Hive常用DDL操作

notes/Hive常用DML操作.md

@@ -0,0 +1,319 @@
+# Hive 常用DML操作
+
+<nav>
+<a href="#一加载文件数据到表">一、加载文件数据到表</a><br/>
+<a href="#二查询结果插入到表">二、查询结果插入到表</a><br/>
+<a href="#三使用SQL语句插入值">三、使用SQL语句插入值</a><br/>
+<a href="#四更新和删除数据">四、更新和删除数据</a><br/>
+<a href="#五查询结果写出到文件系统">五、查询结果写出到文件系统</a><br/>
+</nav>
+
+
+## 一、加载文件数据到表
+
+### 1.1 语法
+
+将文件数据加载到表时，Hive不会进行任何转换，加载操作是纯复制/移动操作，它将数据文件移动到Hive表定义的存储位置。
+
+```shell
+LOAD DATA [LOCAL] INPATH 'filepath' [OVERWRITE] INTO TABLE tablename [PARTITION (partcol1=val1, partcol2=val2 ...)]
+```
+
+- Load 关键字代表从本地文件系统加载文件，省略则代表从HDFS上加载文件：
+
+  + 从本地文件系统加载文件时， `filepath`可以是绝对路径也可以是相对路径(建议使用绝对路径)；
+
+  + 从HDFS加载文件时候，`filepath`为文件完整的URL地址：如`hdfs://namenode:port/user/hive/project/ data1`
+
+- `filepath`可以是文件路径(在这种情况下Hive会将文件移动到表中)，也可以目录路径(在这种情况下，Hive会将该目录中的所有文件移动到表中)；
+
+- 如果使用OVERWRITE关键字，则将删除目标表（或分区）的内容，使用新的数据填充；不使用此关键字，则数据以追加的方式加入；
+
+- 加载的目标可以是表或分区。如果是分区表，则必须指定加载数据的分区；
+
+- 加载文件的格式必须与建表时使用` STORED AS`指定的存储格式相同。
+
+> 使用建议：
+>
+> **不论是本地路径还是URL都建议使用完整的**。虽然可以使用不完整的URL地址，此时Hive将使用hadoop中fs.default.name配置来推断地址，但是为避免不必要的错误，建议使用完整的本地路径或URL地址；
+>
+> **加载对象是分区表时建议显示指定分区**。在Hive 3.0之后，内部将加载(LOAD)重写为INSERT AS SELECT，此时如果不指定分区，INSERT AS SELECT将假设最后一组列是分区列，如果该列不是表定义的分区，它将抛出错误。为避免错误，还是建议显示指定分区。
+
+### 1.2 示例
+
+新建分区表：
+
+```sql
+  CREATE TABLE emp_ptn(
+    empno INT,
+    ename STRING,
+    job STRING,
+    mgr INT,
+    hiredate TIMESTAMP,
+    sal DECIMAL(7,2),
+    comm DECIMAL(7,2)
+    )
+    PARTITIONED BY (deptno INT)   -- 按照部门编号进行分区
+    ROW FORMAT DELIMITED FIELDS TERMINATED BY "\t";
+```
+
+从HDFS上加载数据到分区表：
+
+```sql
+LOAD DATA  INPATH "hdfs://hadoop001:8020/mydir/emp.txt" OVERWRITE INTO TABLE emp_ptn PARTITION (deptno=20);
+```
+
+> emp.txt文件可在本仓库的resources目录中下载
+
+加载后表中数据如下,分区列deptno全部赋值成20：
+
+<div align="center"> <img  src="https://github.com/heibaiying/BigData-Notes/blob/master/pictures/hive-emp-ptn.png"/> </div>
+
+## 二、查询结果插入到表
+
+### 2.1 语法
+
+```sql
+INSERT OVERWRITE TABLE tablename1 [PARTITION (partcol1=val1, partcol2=val2 ...) [IF NOT EXISTS]] select_statement1 FROM from_statement;
+INSERT INTO TABLE tablename1 [PARTITION (partcol1=val1, partcol2=val2 ...)] select_statement1 FROM from_statement;
+```
+
++ Hive 0.13.0开始，建表时可以通过使用TBLPROPERTIES（“immutable”=“true”）来创建不可变表(immutable table) ，如果不可以变表中存在数据，则INSERT INTO失败。（注：INSERT OVERWRITE的语句不受`immutable`属性的影响）;
+
++ 可以对表或分区执行插入操作。如果表已分区，则必须通过指定所有分区列的值来指定表的特定分区；
+
++ 从Hive 1.1.0开始，TABLE关键字是可选的；
+
++ 从Hive 1.2.0开始 ，可以采用INSERT INTO tablename(z，x，c1)指明插入列；
+
++ 可以将SELECT语句的查询结果插入多个表（或分区），称为多表插入。语法如下：
+
+  ```sql
+  FROM from_statement
+  INSERT OVERWRITE TABLE tablename1 [PARTITION (partcol1=val1, partcol2=val2 ...) [IF NOT EXISTS]] select_statement1
+  [INSERT OVERWRITE TABLE tablename2 [PARTITION ... [IF NOT EXISTS]] select_statement2]
+  [INSERT INTO TABLE tablename2 [PARTITION ...] select_statement2] ...;
+  ```
+
+### 2.2 动态插入分区
+
+```sql
+INSERT OVERWRITE TABLE tablename PARTITION (partcol1[=val1], partcol2[=val2] ...) select_statement FROM from_statement;
