;facebook.comhive> selectparse_url('http://facebook.com/path1/p.php?k1=v1&k2=v2#Ref1', 'QUERY','k1')from test;v1

18、string get_json_object(string json_string, string path)

json 解析函数，解析 json 的字符串 json_string,返回 path 指定的内容。如果输入的 json 字符串无效,那么返回 NULL。

hive> select get_json_object('{"store":>{"fruit":\[{"weight":8,"type":"apple"},{"weight":9,"type":"pear"}],"bicycle":{"price":19.95,"color":"red"}> },>"email":"amy@only_for_json_udf_test.net",> "owner":"amy"> }> ','$.owner') from test;amy

19、string space(int n)

空格字符串函数，返回长度为 n 的字符串。

hive> select space(10) from test;hive> select length(space(10)) from test;10

20、string repeat(string str, int n)

重复字符串函数，返回重复 n 次后的 str 字符串。

hive> select repeat('abc',5) from test;abcabcabcabcabc

21、string lpad(string str, int len, string pad)/string rpad(string str, int len, string pad)

补足函数，分别将 str 进行用 pad 进行左、右补足到 len 位

hive> select lpad('abc',10,'td') from test;tdtdtdtabc

22、array split(string str, string pat)

分割字符串函数，按照 pat 字符串分割 str,会返回分割后的字符串数组。

hive> select split('abtcdtef','t') from test;["ab","cd","ef"]

23、int find_in_set(string str, string strList)

集合查找函数，返回 str 在 strlist 第一次出现的位置,strlist 是用逗号分割的字符串。如果没有找到该 str 字符,则返回 0。

hive> select find_in_set('ab','ef,ab,de') from test;2hive> select find_in_set('at','ef,ab,de') from test;0

24、array<array<string>> sentences(string str, string lang, string locale)

分词函数，返回输入 str 分词后的单词数组。

hive> select sentences('hello word!hello hive,hi hive,hellohive') from test;OK[["hello","word"],["hello","hive","hi","hive","hello","hive"]]

25、array<struct<string,double>> ngrams(array<array<string>>, int N, intK, int pf)

分词后统计一起出现频次最高的 TOP-K，与 sentences()函数一起使用,分词后,统计分词结果中一起出现频次最高的 TOP-K 结果。

hive> SELECT ngrams(sentences('hello word!hellohive,hi hive,hello hive'),2,2) FROM test;[{"ngram":["hello","hive"],"estfrequency":2.0},{"ngram":["hive","hello"],"estfrequency":1.0}]

该查询中,统计的是两个词在一起出现频次最高的 TOP-2

结果中,hello 与 hive 同时出现 2 次

26、array<struct<string,double>> context_ngrams(array<array<string>>,array<string>, int K, int pf)

分词后统计与指定单词一起出现频次最高的 TOP-K，与 sentences()函数一起使用,分词后,统计分词结果中与数组中指定的单词一起出现(包括顺序)频次最高的 TOP-K 结果。

hive>SELECTcontext_ngrams(sentences('helloword!hellohive,hihive,hellohive'),array('hello',null),3) FROM test;[{"ngram":["hive"],"estfrequency":2.0},{"ngram":["word"],"estfrequency":1.0}]

该查询中,统计的是与’hello’一起出现,并且在 hello 后面的频次最高的 TOP-3

结果中,hello 与 hive 同时出现 2 次,hello 与 word 同时出现 1 次。

hive>SELECTcontext_ngrams(sentences('helloword!hellohive,hihive,hellohive'),array(null,'hive'),3) FROM test;[{"ngram":["hello"],"estfrequency":2.0},{"ngram":["hi"],"estfrequency":1.0}]

该查询中,统计的是与’hive’一起出现,并且在 hive 之前的频次最高的 TOP-3。

27、int ascii(string str)

字符 ascii 码函数，返回字符串 str 中第一个字符的 ascii 码。

hive> select ascii('ba') from test;98

28、string base64(binary bin)

base64 字符串，返回二进制 bin 的 base 编码字符串。

hive> select base64(binary('test')) from test;bHh3MTIzNA==

29、binary unbase64(string str)

base64 解码函数，将给定的 base64 字符串解码成二进制。

hive> select unbase64('bHh3MTIzNA==') from test;test

2.3    其它函数

1、row_number() over(partition by column order by column)

partition by：类似 hive 的建表，分区的意思

order by ：排序，默认是升序，加 desc 降序

主要用途是到计算分区中的排序问题，所以使用好 row_number 是很重要的。表示根据 COL1 分组，在分组内部根据 COL2 排序，而此函数计算的值就表示每组内部排序后的顺序编号（该编号在组内是连续并且唯一的)。

注意：在使用 row_number() over()函数的时候，over()里面的分组以及排序的执行晚于 where、group by、order by 的执行。

2、explode(ARRAY)

将单列扩展成多行，explode 的参数可以是 array 还可以是 map，如果是 map,将生成 2 个字段，一个是 map 的键,字段名为 key，一个是 map 的值,字段的名为 value。

使用限制：

• 不能和其他字段一起使用；

select name,explode(subordinates) from employees; 

• 不支持函数嵌套；

select explode(explode(subordinates)) from employees

• 不能和 group by、sort by 和 cluster by 一起使用。

select explode(subordinates) from employees group by explode(subordinates)

3、inline(ARRAY<STRUCT[,STRUCT]>)

inline 一般结合 lateral view 使用。

select t1.col1 as name,t1.col2 as sub1from employees lateral view inline(array(struct(name,subordinates[0]))) t1

inline 嵌套多个 struct

select t1.col1 as name,t1.col2 as subfrom employees lateral view inline(array(struct(name,subordinates[0]),                          struct(name,subordinates[1]))) t1where t1.col2 is not null

还可以给 inline 的字段取别名

select t1.name,t1.subfrom employees lateral view inline(array(struct(name,subordinates[0]),                          struct(name,subordinates[1]))) t1 as name,subwhere t1.sub is not null