Hive Sql 大全
本文根本涵盖了Hive日常应用的所有SQL，因为SQL太多，所以将SQL进行了如下分类：
一、DDL语句（数据定义语句）：
对数据库的操作：蕴含创立、批改数据库
对数据表的操作：分为外部表及内部表，分区表和分桶表
二、DQL语句（数据查问语句）：
单表查问、关联查问
hive函数：蕴含聚合函数，条件函数，日期函数，字符串函数等
行转列及列转行：lateral view 与 explode 以及 reflect
窗口函数与剖析函数
其余一些窗口函数文章首发于公众号【五分钟学大数据】，大数据畛域原创技术号，每周更新大数据技术文及面试真题解析，关注后可支付精心制作大数据面试宝典！
hive的DDL语法
对数据库的操作
- 创立数据库:
create database if not exists myhive;阐明：hive的表寄存地位模式是由hive-site.xml当中的一个属性指定的 :hive.metastore.warehouse.dir创立数据库并指定hdfs存储地位 :create database myhive2 location '/myhive2';批改数据库:
alter database myhive2 set dbproperties('createtime'='20210329');阐明：能够应用alter database 命令来批改数据库的一些属性。然而数据库的元数据信息是不可更改的，包含数据库的名称以及数据库所在的地位
- 查看数据库详细信息
查看数据库根本信息hive (myhive)> desc database myhive2;查看数据库更多详细信息hive (myhive)> desc database extended myhive2;删除数据库
删除一个空数据库，如果数据库上面有数据表，那么就会报错drop database myhive2;
强制删除数据库，蕴含数据库上面的表一起删除
drop database myhive cascade;
### 对数据表的操作#### 对治理表(外部表)的操作:- 建外部表:hive (myhive)> use myhive; -- 应用myhive数据库
hive (myhive)> create table stu(id int,name string);
hive (myhive)> insert into stu values (1,"zhangsan");
hive (myhive)> insert into stu values (1,"zhangsan"),(2,"lisi"); -- 一次插入多条数据
hive (myhive)> select * from stu;
- hive建表时候的字段类型:| **分类** | **类型** | **形容** | **字面量示例** || -------- | ------------------------------------------ | ---------------------------------------------- | ------------------------------------------------------------ || 原始类型 | BOOLEAN | true/false | TRUE || | TINYINT | 1字节的有符号整数 -128~127 | 1Y || | SMALLINT | 2个字节的有符号整数，-32768~32767 | 1S || | **INT** | 4个字节的带符号整数 | 1 || | BIGINT | 8字节带符号整数 | 1L || | FLOAT | 4字节单精度浮点数1.0 | || | DOUBLE | 8字节双精度浮点数 | 1.0 || | DEICIMAL | 任意精度的带符号小数 | 1.0 || | **STRING** | 字符串，变长 | “a”,’b’ || | VARCHAR | 变长字符串 | “a”,’b’ || | CHAR | 固定长度字符串 | “a”,’b’ || | BINARY | 字节数组 | 无奈示意 || | TIMESTAMP | 工夫戳，毫秒值精度 | 122327493795 || | **DATE** | 日期 | ‘2016-03-29’ || | INTERVAL| 工夫频率距离 | || 简单类型 | ARRAY | 有序的的同类型的汇合 | array(1,2) || | MAP | key-value,key必须为原始类型，value能够任意类型 | map(‘a’,1,’b’,2) || | STRUCT | 字段汇合,类型能够不同 | struct(‘1’,1,1.0), named_stract(‘col1’,’1’,’col2’,1,’clo3’,1.0) || | UNION | 在无限取值范畴内的一个值 | create_union(1,’a’,63) |> **对decimal类型简略解释下**： 用法：decimal(11,2) 代表最多有11位数字，其中后2位是小数，整数局部是9位；如果整数局部超过9位，则这个字段就会变成null；如果小数局部有余2位，则前面用0补齐两位，如果小数局部超过两位，则超出局部四舍五入 也可间接写 decimal，前面不指定位数，默认是 decimal(10,0) 整数10位，没有小数- 创立表并指定字段之间的分隔符create table if not exists stu2(id int ,name string) row format delimited fields terminated by '\t' stored as textfile location '/user/stu2';
> row format delimited fields terminated by '\t' 指定字段分隔符，默认分隔符为 '\001' stored as 指定存储格局 location 指定存储地位- 依据查问后果创立表create table stu3 as select * from stu2;
- 依据曾经存在的表构造创立表create table stu4 like stu2;
- 查问表的构造只查问表内字段及属性
desc stu2;
具体查问
desc formatted stu2;
- 查问创立表的语句show create table stu2;
#### 对外部表操作> 内部表因为是指定其余的hdfs门路的数据加载到表当中来，所以hive表会认为本人不齐全独占这份数据，所以删除hive表的时候，数据依然寄存在hdfs当中，不会删掉，只会删除表的元数据- 构建内部表create external table student (s_id string,s_name string) row format delimited fields terminated by '\t';
- 从本地文件系统向表中加载数据追加操作
load data local inpath '/export/servers/hivedatas/student.csv' into table student;
笼罩操作
load data local inpath '/export/servers/hivedatas/student.csv' overwrite into table student;
- 从hdfs文件系统向表中加载数据load data inpath '/hivedatas/techer.csv' into table techer;
加载数据到指定分区
load data inpath '/hivedatas/techer.csv' into table techer partition(cur_date=20201210);
> - **留神**： 1.应用 load data local 示意从本地文件系统加载，文件会拷贝到hdfs上 2.应用 load data 示意从hdfs文件系统加载，文件会间接挪动到hive相干目录下，留神不是拷贝过来，因为hive认为hdfs文件曾经有3正本了，没必要再次拷贝了 3.如果表是分区表，load 时不指定分区会报错 4.如果加载雷同文件名的文件，会被主动重命名#### 对分区表的操作- 创立分区表的语法create table score(s_id string, s_score int) partitioned by (month string);
- 创立一个表带多个分区create table score2 (s_id string, s_score int) partitioned by (year string,month string,day string);
> **留神： hive表创立的时候能够用 location 指定一个文件或者文件夹，当指定文件夹时，hive会加载文件夹下的所有文件，当表中无分区时，这个文件夹下不能再有文件夹，否则报错 当表是分区表时，比方 partitioned by (day string)， 则这个文件夹下的每一个文件夹就是一个分区，且文件夹名为 day=20201123这种格局，而后应用：msck repair table score; 修复表构造，胜利之后即可看到数据曾经全副加载到表当中去了**- 加载数据到一个分区的表中load data local inpath '/export/servers/hivedatas/score.csv' into table score partition (month='201806');
- 加载数据到一个多分区的表中去load data local inpath '/export/servers/hivedatas/score.csv' into table score2 partition(year='2018',month='06',day='01');
- 查看分区show partitions score;
- 增加一个分区alter table score add partition(month='201805');
- 同时增加多个分区alter table score add partition(month='201804') partition(month = '201803');
> 留神：增加分区之后就能够在hdfs文件系统当中看到表上面多了一个文件夹- 删除分区alter table score drop partition(month = '201806');
#### 对分桶表操作>将数据依照指定的字段进行分成多个桶中去，就是依照分桶字段进行哈希划分到多个文件当中去 分区就是分文件夹，分桶就是分文件>分桶长处： 1. 进步join查问效率 2. 进步抽样效率- 开启hive的捅表性能set hive.enforce.bucketing=true;
- 设置reduce的个数set mapreduce.job.reduces=3;
- 创立桶表create table course (c_id string,c_name string) clustered by(c_id) into 3 buckets;