+INSERT INTO TABLE tablename PARTITION (partcol1[=val1], partcol2[=val2] ...) select_statement FROM from_statement;
+```
+
+在向分区表插入数据时候，分区列名是必须的，但是列值是可选的。如果给出了分区列值，我们将其称为静态分区，否则它是动态分区。动态分区列必须在SELECT语句的列中最后指定，并且与它们在PARTITION()子句中出现的顺序相同。
+
+注意：Hive 0.9.0之前的版本动态分区插入是默认禁用的，而0.9.0之后的版本则默认启用。以下是动态分区的相关配置：
+
+| 配置                                       | 默认值   | 说明                                                         |
+| ------------------------------------------ | -------- | ------------------------------------------------------------ |
+| `hive.exec.dynamic.partition`              | `true`   | 需要设置为true才能启用动态分区插入                           |
+| `hive.exec.dynamic.partition.mode`         | `strict` | 在严格模式(strict)下，用户必须至少指定一个静态分区，以防用户意外覆盖所有分区，在非严格模式下，允许所有分区都是动态的 |
+| `hive.exec.max.dynamic.partitions.pernode` | 100      | 允许在每个mapper/reducer节点中创建的最大动态分区数           |
+| `hive.exec.max.dynamic.partitions`         | 1000     | 允许总共创建的最大动态分区数                                 |
+| `hive.exec.max.created.files`              | 100000   | 作业中所有mapper/reducer创建的HDFS文件的最大数量             |
+| `hive.error.on.empty.partition`            | `false`  | 如果动态分区插入生成空结果，是否抛出异常                     |
+
+### 2.3 示例
+
+1. 新建emp表，作为查询对象表
+
+```sql
+CREATE TABLE emp(
+    empno INT,
+    ename STRING,
+    job STRING,
+    mgr INT,
+    hiredate TIMESTAMP,
+    sal DECIMAL(7,2),
+    comm DECIMAL(7,2),
+    deptno INT)
+    ROW FORMAT DELIMITED FIELDS TERMINATED BY "\t";
+    
+ -- 加载数据到emp表中 这里直接从本地加载
+load data local inpath "/usr/file/emp.txt" into table emp;
+```
+​	完成后`emp`表中数据如下：
+<div align="center"> <img  src="https://github.com/heibaiying/BigData-Notes/blob/master/pictures/hive-emp.png"/> </div>
+
+2. 为清晰演示，先清空`emp_ptn`表中加载的数据：
+
+```sql
+TRUNCATE TABLE emp_ptn;
+```
+
+3. 静态分区演示：从`emp`表中查询部门编号为20的员工数据，并插入`emp_ptn`表中，语句如下：
+
+```sql
+INSERT OVERWRITE TABLE emp_ptn PARTITION (deptno=20) SELECT empno,ename,job,mgr,hiredate,sal,comm FROM emp WHERE deptno=20;
+```
+
+​	完成后`emp_ptn`表中数据如下：
+
+<div align="center"> <img  src="https://github.com/heibaiying/BigData-Notes/blob/master/pictures/hive-emp-deptno-20.png"/> </div>
+
+4. 接着演示动态分区：
+
+```sql
+-- 由于我们只有一个分区，且还是动态分区，所以需要关闭严格默认。因为在严格模式下，用户必须至少指定一个静态分区
+set hive.exec.dynamic.partition.mode=nonstrict;
+
+-- 动态分区   此时查询语句的最后一列为动态分区列，即deptno
+INSERT OVERWRITE TABLE emp_ptn PARTITION (deptno) SELECT empno,ename,job,mgr,hiredate,sal,comm,deptno FROM emp WHERE deptno=30;
+```
+
+​	完成后`emp_ptn`表中数据如下：
+
+<div align="center"> <img  src="https://github.com/heibaiying/BigData-Notes/blob/master/pictures/hive-emp-deptno-20-30.png"/> </div>
+
+
+
+## 三、使用SQL语句插入值
+
+```sql
+INSERT INTO TABLE tablename [PARTITION (partcol1[=val1], partcol2[=val2] ...)] VALUES ( value [, value ...] )
+```
+
++ 使用时必须为表中的每个列都提供值。不支持只向部分列插入值（可以为缺省值的列提供空值来消除这个弊端）；
++ 如果目标表表支持ACID及其事务管理器，则插入后自动提交；
++ 不支持支持复杂类型(array, map, struct, union)的插入。
+
+
+
+## 四、更新和删除数据
+
+### 4.1 语法
+
+更新和删除的语法比较简单，和关系型数据库一致。需要注意的是这两个操作都只能在支持ACID的表，也就是事务表上才能执行。
+
+```sql
+-- 更新
+UPDATE tablename SET column = value [, column = value ...] [WHERE expression]
