大数据开发之路：hive篇

引语

---

大数据开发之路漫漫其修远兮，吾将上下而求索。很多入门大数据的小伙伴，可能第一个接触到的，就是一只可爱的“小象”，也就是我们的大数据领域的数据仓库工具hive。

---

 

 

---

这只小象给我们提供了方便类SQL查询语言HQL来操纵数据，使得我们一开始不用编写复杂的代码，就可以轻松的探索数据。Hive对于熟悉传统数据库的同学来说，算是很友好的一个入门工具。

想成为云计算大数据Spark高手，看这里！戳我阅读

年薪50W的Java程序员转大数据学习路线戳我阅读

大数据人工智能发展趋势与前景  戳我阅读

最全最新的大数据系统交流路径！!戳我阅读

2019最新！大数据工程师就业薪资，让人惊艳！戳我阅读

原理

---

在大数据生态中，hive一般作为数据仓库来使用。什么是数据仓库呢？简单来说就像一个大粮仓，里边堆着各种各样的粮食，比如小麦、玉米、土豆、大米等等。数据仓库里是一个数据集合体，把不同数据源按照一定的形式集合统一起来。 Hive本身是不做数据存储的，它是构建在分布式存储系统HDFS之上，我们平常看到的表数据其实本质上来说还是HDFS的文件。Hive把这些HDFS数据文件，通过元数据规则映射为数据库的表，并且可以提供SQL操作的功能。 Hive总体结构比较简单，下方是整体的hive架构图，我们可以看到，总体有三个组件：用户接口、元数据系统、驱动器。

 

 

 

用户通过用户接口来输入操作指令。一般接口有三种形式：

 

CLI端：一般在linux服务器直接输入hive即可进入；

WEB模式：通过命令bin/hive --service hwi启动，默认访问9999端口；

远程模式：一般是JDBC之类的编程接口；

 

Hive的核心在于驱动器，一般驱动器接收到用户接口传递的一条SQL之后，会进行下面的一系列操作：

• 驱动器开始进行语法和语义分析

• 生成逻辑计划并且逻辑优化

• 生成物理计划

• 发送计划到执行引擎（常用引擎有mapredue和sprk）执行

• 结果返回

而元数据系统一般传统数据库来承载，主要记录了包括hive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。

 

 

常用hive语法

---

了解了hive的基础原理之后呢，我们这里结合工作中一些需求，来介绍下开发同学常用的hive操作。

 

• 分组统计

---

作为一名SQL仔，经常会要去统计一些奇奇怪怪的指标，比如不同年龄段的UV，下单数的小时分布之类的。一般常用的分组就是group by了，然后配合上一些窗口函数， SUM、AVG、MIN、MAX、COUNT等，就可以实现我们很多统计需求了。比如下边的统计时间段的独立用户数,查询结果如下图所示：

 

 

 

• 关联查询

  ---

有时候我们查询的数据存放在不同的表中，那关联查询就派上用场了。所谓关联查询，一般就是通过两张表相同的字段值关联起来，同时查询两张表的记录。Hive中常用关联分内外关联。

我们先建立两张简单的表tab_a和tab_b，用实例来说明关联机制。表结构和表数据如下图所示：

 

 

内关联一般使用关键字Join或inner join，内关联只返回关联上的结果。

 

 

外关联的形式就比较多样化了，又分为：

 

左外关联：关键字为left [outer] join，以前边的表为主表，返回记录数和主表记录一致，关联不上的字段为null；

 

 

右外关联：关键字为right [outer] join，和左外关联相反，则是以后边的表为主表。

全外关联：full [outer] join，返回两个表的去重之和，关联不上的字段为null。

 

• 行列转换

---

有时候我们会遇到这样的需求，需要把多列的数据平铺到一行上输出。比如查询用户的访问轨迹，这时候有两个函数就起上作用了。还是让我们先来看看效果。

这两个sql的作用都是把每个用户的点击轨迹拼接暂展示出来，其中collect_set和collect_set能够把列数据合并，转为一行。而两个的唯一区别就是collect_set会进行去重。

上述讲的是行转列，还有些需求，希望我们能把列数据拆分成多行，比如数据结构如下，

Page_id String	Ad_id Array<int>
A	[1,2,3]
B