>桶表的数据加载：因为桶表的数据加载通过hdfs dfs -put文件或者通过load data均不能够，只能通过insert overwrite 进行加载 所以把文件加载到桶表中，须要先创立一般表，并通过insert overwrite的形式将一般表的数据通过查问的形式加载到桶表当中去- 通过insert overwrite给桶表中加载数据insert overwrite table course select * from course_common cluster by(c_id); -- 最初指定桶字段
#### 批改表和删除表- 批改表名称alter table old_table_name rename to new_table_name;
- 减少/批改列信息查问表构造
desc score5;
增加列
alter table score5 add columns (mycol string, mysco string);
更新列
alter table score5 change column mysco mysconew int;
- 删除表操作drop table score5;
- 清空表操作truncate table score6;
阐明：只能清空治理表，也就是外部表；清空内部表，会产生谬误
> **留神：truncate 和 drop： 如果 hdfs 开启了回收站，drop 删除的表数据是能够从回收站复原的，表构造复原不了，须要本人从新创立；truncate 清空的表是不进回收站的，所以无奈复原truncate清空的表 所以 truncate 肯定慎用，一旦清空将无力回天**#### 向hive表中加载数据- 间接向分区表中插入数据insert into table score partition(month ='201807') values ('001','002','100');
- 通过load形式加载数据load data local inpath '/export/servers/hivedatas/score.csv' overwrite into table score partition(month='201806');
- 通过查问形式加载数据insert overwrite table score2 partition(month = '201806') select s_id,c_id,s_score from score1;
- 查问语句中创立表并加载数据create table score2 as select * from score1;
- 在创立表是通过location指定加载数据的门路create external table score6 (s_id string,c_id string,s_score int) row format delimited fields terminated by ',' location '/myscore';
- export导出与import 导入 hive表数据（外部表操作）create table techer2 like techer; --根据已有表构造创立表
export table techer to '/export/techer';
import table techer2 from '/export/techer';
#### hive表中数据导出- insert导出将查问的后果导出到本地
insert overwrite local directory '/export/servers/exporthive' select * from score;
将查问的后果格式化导出到本地
insert overwrite local directory '/export/servers/exporthive' row format delimited fields terminated by '\t' collection items terminated by '#' select * from student;
将查问的后果导出到HDFS上(没有local)
insert overwrite directory '/export/servers/exporthive' row format delimited fields terminated by '\t' collection items terminated by '#' select * from score;
- Hadoop命令导出到本地dfs -get /export/servers/exporthive/000000_0 /export/servers/exporthive/local.txt;
- hive shell 命令导出根本语法：（hive -f/-e 执行语句或者脚本 > file）
hive -e "select * from myhive.score;" > /export/servers/exporthive/score.txt
hive -f export.sh > /export/servers/exporthive/score.txt
- export导出到HDFS上export table score to '/export/exporthive/score';
## hive的DQL查问语法### 单表查问SELECT [ALL | DISTINCT] select_expr, select_expr, ...
FROM table_reference
[WHERE where_condition]
[GROUP BY col_list [HAVING condition]]
[CLUSTER BY col_list
| [DISTRIBUTE BY col_list] [SORT BY| ORDER BY col_list]
]
[LIMIT number]
> 留神： 1、order by 会对输出做全局排序，因而只有一个reducer，会导致当输出规模较大时，须要较长的计算工夫。 2、sort by不是全局排序，其在数据进入reducer前实现排序。因而，如果用sort by进行排序，并且设置mapred.reduce.tasks>1，则sort by只保障每个reducer的输入有序，不保障全局有序。 3、distribute by(字段)依据指定的字段将数据分到不同的reducer，且散发算法是hash散列。 4、Cluster by(字段) 除了具备Distribute by的性能外，还会对该字段进行排序。 因而，如果分桶和sort字段是同一个时，此时，cluster by = distribute by + sort by- WHERE语句select * from score where s_score < 60;
> 留神： 小于某个值是不蕴含null的，如上查问后果是把 s_score 为 null 的行剔除的 - GROUP BY 分组select s_id ,avg(s_score) from score group by s_id;
分组后对数据进行筛选，应用having
select s_id ,avg(s_score) avgscore from score group by s_id having avgscore > 85;
> 留神： 如果应用 group by 分组，则 select 前面只能写分组的字段或者聚合函数 where和having区别： 1 having是在 group by 分完组之后再对数据进行筛选，所以having 要筛选的字段只能是分组字段或者聚合函数 2 where 是从数据表中的字段间接进行的筛选的，所以不能跟在gruopby前面，也不能应用聚合函数- join 连贯INNER JOIN 内连贯：只有进行连贯的两个表中都存在与连贯条件相匹配的数据才会被保留下来
select * from techer t [inner] join course c on t.t_id = c.t_id; -- inner 可省略
LEFT OUTER JOIN 左外连贯：右边所有数据会被返回，左边符合条件的被返回
select * from techer t left join course c on t.t_id = c.t_id; -- outer可省略
RIGHT OUTER JOIN 右外连贯：左边所有数据会被返回，右边符合条件的被返回、
select * from techer t right join course c on t.t_id = c.t_id;
FULL OUTER JOIN 满外(全外)连贯: 将会返回所有表中符合条件的所有记录。如果任一表的指定字段没有符合条件的值的话，那么就应用NULL值代替。
SELECT * FROM techer t FULL JOIN course c ON t.t_id = c.t_id ;
> 注：1. hive2版本曾经反对不等值连贯，就是 join on条件前面能够应用大于小于符号了;并且也反对 join on 条件后跟or (早前版本 on 后只反对 = 和 and，不反对 \> \< 和 or) 2.如hive执行引擎应用MapReduce，一个join就会启动一个job，一条sql语句中如有多个join，则会启动多个job> 留神：表之间用逗号(,)连贯和 inner join 是一样的 select * from table_a,table_b where table_a.id=table_b.id; 它们的执行效率没有区别，只是书写形式不同，用逗号是sql 89规范，join 是sql 92规范。用逗号连贯前面过滤条件用 where ，用 join 连贯前面过滤条件是 on。- order by 排序全局排序，只会有一个reduce
ASC（ascend）: 升序（默认） DESC（descend）: 降序
SELECT * FROM student s LEFT JOIN score sco ON s.s_id = sco.s_id ORDER BY sco.s_score DESC;
> 留神：order by 是全局排序，所以最初只有一个reduce，也就是在一个节点执行，如果数据量太大，就会消耗较长时间- sort by 部分排序每个MapReduce外部进行排序，对全局后果集来说不是排序。
设置reduce个数
set mapreduce.job.reduces=3;
查看设置reduce个数
set mapreduce.job.reduces;
查问问题依照问题降序排列
select * from score sort by s_score;
将查问后果导入到文件中（依照问题降序排列）
insert overwrite local directory '/export/servers/hivedatas/sort' select * from score sort by s_score;
- distribute by 分区排序distribute by：相似MR中partition，进行分区，联合sort by应用
设置reduce的个数，将咱们对应的s_id划分到对应的reduce当中去
set mapreduce.job.reduces=7;
通过distribute by 进行数据的分区
select * from score distribute by s_id sort by s_score;
> 留神：Hive要求 distribute by 语句要写在 sort by 语句之前- cluster by当distribute by和sort by字段雷同时，能够应用cluster by形式.
