Hive 系列（八）—— Hive 資料查詢詳解

一、資料準備

為了演示查詢操作，這裡需要預先建立三張表，並載入測試資料。

資料檔案 emp.txt 和 dept.txt 可以從本倉庫的resources 目錄下載。

1.1 員工表

 -- 建表語句
 CREATE TABLE emp(
     empno INT,     -- 員工表編號
     ename STRING,  -- 員工姓名
     job STRING,    -- 職位型別
     mgr INT,   
     hiredate TIMESTAMP,  --僱傭日期
     sal DECIMAL(7,2),  --工資
     comm DECIMAL(7,2),
     deptno INT)   --部門編號
    ROW FORMAT DELIMITED FIELDS TERMINATED BY "\t";

  --載入資料
LOAD DATA LOCAL INPATH "/usr/file/emp.txt" OVERWRITE INTO TABLE emp;

1.2 部門表

 -- 建表語句
 CREATE TABLE dept(
     deptno INT,   --部門編號
     dname STRING,  --部門名稱
     loc STRING    --部門所在的城市
 )
 ROW FORMAT DELIMITED FIELDS TERMINATED BY "\t";
 
 --載入資料
 LOAD DATA LOCAL INPATH "/usr/file/dept.txt" OVERWRITE INTO TABLE dept;

1.3 分割槽表

這裡需要額外建立一張分割槽表，主要是為了演示分割槽查詢：

CREATE EXTERNAL 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)   -- 按照部門編號進行分割槽
 ROW FORMAT DELIMITED FIELDS TERMINATED BY "\t";


--載入資料
LOAD DATA LOCAL INPATH "/usr/file/emp.txt" OVERWRITE INTO TABLE emp_ptn PARTITION (deptno=20)
LOAD DATA LOCAL INPATH "/usr/file/emp.txt" OVERWRITE INTO TABLE emp_ptn PARTITION (deptno=30)
LOAD DATA LOCAL INPATH "/usr/file/emp.txt" OVERWRITE INTO TABLE emp_ptn PARTITION (deptno=40)
LOAD DATA LOCAL INPATH "/usr/file/emp.txt" OVERWRITE INTO TABLE emp_ptn PARTITION (deptno=50)

二、單表查詢

2.1 SELECT

-- 查詢表中全部資料
SELECT * FROM emp;

2.2 WHERE

-- 查詢 10 號部門中員工編號大於 7782 的員工資訊 
SELECT * FROM emp WHERE empno > 7782 AND deptno = 10;

2.3 DISTINCT

Hive 支援使用 DISTINCT 關鍵字去重。

-- 查詢所有工作型別
SELECT DISTINCT job FROM emp;

2.4 分割槽查詢

分割槽查詢 (Partition Based Queries)，可以指定某個分割槽或者分割槽範圍。

-- 查詢分割槽表中部門編號在[20,40]之間的員工
SELECT emp_ptn.* FROM emp_ptn
WHERE emp_ptn.deptno >= 20 AND emp_ptn.deptno <= 40;

2.5 LIMIT

-- 查詢薪資最高的 5 名員工
SELECT * FROM emp ORDER BY sal DESC LIMIT 5;

2.6 GROUP BY

Hive 支援使用 GROUP BY 進行分組聚合操作。

set hive.map.aggr=true;

-- 查詢各個部門薪酬綜合
SELECT deptno,SUM(sal) FROM emp GROUP BY deptno;

hive.map.aggr 控制程式如何進行聚合。預設值為 false。如果設定為 true，Hive 會在 map 階段就執行一次聚合。這可以提高聚合效率，但需要消耗更多記憶體。

2.7 ORDER AND SORT

可以使用 ORDER BY 或者 Sort BY 對查詢結果進行排序，排序欄位可以是整型也可以是字串：如果是整型，則按照大小排序；如果是字串，則按照字典序排序。ORDER BY 和 SORT BY 的區別如下：

