45.Hive实战

Hive实战

Hive概述

Hive 是 Facebook 开源的一款基于 Hadoop 的数据仓库工具，目前由 Apache 软件基金会维护，它是应用最为广泛的大数据解决方案。简单的说，Hive 能将 SQL 查询转变为 MapReduce 或 Spark 任务，对 SQL 提供了完美的支持，能够非常方便的实现大数据统计，让不会使用 Java、Scala 语言的人也可以玩转大数据平台和分布式文件系统，实现对数据的存储和处理。

Hive 的主要作用包括：

1. 将结构化的数据文件映射为一张表。
2. 提供类 SQL 的查询语言 HiveQL来操作大规模数据。
3. 底层依赖 Hadoop 的 HDFS 存储和 MapReduce / Spark / Tez 引擎执行任务。

Hive 的特点如下所示：

1. 类 SQL 语法：支持 SQL 查询，降低大数据学习门槛。
2. 可扩展性：能够比较容易的支持 PB 级别数据。
3. 灵活存储：支持多种存储格式（Text、ORC、Parquet、Avro 等）。
4. 可选择的计算引擎：底层执行引擎有 MapReduce、Tez、Spark。
5. 延迟较高：适合离线分析，不适合低延迟 OLTP 查询。

Hive 和传统关系型数据库的对比：

环境搭建

准备工作

说明：下面的操作以 Ubuntu 系统为例。

1. 同步时区

   sudo timedatectl set-timezone Asia/Shanghai
   

2. 修改下载源

   sudo mv /etc/apt/sources.list /etc/apt/sources.list.bak
   sudo vi /etc/apt/sources.list
   

   # 24.04 /etc/apt/sources.list
   deb https://mirrors.tuna.tsinghua.edu.cn/ubuntu/ focal main restricted universe multiverse
   deb https://mirrors.tuna.tsinghua.edu.cn/ubuntu/ focal-updates main restricted universe multiverse
   deb https://mirrors.tuna.tsinghua.edu.cn/ubuntu/ focal-backports main restricted universe multiverse
   deb https://mirrors.tuna.tsinghua.edu.cn/ubuntu/ focal-security main restricted universe multiverse
   

   # 18.04 /etc/apt/sources.list
   deb https://mirrors.tuna.tsinghua.edu.cn/ubuntu/ bionic main restricted universe multiverse
   deb-src https://mirrors.tuna.tsinghua.edu.cn/ubuntu/ bionic main restricted universe multiverse
   deb https://mirrors.tuna.tsinghua.edu.cn/ubuntu/ bionic-updates main restricted universe multiverse
   deb-src https://mirrors.tuna.tsinghua.edu.cn/ubuntu/ bionic-updates main restricted universe multiverse
   deb https://mirrors.tuna.tsinghua.edu.cn/ubuntu/ bionic-backports main restricted universe multiverse
   deb-src https://mirrors.tuna.tsinghua.edu.cn/ubuntu/ bionic-backports main restricted universe multiverse
   deb https://mirrors.tuna.tsinghua.edu.cn/ubuntu/ bionic-security main restricted universe multiverse
   deb-src https://mirrors.tuna.tsinghua.edu.cn/ubuntu/ bionic-security main restricted universe multiverse
   deb https://mirrors.tuna.tsinghua.edu.cn/ubuntu/ bionic-proposed main restricted universe multiverse
   deb-src https://mirrors.tuna.tsinghua.edu.cn/ubuntu/ bionic-proposed main restricted universe multiverse
   

3. 安装工具软件

   sudo apt update
   sudo apt upgrade
   sudo apt install -y vim wget net-tools openssh-server
   

4. 启动 SSH

   sudo systemctl start ssh
   sudo systemctl enable ssh
   sudo systemctl status ssh
   

5. 配置防火墙

   sudo ufw enable
   sudo ufw allow ssh
   sudo ufw status
   
   sudo ufw disable
   

6. 准备 Hadoop

   wget https://archive.apache.org/dist/hadoop/common/stable2/hadoop-2.10.2.tar.gz
   sudo tar -zxvf hadoop-2.10.2.tar.gz -C /opt
   

7. 准备 Hive

   wget https://archive.apache.org/dist/hive/stable-2/apache-hive-2.3.9-bin.tar.gz
   sudo tar -zxvf apache-hive-2.3.9-bin.tar.gz -C /opt
   

Java 环境

1. 检查

   java -version
   

2. 搜索

   sudo apt search openjdk
   

3. 安装

   sudo apt install -y openjdk-8-jdk
   

MySQL 环境

1. 安装

   sudo apt install mysql-server
   

2. 配置

   mysql_secure_installation
   

3. 启动

   sudo systemctl enable mysql
   sudo systemctl start mysql
   sudo systemctl status mysql
   