cluster by除了具备distribute by的性能外还兼具sort by的性能。然而排序只能是正序排序，不能指定排序规定为ASC或者DESC。
以下两种写法等价
select * from score cluster by s_id;
select * from score distribute by s_id sort by s_id;
## Hive函数### 聚合函数hive反对 count(),max(),min(),sum(),avg() 等罕用的聚合函数
> 留神： 聚合操作时要留神null值 count(*) 蕴含null值，统计所有行数 count(id) 不蕴含null值 min 求最小值是不蕴含null，除非所有值都是null avg 求平均值也是不蕴含null- 非空集合总体变量函数: var_pop语法: var_pop(col)
返回值: double
阐明: 统计后果集中col非空集合的总体变量（疏忽null）
- 非空集合样本变量函数: var_samp语法: var_samp (col)
返回值: double
阐明: 统计后果集中col非空集合的样本变量（疏忽null）
- 总体规范偏离函数: stddev_pop语法: stddev_pop(col)
返回值: double
阐明: 该函数计算总体规范偏离，并返回总体变量的平方根，其返回值与VAR_POP函数的平方根雷同
- 中位数函数: percentile语法: percentile(BIGINT col, p)
返回值: double
阐明: 求精确的第pth个百分位数，p必须介于0和1之间，然而col字段目前只反对整数，不反对浮点数类型
### 关系运算反对：等值(=)、不等值(!= 或 <>)、小于(<)、小于等于(<=)、大于(>)、大于等于(>=)
空值判断(is null)、非空判断(is not null)
- LIKE比拟: LIKE语法: A LIKE B
操作类型: strings
形容: 如果字符串A或者字符串B为NULL，则返回NULL；如果字符串A合乎表达式B 的正则语法，则为TRUE；否则为FALSE。B中字符”_”示意任意单个字符，而字符”%”示意任意数量的字符。
- JAVA的LIKE操作: RLIKE语法: A RLIKE B
操作类型: strings
形容: 如果字符串A或者字符串B为NULL，则返回NULL；如果字符串A合乎JAVA正则表达式B的正则语法，则为TRUE；否则为FALSE。
- REGEXP操作: REGEXP语法: A REGEXP B
操作类型: strings
形容: 性能与RLIKE雷同
示例：select 1 from tableName where 'footbar' REGEXP '^f.*r$';
后果：1
### 数学运算反对所有数值类型：加(+)、减(-)、乘(*)、除(/)、取余(%)、位与(&)、位或(|)、位异或(^)、位取反(~)
### 逻辑运算反对：逻辑与(and)、逻辑或(or)、逻辑非(not)
### 数值运算- 取整函数: round 语法: round(double a)
返回值: BIGINT
阐明: 返回double类型的整数值局部 （遵循四舍五入）
示例：select round(3.1415926) from tableName;
后果：3
- 指定精度取整函数: round语法: round(double a, int d)
返回值: DOUBLE
阐明: 返回指定精度d的double类型
hive> select round(3.1415926,4) from tableName;
3.1416
- 向下取整函数: floor语法: floor(double a)
返回值: BIGINT
阐明: 返回等于或者小于该double变量的最大的整数
hive> select floor(3.641) from tableName;
3
- 向上取整函数: ceil语法: ceil(double a)
返回值: BIGINT
阐明: 返回等于或者大于该double变量的最小的整数
hive> select ceil(3.1415926) from tableName;
4
- 取随机数函数: rand语法: rand(),rand(int seed)
返回值: double
阐明: 返回一个0到1范畴内的随机数。如果指定种子seed，则会等到一个稳固的随机数序列
hive> select rand() from tableName; -- 每次执行此语句失去的后果都不同
0.5577432776034763
hive> select rand(100) ; -- 只有指定种子，每次执行此语句失去的后果一样的
0.7220096548596434
- 天然指数函数: exp语法: exp(double a)
返回值: double
阐明: 返回自然对数e的a次方
hive> select exp(2) ;
7.38905609893065
- 以10为底对数函数: log10语法: log10(double a)
返回值: double
阐明: 返回以10为底的a的对数
hive> select log10(100) ;
2.0
> 此外还有：以2为底对数函数: log2()、对数函数: log()- 幂运算函数: pow语法: pow(double a, double p)
返回值: double
阐明: 返回a的p次幂
hive> select pow(2,4) ;
16.0
- 开平方函数: sqrt语法: sqrt(double a)
返回值: double
阐明: 返回a的平方根
hive> select sqrt(16) ;
4.0
- 二进制函数: bin语法: bin(BIGINT a)
返回值: string
阐明: 返回a的二进制代码示意
hive> select bin(7) ;
111
> 十六进制函数: hex()、将十六进制转化为字符串函数: unhex() 进制转换函数: conv(bigint num, int from_base, int to_base) 阐明: 将数值num从from_base进制转化到to_base进制> 此外还有很多数学函数： 绝对值函数: abs()、正取余函数: pmod()、正弦函数: sin()、反正弦函数: asin()、余弦函数: cos()、反余弦函数: acos()、positive函数: positive()、negative函数: negative()### 条件函数- If函数: if 语法: if(boolean testCondition, T valueTrue, T valueFalseOrNull)
返回值: T
阐明: 当条件testCondition为TRUE时，返回valueTrue；否则返回valueFalseOrNull
hive> select if(1=2,100,200) ;
200
hive> select if(1=1,100,200) ;
100
- 非空查找函数: coalesce语法: coalesce(T v1, T v2, …)
返回值: T
阐明: 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') ;
100
- 条件判断函数：case when (两种写法，其一)语法: case when a then b [when c then d]* [else e] end
返回值: T
阐明：如果a为TRUE,则返回b；如果c为TRUE，则返回d；否则返回e
hive> select case when 1=2 then 'tom' when 2=2 then 'mary' else 'tim' end from tableName;
mary
- 条件判断函数：case when (两种写法，其二)语法: case a when b then c [when d then e]* [else f] end
返回值: T
阐明：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 tableName;
mary
### 日期函数> 注：以下SQL语句中的 from tableName 可去掉，不影响查问后果- 1) 获取以后UNIX工夫戳函数: unix_timestamp语法: unix_timestamp()
返回值: bigint
阐明: 取得以后时区的UNIX工夫戳
hive> select unix_timestamp() from tableName;
1616906976
- 2) UNIX工夫戳转日期函数: from_unixtime 语法: from_unixtime(bigint unixtime[, string format])
返回值: string
阐明: 转化UNIX工夫戳（从1970-01-01 00:00:00 UTC到指定工夫的秒数）到以后时区的工夫格局
hive> select from_unixtime(1616906976,'yyyyMMdd') from tableName;
20210328
- 3) 日期转UNIX工夫戳函数: unix_timestamp 语法: unix_timestamp(string date)
返回值: bigint
阐明: 转换格局为"yyyy-MM-dd HH:mm:ss"的日期到UNIX工夫戳。如果转化失败，则返回0。
hive> select unix_timestamp('2021-03-08 14:21:15') from tableName;
1615184475
- 4) 指定格局日期转UNIX工夫戳函数: unix_timestamp 语法: unix_timestamp(string date, string pattern)
返回值: bigint
阐明: 转换pattern格局的日期到UNIX工夫戳。如果转化失败，则返回0。
hive> select unix_timestamp('2021-03-08 14:21:15','yyyyMMdd HH:mm:ss') from tableName;
1615184475
- 5) 日期工夫转日期函数: to_date 语法: to_date(string timestamp)
返回值: string
阐明: 返回日期工夫字段中的日期局部。
hive> select to_date('2021-03-28 14:03:01') from tableName;
2021-03-28
- 6) 日期转年函数: year 语法: year(string date)
返回值: int