使用 ORDER BY 時會有一個 Reducer 對全部查詢結果進行排序，可以保證資料的全域性有序性；
使用 SORT BY 時只會在每個 Reducer 中進行排序，這可以保證每個 Reducer 的輸出資料是有序的，但不能保證全域性有序。

由於 ORDER BY 的時間可能很長，如果你設定了嚴格模式 (hive.mapred.mode = strict)，則其後面必須再跟一個 limit 子句。

注：hive.mapred.mode 預設值是 nonstrict ，也就是非嚴格模式。

-- 查詢員工工資，結果按照部門升序，按照工資降序排列
SELECT empno, deptno, sal FROM emp ORDER BY deptno ASC, sal DESC;

2.8 HAVING

可以使用 HAVING 對分組資料進行過濾。

-- 查詢工資總和大於 9000 的所有部門
SELECT deptno,SUM(sal) FROM emp GROUP BY deptno HAVING SUM(sal)>9000;

2.9 DISTRIBUTE BY

預設情況下，MapReduce 程式會對 Map 輸出結果的 Key 值進行雜湊，並均勻分發到所有 Reducer 上。如果想要把具有相同 Key 值的資料分發到同一個 Reducer 進行處理，這就需要使用 DISTRIBUTE BY 字句。

需要注意的是，DISTRIBUTE BY 雖然能保證具有相同 Key 值的資料分發到同一個 Reducer，但是不能保證資料在 Reducer 上是有序的。情況如下：

把以下 5 個數據傳送到兩個 Reducer 上進行處理：

k1
k2
k4
k3
k1

Reducer1 得到如下亂序資料：

k1
k2
k1

Reducer2 得到資料如下：

k4
k3

如果想讓 Reducer 上的資料時有序的，可以結合 SORT BY 使用 (示例如下)，或者使用下面我們將要介紹的 CLUSTER BY。

-- 將資料按照部門分發到對應的 Reducer 上處理
SELECT empno, deptno, sal FROM emp DISTRIBUTE BY deptno SORT BY deptno ASC;

2.10 CLUSTER BY

如果 SORT BY 和 DISTRIBUTE BY 指定的是相同欄位，且 SORT BY 排序規則是 ASC，此時可以使用 CLUSTER BY 進行替換，同時 CLUSTER BY 可以保證資料在全域性是有序的。

SELECT empno, deptno, sal FROM emp CLUSTER  BY deptno ;

三、多表聯結查詢

Hive 支援內連線，外連線，左外連線，右外連線，笛卡爾連線，這和傳統資料庫中的概念是一致的，可以參見下圖。

需要特別強調：JOIN 語句的關聯條件必須用 ON 指定，不能用 WHERE 指定，否則就會先做笛卡爾積，再過濾，這會導致你得不到預期的結果 (下面的演示會有說明)。

3.1 INNER JOIN

-- 查詢員工編號為 7369 的員工的詳細資訊
SELECT e.*,d.* FROM 
emp e JOIN dept d
ON e.deptno = d.deptno 
WHERE empno=7369;

--如果是三表或者更多表連線，語法如下
SELECT a.val, b.val, c.val FROM a JOIN b ON (a.key = b.key1) JOIN c ON (c.key = b.key1)

3.2 LEFT OUTER JOIN

LEFT OUTER JOIN 和 LEFT JOIN 是等價的。

-- 左連線
SELECT e.*,d.*
FROM emp e LEFT OUTER  JOIN  dept d
ON e.deptno = d.deptno;

3.3 RIGHT OUTER JOIN

--右連線
SELECT e.*,d.*
FROM emp e RIGHT OUTER JOIN  dept d
ON e.deptno = d.deptno;

執行右連線後，由於 40 號部門下沒有任何員工，所以此時員工資訊為 NULL。這個查詢可以很好的複述上面提到的——JOIN 語句的關聯條件必須用 ON 指定，不能用 WHERE 指定。你可以把 ON 改成 WHERE，你會發現無論如何都查不出 40 號部門這條資料，因為笛卡爾運算不會有 (NULL, 40) 這種情況。

