hive语法详解：正则regex、 insert、 join、 group、 cli

问题导读
1.hive一个源如何同时插入到多个目标表或目标文件？
2.Hive是否支持所有非等值的连接？

1.insert
Insert时，from子句既可以放在select子句后，也可以放在insert子句前，下面两句是等价的

hive> FROM invites a INSERT OVERWRITE TABLE eventsSELECT a.bar, count(*) WHERE a.foo > 0 GROUP BY a.bar;
hive> INSERT OVERWRITE TABLE events SELECTa.bar, count(*) FROM invites a WHERE a.foo > 0 GROUP BY a.bar;
复制代码

2.导出文件到本地

INSERT  OVERWRITE LOCAL DIRECTORY '/tmp/local_out' SELECT a.* FROM pokes a;
复制代码

一个源可以同时插入到多个目标表或目标文件，多目标insert可以用一句话来完成

FROM src  INSERT OVERWRITE TABLE dest1 SELECT src.*WHERE src.key = 100 and src.key = 200 andsrc.key = 300;
复制代码

运行一个脚本(两种方式)

HIVE_HOME/bin/hive-f /home/my/hive-script.sql
HIVE_HOME/bin/hive-i /home/my/hive-init.sql
复制代码

3.hive CLI

hive>set  i=32;
hive> set i;
hive> select a.* from xiaojun a;
hive> !ls;
hive> dfs -ls;
eg:
  hive> set$i='121.61.99.14.128160791368.5';
  hive> selectcount(*) from c02_clickstat_fatdt1 where cookie_id=$i;
复制代码

4.REGEX Column
SELECT 语句可以使用正则表达式做列选择，下面的语句查询除了 ds 和 hr 之外的所有列：SELECT `(ds|hr)?+.+` FROM sales

5.Sort By 语法：
Sort顺序将根据列类型而定。如果数字类型的列，则排序顺序也以数字顺序。如果字符串类型的列，则排序顺序将按字典顺序。

colOrder: ( ASC | DESC )
sortBy: SORT BY colName colOrder? (',' colName colOrder?)*
query: SELECT expression (',' expression)* FROM src sortBy
复制代码

6.group by
高级特性：
聚合可进一步分为多个表，甚至发送到Hadoop的DFS的文件（可以进行操作，然后使用HDFS的utilitites）。例如我们可以根据性别划分，需要找到独特的页面浏览量按年龄划分。如下面的例子：

  FROM pv_users  
  INSERT OVERWRITE TABLE pv_gender_sum
  SELECT pv_users.gender, count(DISTINCT pv_users.userid)
  GROUP BY pv_users.gender
  INSERT OVERWRITE DIRECTORY '/user/facebook/tmp/pv_age_sum'
  SELECT pv_users.age, count(DISTINCT pv_users.userid)
  GROUP BY pv_users.age;
复制代码

hive.map.aggr可以控制怎么进行汇总。默认为为true，配置单元会做的第一级聚合直接在MAP上的任务。这通常提供更好的效率，但可能需要更多的内存来运行成功。

  set hive.map.aggr=true;
  SELECT COUNT(*) FROM table2;
复制代码

PS:在要特定的场合使用可能会加效率。不过我试了一下，比直接使用False慢很多。

1.Join
Hive 只支持等值连接（equality joins）、外连接（outer joins）和（left/right joins）。
Hive 不支持所有非等值的连接，因为非等值连接非常难转化到 map/reduce 任务。另外，Hive 支持多于 2 个表的连接。
例如：

  SELECT a.* FROMa JOIN b ON (a.id = b.id)
  SELECT a.* FROMa JOIN b
  ON (a.id =b.id AND a.department = b.department)
复制代码

是正确的，然而:

  SELECT a.* FROMa JOIN b ON (a.id  b.id)
复制代码

是错误的。

a.可以 join 多于 2 个表。
例如

  SELECT a.val,b.val, c.val FROM a JOIN b
    ON (a.key =b.key1) JOIN c ON (c.key = b.key2)
复制代码

如果join中多个表的 join key 是同一个，则 join 会被转化为单个 map/reduce 任务，例如：

  SELECT a.val,b.val, c.val FROM a JOIN b
    ON (a.key =b.key1) JOIN c
    ON (c.key =b.key1)
复制代码

