hive regex insert join group cli

hive regex insert join group cli

大家好,又见面了,我是全栈君,祝每个程序员都可以多学几门语言。

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。

版权声明:本文内容由互联网用户自发贡献,该文观点仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容, 请发送邮件至 举报,一经查实,本站将立刻删除。

发布者:全栈程序员-用户IM,转载请注明出处:https://javaforall.cn/118336.html原文链接:https://javaforall.cn

【正版授权,激活自己账号】: Jetbrains全家桶Ide使用,1年售后保障,每天仅需1毛

【官方授权 正版激活】: 官方授权 正版激活 支持Jetbrains家族下所有IDE 使用个人JB账号...

(0)


相关推荐

  • 十字链表[通俗易懂]

    十字链表[通俗易懂]    ~~~~    有需求才有供应,很多东西,都是为了解决实际问题才出现的,项目中出现了很多稀疏矩阵,而且需要对他们进行运算,而十字链表就是为了解决稀疏矩阵而出现的一种数据结构。稀疏矩阵    ~~~~    稀疏矩阵(英语:spa…

  • pytest skipif_白盒测试用例

    pytest skipif_白盒测试用例前言pytest.mark.skip可以标记无法在某些平台上运行的测试功能,或者您希望失败的测试功能Skip和xfail:处理那些不会成功的测试用例你可以对那些在某些特定平台上不能运行的测试用

  • redis scan命令_redis 查询命令

    redis scan命令_redis 查询命令我们可能会遇到需要运行的某些命令在godis中不存在的情况,这个时候我们可以使用其原生的方式运行命令,为了方便使用,封装了一个方法,用于简化这个过程。需要注意的是,执行命令的返回结果返回的是interface{},需要对其进行解析成可读的实体结构。传递的参数logger是用来打印日志的://RunRedisCmd运行redis命令funcRunRedisCmd(redis*godis.Redis,logger*log.Logger,cmdstring,args…string)

  • php提取字符串中的数字

    php提取字符串中的数字

    2021年10月30日
  • [和管子对话] 1 2007-4-5/对面向对象的你言我语

    [和管子对话] 1 2007-4-5/对面向对象的你言我语

  • webgame开发中常用的一些类

    webgame开发中常用的一些类这个只是自己在开发游戏过程中所总结出来的,仅供参考。1、加载队列QueueLoader,游戏一定是有很多的资源需要加载,这个类可以让资源以顺序进行加载;2、ZIP解压工具类nochump类,这里有之前写过的例子–>使用as工具包解压zip文件。这里还有另外一个Zip处理类ZipArchive3、声音管理类SoundManager,游戏一般都有很多音乐需要管理:…

发表回复

您的电子邮箱地址不会被公开。

关注全栈程序员社区公众号