阐明: 返回日期中的年。
hive> select year('2021-03-28 10:03:01') from tableName;
2021
hive> select year('2021-03-28') from tableName;
2021
- 7) 日期转月函数: month 语法: month (string date)
返回值: int
阐明: 返回日期中的月份。
hive> select month('2020-12-28 12:03:01') from tableName;
12
hive> select month('2021-03-08') from tableName;
8
- 8) 日期转天函数: day 语法: day (string date)
返回值: int
阐明: 返回日期中的天。
hive> select day('2020-12-08 10:03:01') from tableName;
8
hive> select day('2020-12-24') from tableName;
24
- 9) 日期转小时函数: hour 语法: hour (string date)
返回值: int
阐明: 返回日期中的小时。
hive> select hour('2020-12-08 10:03:01') from tableName;
10
- 10) 日期转分钟函数: minute语法: minute (string date)
返回值: int
阐明: 返回日期中的分钟。
hive> select minute('2020-12-08 10:03:01') from tableName;
3
- 11) 日期转秒函数: second语法: second (string date)
返回值: int
阐明: 返回日期中的秒。
hive> select second('2020-12-08 10:03:01') from tableName;
1
- 12) 日期转周函数: weekofyear语法: weekofyear (string date)
返回值: int
阐明: 返回日期在以后的周数。
hive> select weekofyear('2020-12-08 10:03:01') from tableName;
49
- 13) 日期比拟函数: datediff 语法: datediff(string enddate, string startdate)
返回值: int
阐明: 返回完结日期减去开始日期的天数。
hive> select datediff('2020-12-08','2012-05-09') from tableName;
213
- 14) 日期减少函数: date_add 语法: date_add(string startdate, int days)
返回值: string
阐明: 返回开始日期startdate减少days天后的日期。
hive> select date_add('2020-12-08',10) from tableName;
2020-12-18
- 15) 日期缩小函数: date_sub 语法: date_sub (string startdate, int days)
返回值: string
阐明: 返回开始日期startdate缩小days天后的日期。
hive> select date_sub('2020-12-08',10) from tableName;
2020-11-28
### 字符串函数- 1) 字符串长度函数：length语法: length(string A)
返回值: int
阐明：返回字符串A的长度
hive> select length('abcedfg') from tableName;
7
- 2) 字符串反转函数：reverse语法: reverse(string A)
返回值: string
阐明：返回字符串A的反转后果
hive> select reverse('abcedfg') from tableName;
gfdecba
- 3) 字符串连贯函数：concat 语法: concat(string A, string B…)
返回值: string
阐明：返回输出字符串连贯后的后果，反对任意个输出字符串
hive> select concat('abc','def’,'gh')from tableName;
abcdefgh
- 4) 带分隔符字符串连贯函数：concat_ws 语法: concat_ws(string SEP, string A, string B…)
返回值: string
阐明：返回输出字符串连贯后的后果，SEP示意各个字符串间的分隔符
hive> select concat_ws(',','abc','def','gh')from tableName;
abc,def,gh
- 5) 字符串截取函数：substr,substring 语法: substr(string A, int start),substring(string A, int start)
返回值: string
阐明：返回字符串A从start地位到结尾的字符串
hive> select substr('abcde',3) from tableName;
cde
hive> select substring('abcde',3) from tableName;
cde
hive> select substr('abcde',-1) from tableName; （和ORACLE雷同）
e
- 6) 字符串截取函数：substr,substring 语法: substr(string A, int start, int len),substring(string A, int start, int len)
返回值: string
阐明：返回字符串A从start地位开始，长度为len的字符串
hive> select substr('abcde',3,2) from tableName;
cd
hive> select substring('abcde',3,2) from tableName;
cd
hive>select substring('abcde',-2,2) from tableName;
de
- 7) 字符串转大写函数：upper,ucase 语法: upper(string A) ucase(string A)
返回值: string
阐明：返回字符串A的大写格局
hive> select upper('abSEd') from tableName;
ABSED
hive> select ucase('abSEd') from tableName;
ABSED
- 8) 字符串转小写函数：lower,lcase 语法: lower(string A) lcase(string A)
返回值: string
阐明：返回字符串A的小写格局
hive> select lower('abSEd') from tableName;
absed
hive> select lcase('abSEd') from tableName;
absed
- 9) 去空格函数：trim 语法: trim(string A)
返回值: string
阐明：去除字符串两边的空格
hive> select trim(' abc ') from tableName;
abc
- 10) 右边去空格函数：ltrim语法: ltrim(string A)
返回值: string
阐明：去除字符串右边的空格
hive> select ltrim(' abc ') from tableName;
abc
- 11) 左边去空格函数：rtrim语法: rtrim(string A)
返回值: string
阐明：去除字符串左边的空格
hive> select rtrim(' abc ') from tableName;
abc
- 12) 正则表达式替换函数：regexp\_replace语法: regexp_replace(string A, string B, string C)
返回值: string
阐明：将字符串A中的合乎java正则表达式B的局部替换为C。留神，在有些状况下要应用转义字符,相似oracle中的regexp_replace函数。
hive> select regexp_replace('foobar', 'oo|ar', '') from tableName;
fb
- 13) 正则表达式解析函数：regexp\_extract语法: regexp_extract(string subject, string pattern, int index)
返回值: string
阐明：将字符串subject依照pattern正则表达式的规定拆分，返回index指定的字符。
hive> select regexp_extract('foothebar', 'foo(.*?)(bar)', 1) from tableName;
the
hive> select regexp_extract('foothebar', 'foo(.*?)(bar)', 2) from tableName;
bar
hive> select regexp_extract('foothebar', 'foo(.*?)(bar)', 0) from tableName;
foothebar
strong>留神，在有些状况下要应用转义字符，上面的等号要用双竖线本义，这是java正则表达式的规定。
select data_field,
regexp_extract(data_field,'.*?bgStart\=(1+)',1) as aaa,
regexp_extract(data_field,'.*?contentLoaded_headStart\=(1+)',1) as bbb,
regexp_extract(data_field,'.*?AppLoad2Req\=(1+)',1) as ccc
from pt_nginx_loginlog_st
where pt = '2021-03-28' limit 2;
- 14) URL解析函数：parse\_url 语法: parse_url(string urlString, string partToExtract [, string keyToExtract])
返回值: string
阐明：返回URL中指定的局部。partToExtract的有效值为：HOST, PATH, QUERY, REF, PROTOCOL, AUTHORITY, FILE, and USERINFO.