+
+--删除
+DELETE FROM tablename [WHERE expression]
+```
+
+### 4.2 示例
+
+1.  首先需要更改`hive-site.xml`，添加如下配置，开启事务支持，配置完成后需要重启Hive服务。
+
+   ```xml
+   <property>
+       <name>hive.support.concurrency</name>
+       <value>true</value>
+   </property>
+   <property>
+       <name>hive.enforce.bucketing</name>
+       <value>true</value>
+   </property>
+   <property>
+       <name>hive.exec.dynamic.partition.mode</name>
+       <value>nonstrict</value>
+   </property>
+   <property>
+       <name>hive.txn.manager</name>
+       <value>org.apache.hadoop.hive.ql.lockmgr.DbTxnManager</value>
+   </property>
+   <property>
+       <name>hive.compactor.initiator.on</name>
+       <value>true</value>
+   </property>
+   <property>
+       <name>hive.in.test</name>
+       <value>true</value>
+   </property>
+   ```
+
+2. 创建用于测试的事务表，建表时候指定属性`transactional = true`则代表该表是事务表。需要注意的是，按照[官方文档](https://cwiki.apache.org/confluence/display/Hive/Hive+Transactions)的说明，目前Hive中的事务表有以下限制：
+      + 必须是buckets Table;
+      + 仅支持ORC文件格式；
+      + 不支持LOAD DATA ...语句。
+      
+      ```sql
+      -- 建表语句
+      CREATE TABLE emp_ts(  
+        empno int,  
+        ename String
+      )
+      CLUSTERED BY (empno) INTO 2 BUCKETS STORED AS ORC
+      TBLPROPERTIES ("transactional"="true");
+      ```
+3. 插入测试数据
+   
+   ```sql
+   INSERT INTO TABLE emp_ts  VALUES (1,"ming"),(2,"hong");
+   ```
+
+   插入数据依靠的是MapReduce作业，执行成功后数据如下：
+
+   <div align="center"> <img  src="https://github.com/heibaiying/BigData-Notes/blob/master/pictures/hive-emp-ts.png"/> </div>
+   
+4. 测试更新和删除
+   
+   ```sql
+   --更新数据
+   UPDATE emp_ts SET ename = "lan"  WHERE  empno=1;
+   
+   --删除数据
+   DELETE FROM emp_ts WHERE empno=2;
+   ```
+   
+   更新和删除数据依靠的也是MapReduce作业，执行成功后数据如下：
+   
+   <div align="center"> <img  src="https://github.com/heibaiying/BigData-Notes/blob/master/pictures/hive-emp-ts-2.png"/> </div>
+
+
+
+
+
+## 五、查询结果写出到文件系统
+
+### 5.1 语法
+
+```sql
+INSERT OVERWRITE [LOCAL] DIRECTORY directory1
+  [ROW FORMAT row_format] [STORED AS file_format] 
+  SELECT ... FROM ...
+```
+
++ OVERWRITE关键字表示输出文件存在时，先删除后再重新写入；
+
++ 和Load语句一样，建议无论是本地路径还是URL地址都使用完整的；
+
++ 写入文件系统的数据被序列化为文本，其中列默认由^A分隔，行由换行符分隔。如果列不是基本类型，则将其序列化为JSON格式。其中行分隔符不允许自定义，但列分隔符可以自定义，如下：
+
+  ```sql
+  -- 定义列分隔符为'\t' 
+  insert overwrite local directory './test-04' 
+  row format delimited 
+  FIELDS TERMINATED BY '\t'
+  COLLECTION ITEMS TERMINATED BY ','
+  MAP KEYS TERMINATED BY ':'
+  select * from src;
+  ```
+
+### 5.2 示例
+
+这里我们将上面创建的`emp_ptn`表导出到本地文件系统，语句如下：
+
+```sql
+INSERT OVERWRITE LOCAL DIRECTORY '/usr/file/ouput'
+ROW FORMAT DELIMITED
+FIELDS TERMINATED BY '\t'
+SELECT * FROM emp_ptn;
+```
+
+导出结果如下：
+
+<div align="center"> <img  src="https://github.com/heibaiying/BigData-Notes/blob/master/pictures/hive-ouput.png"/> </div>
+
+
+
+
+
+## 参考资料
+
+1. [Hive Transactions](https://cwiki.apache.org/confluence/display/Hive/Hive+Transactions)
+2. [Hive Data Manipulation Language](https://cwiki.apache.org/confluence/display/Hive/LanguageManual+DML)