Hive查询操作

2023-07-05 07:15| 来源: 网络整理| 查看: 265

Hive基本查询语法基本使用规则基本查询语句组成 select .. from .. join [tableName] on .. where .. group by .. having .. order by .. sort by .. limit .. union | union all ... 执行顺序第一步: FROM 第二步: ON 第三步: JOIN 第四步: WHERE 第五步: GROUP BY 第六步: HAVING 第七步: SELECT 第八步: DISTINCT 第九步: ORDER BY 第十步: LIMIT 标准sql语句的一些规则： -1. 列别名的使用，必须完全符合执行顺序，不能提前使用。（mysql除外） -2. 在分组查询时，select子句中只能含有分组字段和聚合函数，不能有其他普通字段。(mysql除外) 查询原则 1. 尽量不使用子查询、尽量不使用in 或者not in (可以使用 [not] exists替代) 2. 尽量避免join连接查询，但是通常避免不了 3. 查询永远是小表驱动大表（小表作为驱动表） --注意：内连接时，默认是左表是驱动表，因此左表一定要是小表。 -- 外连接看需求而定。常用子句回顾 where语句特点 where后不能使用聚合函数，可以使用子查询，也可以是普通函数。条件可以是： 1. 关系表达式： =, >,>=,any(); 注意事项：在hive的where中如果使用了子查询作为条件，等号“=”不好使，需要使用[not] in. 换句话说，即使子查询返回的是唯一的一个值，也是集合形式。

group by语句特点

group by: 分组，通常和聚合函数搭配使用查询的字段要么出现在group by 后面，要么出现在聚合函数里面聚合函数：count(),sum(),max(),min(),avg() count的执行 1. 执行效果上： - count(*)包括了所有的列，相当于行数，在统计结果的时候不会忽略null值 - count(1)包括了所有列，用1代表行，在统计结果的时候也不会忽略null值 - count(列名)只包括列名那一列，在统计结果时，会忽略null值 2.执行效率上： - 列名为主键，count(列名)会比count(1)快 - 列名不为主键，count(1)会比count(列名)快 - 如果表中有多个列并且没有主键，count（1）的效率高于count(*) - 如果有主键count(主键)效率是最高的 - 如果表中只有一个字段count(*)效率最高 having子句特点对分组以后的结果集进行过滤。可以使用聚合函数。 order by子句对查询的数据进行排序。 desc 降序 asc 升序语法： order by colName [desc|asc][,colName [desc|asc]]

limit语句特点

limit ：从结果集中取数据的条数将set hive.limit.optimize.enable=true 时，limit限制数据时就不会全盘扫描，而是根据限制的数量进行抽样。同时还有两个配置项需要注意： hive.limit.row.max.size=100000 这个是控制最大的抽样数量【默认值是100000】 hive.limit.optimize.limit.file=10 这个是抽样的最大文件数量【默认值是10个】缺点：可能输入中有用的数据永远都不会被抽样到。注意：limit 在mysql中可以有两个参数 limit [m,] n 在hive中，只能有一个参数 limit n; 查询前n条。一般情况下，在使用limit时，都会先order by排序。 join连接 join知识点回顾

有的业务所需要的数据，不是在一张表中，通常会存在多张表中，而这些表中通常应该会存在"有关系"的字段。多表查询时，使用关联字段"连接"（join）在一起，组合成一个新的数据集，就是连接查询。

连接查询操作分为两大类：内连接和外连接，而外连接有细分为三种类型。参考下图

1. 内连接: [inner] join 2. 外连接 (outer join)：（引出一个驱动表的概念：驱动表里的数据全部显示) - 左外连接:left [outer] join, 左表是驱动表 - 右外连接:right [outer] join, 右表是驱动表 - 全外连接:full [outer] join, hive支持，mysql不支持.两张表里的数据全部显示出来 3. 注意： join连接只支持等值连接

需要大家注意的是，两张表的关联字段的值往往是不一致的。比如，表 A 包含张三和李四，表 B 包含李四和王五，匹配的只有李四这一条记录。从上图很容易看出，一共有四种处理方式和结果。下图就是四种连接的图示，这张图比上面的维恩图更易懂，也更准确。

join

上图中，表 A 的记录是 123，表 B 的记录是 ABC，颜色表示匹配关系。返回结果中，如果另一张表没有匹配的记录，则用 null 填充，这四种连接，又可以分成两大类：内连接（inner join）表示只包含匹配的记录，外连接（outer join）表示还包含不匹配的记录。所以，左连接、右连接、全连接都属于外连接。

笛卡尔积

指的是表 A 和表 B 不存在关联字段，这时表 A（共有 n 条记录）与表 B （共有 m 条记录）连接后，会产生一张包含 n x m 条记录(笛卡尔积)的新表。

cross

案例演示：

准备数据 u1文件中的数据如下： 1,a 2,b 3,c 4,d 7,y 8,u u2文件中的数据如下： 2,bb 3,cc 7,yy 9,pp create table if not exists u1( id int, name string ) row format delimited fields terminated by ',' ; create table if not exists u2( id int, name string ) row format delimited fields terminated by ',' ; load data local inpath './data/u1.txt' into table u1; load data local inpath './data/u2.txt' into table u2; left semi join

在hive中，有一种专有的join操作,left semi join,我们称之为半开连接。它是left join的一种优化形式，只能查询左表的信息，主要用于解决hive中左表的数据是否存在的问题。相当于exists关键字的用法。

先回顾exists关键字的用法：exists关键字：满足条件返回true,不满足条件返回false

练习: 查询有领导的员工信息 select * from emp where mgr is not null select * from emp A where exists (select 1 from emp B where B.empno = A.mgr ) select * from emp A left semi join emp B on A.mgr = B.empno; 查询有下属的员工信息 select * from emp A where exists (select 1 from emp B where B.mgr = A.empno ) 查看有部门的所有员工的信息 select * from emp A where exists (select 1 from dept B where B.deptno = A.deptno )

left semi join的写法。

-- 左外连接，左表中的数据全部返回 select * from u1 left join u2 on u1.id =u2.id; select * from u1 left outer join u2 on u1.id =u2.id; -- 左半开连接，只显示左表中满足条件的数据。和exists的逻辑是相同的 select * from u1 left semi join u2 on u1.id =u2.id; -- exists的写法 select * from u1 where exists (select 1 from u2 where u2.id =u1.id); --验证left semi join 是否可以显示第二张表的信息：错误写法。 select A.*, B.* from u1 A left semi join u2 B on A.id =B.id;

注意： hive中不支持right semi join

更多大数据精彩内容欢迎B站搜索“千锋教育”或者扫码领取全套资料

【本文地址】

Hive查询操作

Hive查询操作

今日新闻

推荐新闻