hive> select parse_url
('https://www.tableName.com/pat...', 'HOST')
from tableName;
www.tableName.com
hive> select parse_url
('https://www.tableName.com/pat...', 'QUERY', 'k1')
from tableName;
v1
- 15) json解析函数：get\_json\_object 语法: get_json_object(string json_string, string path)
返回值: string
阐明：解析json的字符串json_string,返回path指定的内容。如果输出的json字符串有效，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 tableName;
- 16) 空格字符串函数：space语法: space(int n)
返回值: string
阐明：返回长度为n的字符串
hive> select space(10) from tableName;
hive> select length(space(10)) from tableName;
10
- 17) 反复字符串函数：repeat 语法: repeat(string str, int n)
返回值: string
阐明：返回反复n次后的str字符串
hive> select repeat('abc',5) from tableName;
abcabcabcabcabc
- 18) 首字符ascii函数：ascii语法: ascii(string str)
返回值: int
阐明：返回字符串str第一个字符的ascii码
hive> select ascii('abcde') from tableName;
97
- 19) 左补足函数：lpad语法: lpad(string str, int len, string pad)
返回值: string
阐明：将str进行用pad进行左补足到len位
hive> select lpad('abc',10,'td') from tableName;
tdtdtdtabc
留神：与GP，ORACLE不同，pad 不能默认
- 20) 右补足函数：rpad语法: rpad(string str, int len, string pad)
返回值: string
阐明：将str进行用pad进行右补足到len位
hive> select rpad('abc',10,'td') from tableName;
abctdtdtdt
- 21) 宰割字符串函数: split 语法: split(string str, string pat)
返回值: array
阐明: 依照pat字符串宰割str，会返回宰割后的字符串数组
hive> select split('abtcdtef','t') from tableName;
["ab","cd","ef"]
- 22) 汇合查找函数: find\_in\_set语法: find_in_set(string str, string strList)
返回值: int
阐明: 返回str在strlist第一次呈现的地位，strlist是用逗号宰割的字符串。如果没有找该str字符，则返回0
hive> select find_in_set('ab','ef,ab,de') from tableName;
2
hive> select find_in_set('at','ef,ab,de') from tableName;
0
### 复合类型构建操作- Map类型构建: map 语法: map (key1, value1, key2, value2, …)
阐明：依据输出的key和value对构建map类型
hive> Create table mapTable as select map('100','tom','200','mary') as t from tableName;
hive> describe mapTable;
t map<string ,string>
hive> select t from tableName;
{"100":"tom","200":"mary"}
- 2) Struct类型构建: struct语法: struct(val1, val2, val3, …)
阐明：依据输出的参数构建构造体struct类型
hive> create table struct_table as select struct('tom','mary','tim') as t from tableName;
hive> describe struct_table;
t struct<col1:string ,col2:string,col3:string>
hive> select t from tableName;
{"col1":"tom","col2":"mary","col3":"tim"}
- 3) array类型构建: array语法: array(val1, val2, …)
阐明：依据输出的参数构建数组array类型
hive> create table arr_table as select array("tom","mary","tim") as t from tableName;
hive> describe tableName;
t array<string>
hive> select t from tableName;
["tom","mary","tim"]
### 简单类型拜访操作 - 1) array类型拜访: A[n]语法: A[n]
操作类型: A为array类型，n为int类型
阐明：返回数组A中的第n个变量值。数组的起始下标为0。比方，A是个值为['foo', 'bar']的数组类型，那么A[0]将返回'foo',而A[1]将返回'bar'
hive> create table arr_table2 as select array("tom","mary","tim") as t
from tableName;
hive> select t[0],t[1] from arr_table2;
tom mary tim
- 2) map类型拜访: M[key]语法: M[key]
操作类型: M为map类型，key为map中的key值
阐明：返回map类型M中，key值为指定值的value值。比方，M是值为{'f' -> 'foo', 'b' -> 'bar', 'all' -> 'foobar'}的map类型，那么M['all']将会返回'foobar'
hive> Create table map_table2 as select map('100','tom','200','mary') as t from tableName;
hive> select t['200'],t['100'] from map_table2;
mary tom
- 3) struct类型拜访: S.x语法: S.x
操作类型: S为struct类型
阐明：返回构造体S中的x字段。比方，对于构造体struct foobar {int foo, int bar}，foobar.foo返回构造体中的foo字段
hive> create table str_table2 as select struct('tom','mary','tim') as t from tableName;
hive> describe tableName;
t struct<col1:string ,col2:string,col3:string>
hive> select t.col1,t.col3 from str_table2;
tom tim
### 简单类型长度统计函数 - 1) Map类型长度函数: size(Map<k .V>)语法: size(Map<k .V>)
返回值: int
阐明: 返回map类型的长度
hive> select size(t) from map_table2;
2
- 2) array类型长度函数: size(Array<T>)语法: size(Array<T>)
返回值: int
阐明: 返回array类型的长度
hive> select size(t) from arr_table2;
4
- 3) 类型转换函数 ***类型转换函数: cast
语法: cast(expr as <type>)
返回值: Expected "=" to follow "type"
阐明: 返回转换后的数据类型
hive> select cast('1' as bigint) from tableName;
1
## hive当中的lateral view 与 explode以及reflect和窗口函数 ### 应用explode函数将hive表中的Map和Array字段数据进行拆分 lateral view用于和split、explode等UDTF一起应用的，能将一行数据拆分成多行数据，在此基础上能够对拆分的数据进行聚合，lateral view首先为原始表的每行调用UDTF，UDTF会把一行拆分成一行或者多行，lateral view在把后果组合，产生一个反对别名表的虚构表。 其中explode还能够用于将hive一列中简单的array或者map构造拆分成多行需要：当初有数据格式如下zhangsan child1,child2,child3,child4 k1:v1,k2:v2
lisi child5,child6,child7,child8 k3:v3,k4:v4
字段之间应用\t宰割，需要将所有的child进行拆开成为一列| mychild |
|---|
| child1 |
| child2 |
| child3 |
| child4 |
| child5 |
| child6 |
| child7 |
| child8 |
将map的key和value也进行拆开，成为如下后果| mymapkey | mymapvalue |
|---|---|
| k1 | v1 |
| k2 | v2 |
| k3 | v3 |
| k4 | v4 |
- 1) 创立hive数据库创立hive数据库
hive (default)> create database hive_explode;
hive (default)> use hive_explode;
- 2) 创立hive表，而后应用explode拆分map和arrayhive (hive_explode)> create table t3(name string,children array<string>,address Map<string,string>) row format delimited fields terminated by '\t' collection items terminated by ',' map keys terminated by ':' stored as textFile;
- 3) 加载数据node03执行以下命令创立表数据文件
mkdir -p /export/servers/hivedatas/cd /export/servers/hivedatas/vim maparray内容如下:
zhangsan child1,child2,child3,child4 k1:v1,k2:v2
lisi child5,child6,child7,child8 k3:v3,k4:v4
hive表当中加载数据
hive (hive_explode)> load data local inpath '/export/servers/hivedatas/maparray' into table t3;
- 4) 应用explode将hive当中数据拆开将array当中的数据拆离开
hive (hive_explode)> SELECT explode(children) AS myChild FROM t3;
将map当中的数据拆离开
hive (hive_explode)> SELECT explode(address) AS (myMapKey, myMapValue) FROM t3;