被转化为单个 map/reduce 任务，因为 join 中只使用了 b.key1 作为 join key。

SELECT a.val, b.val, c.val FROM a JOIN b ON (a.key =b.key1)
JOIN c ON (c.key= b.key2)
复制代码

而这一 join 被转化为 2 个map/reduce 任务。因为 b.key1 用于第一次join 条件，而 b.key2 用于第二次 join。

b.join 时，每次 map/reduce 任务的逻辑：
reducer 会缓存 join 序列中除了最后一个表的所有表的记录，再通过最后一个表将结果序列化到文件系统。这一实现有助于在 reduce 端减少内存的使用量。实践中，应该把最大的那个表写在最后（否则会因为缓存浪费大量内存）。
例如：

SELECT a.val,b.val, c.val FROM a
JOIN b ON(a.key = b.key1) JOIN c ON (c.key = b.key1)
复制代码

所有表都使用同一个 join key（使用 1 次map/reduce 任务计算）。Reduce 端会缓存 a 表和 b 表的记录，然后每次取得一个 c 表的记录就计算一次 join 结果，类似的还有：

SELECT a.val,b.val, c.val FROM a
JOIN b ON(a.key = b.key1) JOIN c ON (c.key = b.key2)
复制代码

这里用了 2 次 map/reduce 任务。第一次缓存 a 表，用 b 表序列化；第二次缓存第一次 map/reduce 任务的结果，然后用 c 表序列化。
c.LEFT，RIGHT 和 FULLOUTER 关键字用于处理 join 中空记录的情况。
例如：

  SELECT a.val,b.val FROM a LEFT OUTER
  JOIN b ON(a.key=b.key)
复制代码

对应所有 a 表中的记录都有一条记录输出。输出的结果应该是 a.val, b.val，当 a.key=b.key 时，而当 b.key 中找不到等值的 a.key 记录时也会输出 a.val, NULL。“FROM a LEFT OUTER JOIN b”这句一定要写在同一行——意思是 a 表在 b 表的左边，所以 a 表中的所有记录都被保留了；“aRIGHT OUTER JOIN b”会保留所有 b 表的记录。OUTER JOIN 语义应该是遵循标准 SQL spec的。

Join 发生在 WHERE 子句之前。如果你想限制 join 的输出，应该在 WHERE 子句中写过滤条件——或是在 join 子句中写。这里面一个容易混淆的问题是表分区的情况：

  SELECT a.val,b.val FROM a
  LEFT OUTER JOINb ON (a.key=b.key)
  WHEREa.ds='2014-08-22' AND b.ds='2014-08-022'
复制代码

会 join a 表到 b 表（OUTERJOIN），列出 a.val 和 b.val 的记录。WHERE 从句中可以使用其他列作为过滤条件。但是，如前所述，如果 b 表中找不到对应 a 表的记录，b 表的所有列都会列出NULL，包括 ds 列。也就是说，join 会过滤 b 表中不能找到匹配a 表 join key 的所有记录。这样的话，LEFTOUTER 就使得查询结果与 WHERE 子句无关了。解决的办法是在 OUTER JOIN 时使用以下语法：

  SELECT a.val,b.val FROM a LEFT OUTER JOIN b
  ON (a.key=b.keyAND
     b.ds='2014-08-22' AND
     a.ds='2014-08-22')
复制代码

这一查询的结果是预先在 join 阶段过滤过的，所以不会存在上述问题。这一逻辑也可以应用于 RIGHT 和 FULL 类型的 join 中。
Join 是不能交换位置的。无论是 LEFT 还是 RIGHT join，都是左连接的。

  SELECT a.val1,a.val2, b.val, c.val
  FROM a
  JOIN b ON (a.key= b.key)
  LEFT OUTER JOINc ON (a.key = c.key)
复制代码

先 join a 表到 b 表，丢弃掉所有join key 中不匹配的记录，然后用这一中间结果和 c 表做 join。这一表述有一个不太明显的问题，就是当一个 key 在 a 表和 c 表都存在，但是 b 表中不存在的时候：整个记录在第一次 join，即 a JOIN b 的时候都被丢掉了（包括a.val1，a.val2和a.key），然后我们再和 c 表 join 的时候，如果c.key 与 a.key 或 b.key 相等，就会得到这样的结果：NULL, NULL, NULL, c.val。