Hadoop 配置

提示：详见 PDF 文档。

Hive 配置

提示：详见 PDF 文档。

启动环境

1. 启动 HDFS

   start-dfs.sh
   start-yarn.sh
   

2. 启动 Hive

   hive --service metastore &
   hive --service hiveserver2 > hiveserver2.log 2> hiveerrors.log &
   

3. 检查端口

   ss -ntl
   netstat -ntlp
   

常用命令

命令	用途说明
hadoop fs -ls <path>	列出目录内容，类似 Linux ls
hadoop fs -ls -R <path>	递归列出目录下所有文件
hadoop fs -du <path>	显示文件或目录大小（非递归）
hadoop fs -du -s <path>	汇总显示目录总大小
hadoop fs -du -h <path>	以可读格式（KB/MB/GB）显示文件大小
hadoop fs -COUNT <path>	统计目录下的文件数、目录数、总字节数
hadoop fs -mkdir <path>	创建目录
hadoop fs -mkdir -p <path>	递归创建多级目录
hadoop fs -rm <path>	删除文件
hadoop fs -rm -r <path>	递归删除目录
hadoop fs -copyFromLocal <local> <hdfs>	从本地复制文件到 HDFS
hadoop fs -moveFromLocal <local> <hdfs>	从本地移动文件到 HDFS（复制后删除本地文件）
hadoop fs -copyToLocal <hdfs> <local>	从 HDFS 复制文件到本地
hadoop fs -moveToLocal <hdfs> <local>	从 HDFS 移动文件到本地（复制后删除 HDFS 文件）
hadoop fs -put <local> <hdfs>	等价于 -copyFromLocal，上传文件
hadoop fs -get <hdfs> <local>	等价于 -copyToLocal，下载文件
hadoop fs -getmerge <hdfs_dir> <local_file>	合并 HDFS 目录下的文件，保存到本地单一文件
hadoop fs -cat <path>	输出文件内容到标准输出（适合查看小文件）
hadoop fs -tail <path>	显示文件结尾的部分内容
hadoop fs -text <path>	以文本方式查看压缩文件（如 Gzip、SequenceFile）内容
hadoop fs -appENDToFile <local_file> <hdfs_file>	将本地文件内容追加到 HDFS 文件末尾
hadoop fs -cp <src> <dst>	在 HDFS 内部复制文件或目录
hadoop fs -mv <src> <dst>	在 HDFS 内部移动/重命名文件或目录
hadoop fs -chown <user:group> <path>	修改文件或目录的所有者和用户组
hadoop fs -chgrp <group> <path>	修改文件或目录所属用户组
hadoop fs -chmod <mode> <path>	修改文件或目录权限，类似 Linux chmod
hadoop fs -stat <format> <path>	显示文件或目录状态信息（如大小、修改时间）
hadoop fs -expunge	清空 HDFS 垃圾回收站（TrASh）
hadoop fs -checkSUM <path>

基本语法

1. 删除数据库。

   DROP DATABASE IF EXISTS eshop CASCADE;
   

2. 创建数据库。

   CREATE DATABASE IF NOT EXISTS eshop;
   

3. 切换上下文。

   USE eshop;
   

4. 创建外部表。

   CREATE EXTERNAL TABLE IF NOT EXISTS dim_user_info 
   (
   user_id           STRING,
   user_name         STRING, 
   sex               STRING,
   age               INT,
   city              STRING,
   first_active_time STRING,
   level             INT,
   extra1            STRING,
   extra2            MAP<STRING, STRING>
   )
   ROW FORMAT DELIMITED 
   FIELDS TERMINATED BY '\t'
   COLLECTION ITEMS TERMINATED BY ','
   MAP KEYS TERMINATED BY ':'
   LINES TERMINATED BY '\n'
   STORED AS TEXTFILE;
   
   

5. 加载数据。

   LOAD DATA LOCAL INPATH '/home/hadoop/data/user_info/user_info.txt' OVERWRITE INTO TABLE dim_user_info;
   

   LOAD DATA INPATH '/user/data/user_info.txt' OVERWRITE INTO TABLE dim_user_info;
   

6. 创建分区表。

   CREATE TABLE IF NOT EXISTS fact_user_trade 
   (
   user_name      STRING,
   piece          INT,
   price          DOUBLE,
   pay_amount     DOUBLE,
   goods_category STRING,
   pay_time       BIGINT
   )  
   PARTITIONED BY (dt STRING)
   ROW FORMAT DELIMITED
   FIELDS TERMINATED BY '\t'
   LINES TERMINATED BY '\n'
   STORED AS TEXTFILE;
   

7. 设置动态分区。

   -- 设置使用动态分区
   SET hive.exec.dynamic.partition=true;
   -- 设置动态分区为非严格模式（严格模式至少要指定一个动态分区列）
   SET hive.exec.dynamic.partition.mode=nonstrict;
   -- 一次SQL操作最多能创建多少个动态分区（跨节点）
   SET hive.exec.max.dynamic.partitions=1000;
   -- 每个节点上最多能创建多少个动态分区
   SET hive.exec.max.dynamic.partitions.pernode=10000;
   