### 应用explode拆分json字符串需要: 需要：当初有一些数据格式如下：a:shandong,b:beijing,c:hebei|1,2,3,4,5,6,7,8,9|[{"source":"7fresh","monthSales":4900,"userCount":1900,"score":"9.9"},{"source":"jd","monthSales":2090,"userCount":78981,"score":"9.8"},{"source":"jdmart","monthSales":6987,"userCount":1600,"score":"9.0"}]
其中字段与字段之间的分隔符是 | 咱们要解析失去所有的monthSales对应的值为以下这一列（行转列）490020906987- 1) 创立hive表hive (hive_explode)> create table explode_lateral_view
> (`area` string, > `goods_id` string, > `sale_info` string) > ROW FORMAT DELIMITED > FIELDS TERMINATED BY '|' > STORED AS textfile;- 2) 筹备数据并加载数据筹备数据如下
cd /export/servers/hivedatas
vim explode_json
a:shandong,b:beijing,c:hebei|1,2,3,4,5,6,7,8,9|[{"source":"7fresh","monthSales":4900,"userCount":1900,"score":"9.9"},{"source":"jd","monthSales":2090,"userCount":78981,"score":"9.8"},{"source":"jdmart","monthSales":6987,"userCount":1600,"score":"9.0"}]
加载数据到hive表当中去
hive (hive_explode)> load data local inpath '/export/servers/hivedatas/explode_json' overwrite into table explode_lateral_view;
- 3) 应用explode拆分Arrayhive (hive_explode)> select explode(split(goods_id,',')) as goods_id from explode_lateral_view;
- 4) 应用explode拆解Maphive (hive_explode)> select explode(split(area,',')) as area from explode_lateral_view;
- 5) 拆解json字段hive (hive_explode)> select explode(split(regexp_replace(regexp_replace(sale_info,'\[\{',''),'}]',''),'},\{')) as sale_info from explode_lateral_view;
而后咱们想用get_json_object来获取key为monthSales的数据：
hive (hive_explode)> select get_json_object(explode(split(regexp_replace(regexp_replace(sale_info,'\[\{',''),'}]',''),'},\{')),'$.monthSales') as sale_info from explode_lateral_view;
而后挂了FAILED: SemanticException [Error 10081]: UDTF's are not supported outside the SELECT clause, nor nested in expressions
UDTF explode不能写在别的函数内
如果你这么写，想查两个字段，select explode(split(area,',')) as area,good_id from explode_lateral_view;
会报错FAILED: SemanticException 1:40 Only a single expression in the SELECT clause is supported with UDTF's. Error encountered near token 'good_id'
应用UDTF的时候，只反对一个字段，这时候就须要LATERAL VIEW出场了
### 配合LATERAL VIEW应用 配合lateral view查问多个字段hive (hive_explode)> select goods_id2,sale_info from explode_lateral_view LATERAL VIEW explode(split(goods_id,','))goods as goods_id2;
其中LATERAL VIEW explode(split(goods_id,','))goods相当于一个虚构表，与原表explode_lateral_view笛卡尔积关联
也能够多重应用hive (hive_explode)> select goods_id2,sale_info,area2
from explode_lateral_view LATERAL VIEW explode(split(goods_id,','))goods as goods_id2 LATERAL VIEW explode(split(area,','))area as area2;也是三个表笛卡尔积的后果最终，咱们能够通过上面的句子，把这个json格局的一行数据，齐全转换成二维表的形式展示hive (hive_explode)> select get_json_object(concat('{',sale_info_1,'}'),'$.source') as source,get_json_object(concat('{',sale_info_1,'}'),'$.monthSales') as monthSales,get_json_object(concat('{',sale_info_1,'}'),'$.userCount') as monthSales,get_json_object(concat('{',sale_info_1,'}'),'$.score') as monthSales from explode_lateral_view LATERAL VIEW explode(split(regexp_replace(regexp_replace(sale_info,'\[\{',''),'}]',''),'},\{'))sale_info as sale_info_1;
总结：Lateral View通常和UDTF一起呈现，为了解决UDTF不容许在select字段的问题。 Multiple Lateral View能够实现相似笛卡尔乘积。 Outer关键字能够把不输入的UDTF的空后果，输入成NULL，避免失落数据。### 行转列相干参数阐明: CONCAT(string A/col, string B/col…)：返回输出字符串连贯后的后果，反对任意个输出字符串; CONCAT_WS(separator, str1, str2,...)：它是一个非凡模式的 CONCAT()。第一个参数残余参数间的分隔符。分隔符能够是与残余参数一样的字符串。如果分隔符是 NULL，返回值也将为 NULL。这个函数会跳过分隔符参数后的任何 NULL 和空字符串。分隔符将被加到被连贯的字符串之间; COLLECT_SET(col)：函数只承受根本数据类型，它的次要作用是将某字段的值进行去重汇总，产生array类型字段。数据筹备:| name | constellation | blood_type || ------ | ------------- | ---------- || 孙悟空 | 白羊座 | A || 老王 | 射手座 | A || 宋宋 | 白羊座 | B || 猪八戒 | 白羊座 | A || 凤姐 | 射手座 | A |需要: 把星座和血型一样的人归类到一起。后果如下：射手座,A 老王|凤姐
白羊座,A 孙悟空|猪八戒
白羊座,B 宋宋
实现步骤:- 1) 创立本地constellation.txt，导入数据node03服务器执行以下命令创立文件，留神数据应用\t进行宰割
cd /export/servers/hivedatas
vim constellation.txt
数据如下:
孙悟空 白羊座 A
老王 射手座 A
宋宋 白羊座 B
猪八戒 白羊座 A
凤姐 射手座 A
- 2) 创立hive表并导入数据创立hive表并加载数据
hive (hive_explode)> create table person_info(
name string, constellation string, blood_type string) row format delimited fields terminated by "\t"; 加载数据
hive (hive_explode)> load data local inpath '/export/servers/hivedatas/constellation.txt' into table person_info;
- 3) 按需要查问数据 hive (hive_explode)> select
t1.base, concat_ws('|', collect_set(t1.name)) name from (select name, concat(constellation, "," , blood_type) base from person_info) t1 group by t1.base;### 列转行所需函数: EXPLODE(col)：将hive一列中简单的array或者map构造拆分成多行。 LATERAL VIEW 用法：LATERAL VIEW udtf(expression) tableAlias AS columnAlias 解释：用于和split, explode等UDTF一起应用，它可能将一列数据拆成多行数据，在此基础上能够对拆分后的数据进行聚合。数据筹备:cd /export/servers/hivedatas
vim movie.txt
文件内容如下: 数据字段之间应用\t进行宰割
《疑犯追踪》 悬疑,动作,科幻,剧情
《Lie to me》 悬疑,警匪,动作,心理,剧情
《战狼2》 和平,动作,劫难
需要: 将电影分类中的数组数据开展。后果如下：《疑犯追踪》 悬疑
《疑犯追踪》 动作
《疑犯追踪》 科幻
《疑犯追踪》 剧情
《Lie to me》 悬疑
《Lie to me》 警匪
《Lie to me》 动作
《Lie to me》 心理
《Lie to me》 剧情
《战狼2》 和平
《战狼2》 动作
《战狼2》 劫难
实现步骤:- 1) 创立hive表create table movie_info(
movie string, category array<string>) row format delimited fields terminated by "\t"
collection items terminated by ",";
- 2) 加载数据load data local inpath "/export/servers/hivedatas/movie.txt" into table movie_info;
- 3) 按需要查问数据select
movie,category_namefrom
movie_info lateral view explode(category) table_tmp as category_name;### reflect函数 reflect函数能够反对在sql中调用java中的自带函数，秒杀所有udf函数。需要1: 应用java.lang.Math当中的Max求两列中最大值实现步骤:- 1) 创立hive表create table test_udf(col1 int,col2 int) row format delimited fields terminated by ',';