3.4 FULL OUTER JOIN

SELECT e.*,d.*
FROM emp e FULL OUTER JOIN  dept d
ON e.deptno = d.deptno;

3.5 LEFT SEMI JOIN

LEFT SEMI JOIN （左半連線）是 IN/EXISTS 子查詢的一種更高效的實現。

JOIN 子句中右邊的表只能在 ON 子句中設定過濾條件;
查詢結果只包含左邊表的資料，所以只能 SELECT 左表中的列。

-- 查詢在紐約辦公的所有員工資訊
SELECT emp.*
FROM emp LEFT SEMI JOIN dept 
ON emp.deptno = dept.deptno AND dept.loc="NEW YORK";

--上面的語句就等價於
SELECT emp.* FROM emp
WHERE emp.deptno IN (SELECT deptno FROM dept WHERE loc="NEW YORK");

3.6 JOIN

笛卡爾積連線，這個連線日常的開發中可能很少遇到，且效能消耗比較大，基於這個原因，如果在嚴格模式下 (hive.mapred.mode = strict)，Hive 會阻止使用者執行此操作。

SELECT * FROM emp JOIN dept;

四、JOIN優化

4.1 STREAMTABLE

在多表進行聯結的時候，如果每個 ON 字句都使用到共同的列（如下面的 b.key），此時 Hive 會進行優化，將多表 JOIN 在同一個 map / reduce 作業上進行。同時假定查詢的最後一個表（如下面的 c 表）是最大的一個表，在對每行記錄進行 JOIN 操作時，它將嘗試將其他的表快取起來，然後掃描最後那個表進行計算。因此使用者需要保證查詢的表的大小從左到右是依次增加的。

`SELECT a.val, b.val, c.val FROM a JOIN b ON (a.key = b.key) JOIN c ON (c.key = b.key)`

然後，使用者並非需要總是把最大的表放在查詢語句的最後面，Hive 提供了 /*+ STREAMTABLE() */ 標誌，用於標識最大的表，示例如下：

SELECT /*+ STREAMTABLE(d) */  e.*,d.* 
FROM emp e JOIN dept d
ON e.deptno = d.deptno
WHERE job='CLERK';

4.2 MAPJOIN

如果所有表中只有一張表是小表，那麼 Hive 把這張小表載入到記憶體中。這時候程式會在 map 階段直接拿另外一個表的資料和記憶體中表資料做匹配，由於在 map 就進行了 JOIN 操作，從而可以省略 reduce 過程，這樣效率可以提升很多。Hive 中提供了 /*+ MAPJOIN() */ 來標記小表，示例如下：

SELECT /*+ MAPJOIN(d) */ e.*,d.* 
FROM emp e JOIN dept d
ON e.deptno = d.deptno
WHERE job='CLERK';

五、SELECT的其他用途

檢視當前資料庫：

SELECT current_database()

六、本地模式

在上面演示的語句中，大多數都會觸發 MapReduce, 少部分不會觸發，比如 select * from emp limit 5 就不會觸發 MR，此時 Hive 只是簡單的讀取資料檔案中的內容，然後格式化後進行輸出。在需要執行 MapReduce 的查詢中，你會發現執行時間可能會很長，這時候你可以選擇開啟本地模式。

--本地模式預設關閉，需要手動開啟此功能
SET hive.exec.mode.local.auto=true;

啟用後，Hive 將分析查詢中每個 map-reduce 作業的大小，如果滿足以下條件，則可以在本地執行它：

作業的總輸入大小低於：hive.exec.mode.local.auto.inputbytes.max（預設為 128MB）；
map-tasks 的總數小於：hive.exec.mode.local.auto.tasks.max（預設為 4）；
所需的 reduce 任務總數為 1 或 0。

因為我們測試的資料集很小，所以你再次去執行上面涉及 MR 操作的查詢，你會發現速度會有顯著的提升。

參考資料

LanguageManual Select
LanguageManual Joins
LanguageManual GroupBy
LanguageManual SortBy

更多大資料系列文章可以參見 GitHub 開源專案：大資料入門指南