- 2) 筹备数据并加载数据cd /export/servers/hivedatas
vim test_udf
文件内容如下:
1,2
4,3
6,4
7,5
5,6
- 3) 加载数据hive (hive_explode)> load data local inpath '/export/servers/hivedatas/test_udf' overwrite into table test_udf;
- 4) 应用java.lang.Math当中的Max求两列当中的最大值hive (hive_explode)> select reflect("java.lang.Math","max",col1,col2) from test_udf;
需要2: 文件中不同的记录来执行不同的java的内置函数实现步骤:- 1) 创立hive表hive (hive_explode)> create table test_udf2(class_name string,method_name string,col1 int , col2 int) row format delimited fields terminated by ',';
- 2) 筹备数据cd /export/servers/hivedatas
vim test_udf2
文件内容如下:
java.lang.Math,min,1,2
java.lang.Math,max,2,3
- 3) 加载数据hive (hive_explode)> load data local inpath '/export/servers/hivedatas/test_udf2' overwrite into table test_udf2;
- 4) 执行查问hive (hive_explode)> select reflect(class_name,method_name,col1,col2) from test_udf2;
需要3: 判断是否为数字实现形式: 应用apache commons中的函数，commons下的jar曾经蕴含在hadoop的classpath中，所以能够间接应用。select reflect("org.apache.commons.lang.math.NumberUtils","isNumber","123")
## 窗口函数与剖析函数在sql中有一类函数叫做聚合函数,例如sum()、avg()、max()等等,这类函数能够将多行数据依照规定汇集为一行,一般来讲汇集后的行数是要少于汇集前的行数的。然而有时咱们想要既显示汇集前的数据,又要显示汇集后的数据,这时咱们便引入了窗口函数。窗口函数又叫OLAP函数/剖析函数，窗口函数兼具分组和排序功能。窗口函数最重要的关键字是 **partition by** 和 **order by。**具体语法如下：**over (partition by xxx order by xxx)**### sum、avg、min、max筹备数据建表语句:
create table test_t1(
cookieid string,
createtime string, --day
pv int
) row format delimited
fields terminated by ',';
加载数据：
load data local inpath '/root/hivedata/test_t1.dat' into table test_t1;
cookie1,2020-04-10,1
cookie1,2020-04-11,5
cookie1,2020-04-12,7
cookie1,2020-04-13,3
cookie1,2020-04-14,2
cookie1,2020-04-15,4
cookie1,2020-04-16,4
开启智能本地模式
SET hive.exec.mode.local.auto=true;
SUM函数和窗口函数的配合应用：后果和ORDER BY相干,默认为升序。select cookieid,createtime,pv,
sum(pv) over(partition by cookieid order by createtime) as pv1
from test_t1;
select cookieid,createtime,pv,
sum(pv) over(partition by cookieid order by createtime rows between unbounded preceding and current row) as pv2
from test_t1;
select cookieid,createtime,pv,
sum(pv) over(partition by cookieid) as pv3
from test_t1;
select cookieid,createtime,pv,
sum(pv) over(partition by cookieid order by createtime rows between 3 preceding and current row) as pv4
from test_t1;
select cookieid,createtime,pv,
sum(pv) over(partition by cookieid order by createtime rows between 3 preceding and 1 following) as pv5
from test_t1;
select cookieid,createtime,pv,
sum(pv) over(partition by cookieid order by createtime rows between current row and unbounded following) as pv6
from test_t1;
pv1: 分组内从终点到以后行的pv累积，如，11号的pv1=10号的pv+11号的pv, 12号=10号+11号+12号
pv2: 同pv1
pv3: 分组内(cookie1)所有的pv累加
pv4: 分组内以后行+往前3行，如，11号=10号+11号， 12号=10号+11号+12号，
13号=10号+11号+12号+13号， 14号=11号+12号+13号+14号pv5: 分组内以后行+往前3行+往后1行，如，14号=11号+12号+13号+14号+15号=5+7+3+2+4=21
pv6: 分组内以后行+往后所有行，如，13号=13号+14号+15号+16号=3+2+4+4=13，
14号=14号+15号+16号=2+4+4=10 如果不指定rows between,默认为从终点到以后行; 如果不指定order by，则将分组内所有值累加; 要害是了解rows between含意,也叫做window子句： preceding：往前 following：往后 current row：以后行 unbounded：终点 unbounded preceding 示意从后面的终点 unbounded following：示意到前面的起点 AVG，MIN，MAX，和SUM用法一样。### row_number、rank、dense_rank、ntile筹备数据cookie1,2020-04-10,1
cookie1,2020-04-11,5
cookie1,2020-04-12,7
cookie1,2020-04-13,3
cookie1,2020-04-14,2
cookie1,2020-04-15,4
cookie1,2020-04-16,4
cookie2,2020-04-10,2
cookie2,2020-04-11,3
cookie2,2020-04-12,5
cookie2,2020-04-13,6
cookie2,2020-04-14,3
cookie2,2020-04-15,9
cookie2,2020-04-16,7
CREATE TABLE test_t2 (
cookieid string,
createtime string, --day
pv INT
) ROW FORMAT DELIMITED
FIELDS TERMINATED BY ','
stored as textfile;
加载数据：
load data local inpath '/root/hivedata/test_t2.dat' into table test_t2;
- ROW_NUMBER()应用 ROW_NUMBER()从1开始，依照程序，生成分组内记录的序列。SELECT
cookieid,
createtime,
pv,
ROW_NUMBER() OVER(PARTITION BY cookieid ORDER BY pv desc) AS rn
FROM test_t2;
- RANK 和 DENSE_RANK应用 RANK() 生成数据项在分组中的排名，排名相等会在名次中留下空位 。 DENSE_RANK()生成数据项在分组中的排名，排名相等会在名次中不会留下空位。SELECT
cookieid,
createtime,
pv,
RANK() OVER(PARTITION BY cookieid ORDER BY pv desc) AS rn1,
DENSE_RANK() OVER(PARTITION BY cookieid ORDER BY pv desc) AS rn2,
ROW_NUMBER() OVER(PARTITION BY cookieid ORDER BY pv DESC) AS rn3
FROM test_t2
WHERE cookieid = 'cookie1';
- NTILE 有时会有这样的需要:如果数据排序后分为三局部，业务人员只关怀其中的一部分，如何将这两头的三分之一数据拿进去呢?NTILE函数即能够满足。 ntile能够看成是：把有序的数据汇合平均分配到指定的数量（num）个桶中, 将桶号调配给每一行。如果不能平均分配，则优先调配较小编号的桶，并且各个桶中能放的行数最多相差1。 而后能够依据桶号，选取前或后 n分之几的数据。数据会残缺展现进去，只是给相应的数据打标签；具体要取几分之几的数据，须要再嵌套一层依据标签取出。SELECT
cookieid,
createtime,
pv,
NTILE(2) OVER(PARTITION BY cookieid ORDER BY createtime) AS rn1,
NTILE(3) OVER(PARTITION BY cookieid ORDER BY createtime) AS rn2,
NTILE(4) OVER(ORDER BY createtime) AS rn3
FROM test_t2
ORDER BY cookieid,createtime;
## 其余一些窗口函数### lag,lead,first\_value,last\_value- LAG **LAG(col,n,DEFAULT) 用于统计窗口内往上第n行值**第一个参数为列名，第二个参数为往上第n行（可选，默认为1），第三个参数为默认值（当往上第n行为NULL时候，取默认值，如不指定，则为NULL）SELECT cookieid,
createtime,
url,
ROW_NUMBER() OVER(PARTITION BY cookieid ORDER BY createtime) AS rn,
LAG(createtime,1,'1970-01-01 00:00:00') OVER(PARTITION BY cookieid ORDER BY createtime) AS last_1_time,
LAG(createtime,2) OVER(PARTITION BY cookieid ORDER BY createtime) AS last_2_time
FROM test_t4;
last_1_time: 指定了往上第1行的值，default为'1970-01-01 00:00:00'
cookie1第一行，往上1行为NULL,因而取默认值 1970-01-01 00:00:00 cookie1第三行，往上1行值为第二行值，2015-04-10 10:00:02 cookie1第六行，往上1行值为第五行值，2015-04-10 10:50:01last_2_time: 指定了往上第2行的值，为指定默认值
cookie1第一行，往上2行为NULL cookie1第二行，往上2行为NULL cookie1第四行，往上2行为第二行值，2015-04-10 10:00:02 cookie1第七行，往上2行为第五行值，2015-04-10 10:50:01- LEAD与LAG相同**LEAD(col,n,DEFAULT) 用于统计窗口内往下第n行值**第一个参数为列名，第二个参数为往下第n行（可选，默认为1），第三个参数为默认值（当往下第n行为NULL时候，取默认值，如不指定，则为NULL）SELECT cookieid,
createtime,
url,
ROW_NUMBER() OVER(PARTITION BY cookieid ORDER BY createtime) AS rn,
LEAD(createtime,1,'1970-01-01 00:00:00') OVER(PARTITION BY cookieid ORDER BY createtime) AS next_1_time,
LEAD(createtime,2) OVER(PARTITION BY cookieid ORDER BY createtime) AS next_2_time
FROM test_t4;
- FIRST_VALUE 取分组内排序后，截止到以后行，第一个值SELECT cookieid,
createtime,
url,
ROW_NUMBER() OVER(PARTITION BY cookieid ORDER BY createtime) AS rn,
FIRST_VALUE(url) OVER(PARTITION BY cookieid ORDER BY createtime) AS first1
FROM test_t4;
- LAST_VALUE取分组内排序后，截止到以后行，最初一个值SELECT cookieid,
createtime,
url,
ROW_NUMBER() OVER(PARTITION BY cookieid ORDER BY createtime) AS rn,
LAST_VALUE(url) OVER(PARTITION BY cookieid ORDER BY createtime) AS last1
FROM test_t4;
如果想要取分组内排序后最初一个值，则须要变通一下：SELECT cookieid,
createtime,
url,
ROW_NUMBER() OVER(PARTITION BY cookieid ORDER BY createtime) AS rn,
LAST_VALUE(url) OVER(PARTITION BY cookieid ORDER BY createtime) AS last1,
FIRST_VALUE(url) OVER(PARTITION BY cookieid ORDER BY createtime DESC) AS last2
FROM test_t4
ORDER BY cookieid,createtime;
**特地留神order by** 如果不指定ORDER BY，则进行排序凌乱，会呈现谬误的后果SELECT cookieid,
createtime,
url,
FIRST_VALUE(url) OVER(PARTITION BY cookieid) AS first2
FROM test_t4;
### cume_dist,percent_rank这两个序列剖析函数不是很罕用，**留神： 序列函数不反对WINDOW子句**- 数据筹备d1,user1,1000
d1,user2,2000
d1,user3,3000
d2,user4,4000
d2,user5,5000
CREATE EXTERNAL TABLE test_t3 (
dept STRING,
userid string,
sal INT
) ROW FORMAT DELIMITED
FIELDS TERMINATED BY ','
stored as textfile;
加载数据：
load data local inpath '/root/hivedata/test_t3.dat' into table test_t3;
------- CUME_DIST 和order byd的排序程序有关系 CUME_DIST 小于等于以后值的行数/分组内总行数 order 默认程序 正序 升序 比方，统计小于等于以后薪水的人数，所占总人数的比例SELECT
dept,
userid,
sal,
CUME_DIST() OVER(ORDER BY sal) AS rn1,
CUME_DIST() OVER(PARTITION BY dept ORDER BY sal) AS rn2
FROM test_t3;
rn1: 没有partition,所有数据均为1组，总行数为5，
第一行：小于等于1000的行数为1，因而，1/5=0.2 第三行：小于等于3000的行数为3，因而，3/5=0.6rn2: 依照部门分组，dpet=d1的行数为3,
第二行：小于等于2000的行数为2，因而，2/3=0.6666666666666666- PERCENT_RANK PERCENT_RANK 分组内以后行的RANK值-1/分组内总行数-1 经调研 该函数显示现实意义不明朗 有待于持续考据SELECT
dept,
userid,
sal,
PERCENT_RANK() OVER(ORDER BY sal) AS rn1, --分组内
RANK() OVER(ORDER BY sal) AS rn11, --分组内RANK值
SUM(1) OVER(PARTITION BY NULL) AS rn12, --分组内总行数
PERCENT_RANK() OVER(PARTITION BY dept ORDER BY sal) AS rn2
FROM test_t3;
rn1: rn1 = (rn11-1) / (rn12-1)
第一行,(1-1)/(5-1)=0/4=0 第二行,(2-1)/(5-1)=1/4=0.25 第四行,(4-1)/(5-1)=3/4=0.75rn2: 依照dept分组，
dept=d1的总行数为3 第一行，(1-1)/(3-1)=0 第三行，(3-1)/(3-1)=1### grouping sets,grouping__id,cube,rollup 这几个剖析函数通常用于OLAP中，不能累加，而且须要依据不同维度上钻和下钻的指标统计，比方，分小时、天、月的UV数。- 数据筹备2020-03,2020-03-10,cookie1
2020-03,2020-03-10,cookie5
2020-03,2020-03-12,cookie7
2020-04,2020-04-12,cookie3
2020-04,2020-04-13,cookie2
2020-04,2020-04-13,cookie4
2020-04,2020-04-16,cookie4
2020-03,2020-03-10,cookie2
2020-03,2020-03-10,cookie3
2020-04,2020-04-12,cookie5
2020-04,2020-04-13,cookie6
2020-04,2020-04-15,cookie3
2020-04,2020-04-15,cookie2
2020-04,2020-04-16,cookie1
CREATE TABLE test_t5 (
month STRING,
day STRING,
cookieid STRING
) ROW FORMAT DELIMITED
FIELDS TERMINATED BY ','
stored as textfile;
加载数据：
load data local inpath '/root/hivedata/test_t5.dat' into table test_t5;
------- GROUPING SETSgrouping sets是一种将多个group by 逻辑写在一个sql语句中的便当写法。等价于将不同维度的GROUP BY后果集进行UNION ALL。**GROUPING__ID**，示意后果属于哪一个分组汇合。SELECT
month,
day,
COUNT(DISTINCT cookieid) AS uv,
GROUPING__ID
FROM test_t5
GROUP BY month,day
GROUPING SETS (month,day)
ORDER BY GROUPING__ID;
grouping_id示意这一组后果属于哪个分组汇合，
依据grouping sets中的分组条件month，day，1是代表month，2是代表day
等价于
SELECT month,NULL,COUNT(DISTINCT cookieid) AS uv,1 AS GROUPING__ID FROM test_t5 GROUP BY month UNION ALL
SELECT NULL as month,day,COUNT(DISTINCT cookieid) AS uv,2 AS GROUPING__ID FROM test_t5 GROUP BY day;
再如：SELECT
month,
day,
COUNT(DISTINCT cookieid) AS uv,
GROUPING__ID
FROM test_t5
GROUP BY month,day
GROUPING SETS (month,day,(month,day))
ORDER BY GROUPING__ID;
等价于
SELECT month,NULL,COUNT(DISTINCT cookieid) AS uv,1 AS GROUPING__ID FROM test_t5 GROUP BY month
UNION ALL
SELECT NULL,day,COUNT(DISTINCT cookieid) AS uv,2 AS GROUPING__ID FROM test_t5 GROUP BY day
UNION ALL
SELECT month,day,COUNT(DISTINCT cookieid) AS uv,3 AS GROUPING__ID FROM test_t5 GROUP BY month,day;
- CUBE依据GROUP BY的维度的所有组合进行聚合。SELECT
month,
day,
COUNT(DISTINCT cookieid) AS uv,
GROUPING__ID
FROM test_t5
GROUP BY month,day
WITH CUBE
ORDER BY GROUPING__ID;
等价于
SELECT NULL,NULL,COUNT(DISTINCT cookieid) AS uv,0 AS GROUPING__ID FROM test_t5
UNION ALL
SELECT month,NULL,COUNT(DISTINCT cookieid) AS uv,1 AS GROUPING__ID FROM test_t5 GROUP BY month
UNION ALL
SELECT NULL,day,COUNT(DISTINCT cookieid) AS uv,2 AS GROUPING__ID FROM test_t5 GROUP BY day
UNION ALL
SELECT month,day,COUNT(DISTINCT cookieid) AS uv,3 AS GROUPING__ID FROM test_t5 GROUP BY month,day;
- ROLLUP是CUBE的子集，以最左侧的维度为主，从该维度进行层级聚合。比方，以month维度进行层级聚合：
SELECT
month,
day,
COUNT(DISTINCT cookieid) AS uv,
GROUPING__ID
FROM test_t5
GROUP BY month,day
WITH ROLLUP
ORDER BY GROUPING__ID;
--把month和day调换程序，则以day维度进行层级聚合：
SELECT
day,
month,
COUNT(DISTINCT cookieid) AS uv,
GROUPING__ID
FROM test_t5
GROUP BY day,month
WITH ROLLUP
ORDER BY GROUPING__ID;
（这里，依据天和月进行聚合，和依据天聚合后果一样，因为有父子关系，如果是其余维度组合的话，就会不一样）
- & ↩