8. 修复分区。

   MSCK REPAIR TABLE fact_user_trade;
   

9. 数据提取。

   -- 开启本地模式自动判断
   SET hive.exec.mode.local.auto=true;
   -- 设置MAPREDUCE文件数量
   SET hive.exec.mode.local.auto.input.files.max=128;
   -- 设置MAPREDUCE文件大小
   SET hive.exec.mode.local.auto.input.bytes.max=134217728;
   -- 设置Reduce任务个数为1
   SET mapreduce.job.reduces=1;
   
   -- 查询北京女用户的姓名取前10个
   SELECT user_name 
     FROM dim_user_info
    WHERE city='beijing'
          AND sex='female'
    LIMIT 10;
   
   -- 查询2019年3月24日购买了food类商品的用户名、购买数量和支付金额（不聚合）
   SELECT user_name
        , piece
        , pay_amount
     FROM fact_user_trade
    WHERE dt='2019-03-24'
          AND goods_category='food';
   
   -- 统计用户 ELLA 在2018年的总支付金额和最近最远两次消费间隔天数
   SELECT SUM(pay_amount) AS total
        , DATEDIFF(
              MAX(FROM_UNIXTIME(pay_time, 'yyyy-MM-dd')),
              MIN(FROM_UNIXTIME(pay_time, 'yyyy-MM-dd'))
          ) AS gap_days
     FROM fact_user_trade
    WHERE YEAR(dt)='2018'
          AND user_name='ELLA';
   

建表操作

数据类型

Hive 的数据类型大体分为三类：原始类型、复杂类型、嵌套类型。

数据类型	类型说明	使用场景
TINYINT	1 字节有符号整数，取值范围 -128~127。
SMALLINT	2 字节有符号整数，取值范围 -32768 ~ 32767。
INT	4 字节有符号整数，取值范围 -2147483648~2147483647。
BIGINT	8 字节有符号整数，取值范围 -9223372036854775808~9223372036854775807。	计数、ID
BOOLEAN	布尔值，TRUE 或者 FALSE。
FLOAT	单精度浮点数（4 字节）。
DOUBLE	双精度浮点数（8 字节）。
DECIMAL(P, S)	高精度小数，P=总位数，S=小数位数。	订单金额
STRING	长度可变字符串	文本、JSON
CHAR	固定长度字符串
VARCHAR	限定最大长度字符串
BINARY	二进制数据
TIMESTAMP	时间戳	精确到毫秒
DATE	日期
INTERVAL	时间间隔类型
STRUCT	和C语言中的结构体类似，STRUCT<first_name:STRING, lASt_name:STRING>	玩家行为
MAP	由键值对构成的元素的集合，MAP<STRING, INT>	商品属性
ARRAY	具有相同类型的变量的容器，ARRAY<STRING>	装备列表

复杂类型和嵌套类型的用法如下所示。

CREATE TABLE complex
(
  c1 ARRAY<INT>,
  c2 MAP<STRING, INT>,
  c3 STRUCT<a:STRING, b:INT, c:DOUBLE>,
  c4 STRUCT<name:STRING, addrs:ARRAY<STRUCT<city:STRING, zipcode:STRING>>>
);

SELECT c1[0]
     , c2['key']
     , c3.b
     , c4.addrs[0].city
  FROM complex;

Hive 数据类型支持两种转换：

1. 隐式转换：TINYINT → INT → BIGINT → DOUBLE → STRING、FLOAT → DOUBLE。

2. 显示转换：

   SELECT CAST('123' AS INT);
   SELECT CAST(3.14159 AS DECIMAL(5,2));
   

表类型

Hive 中的表类型如下所示：

表类型	定义/创建方式	存储位置	生命周期	特点	应用场景
内部表 (Managed Table)	CREATE TABLE t1 (id INT, name STRING);	数据存放在 Hive 仓库目录下 (/user/hive/warehouse/...)	表删除时数据也被删除	Hive 全权管理元数据和数据	临时性数据、实验性数据
外部表 (External Table)	CREATE EXTERNAL TABLE t2 (id INT, name STRING) LOCATION '/data/t2';	数据存放在用户指定目录	表删除时数据保留，只删除元数据	元数据和数据分离，便于共享	数据共享、避免误删、数据湖场景
分区表 (Partitioned Table)	CREATE TABLE sales (id INT, amount INT) PARTITIONED BY (dt STRING, region STRING);	每个分区对应一个子目录	分区字段不存储在表数据文件里，而作为路径目录	提高查询效率（按分区裁剪数据）	时间序列、地域划分、日志数据
分桶表 (Bucketed Table)	CREATE TABLE users (id INT, name STRING) CLUSTERED BY (id) INTO 8 BUCKETS;	每个分桶对应一个文件	分桶数固定	数据按哈希分布到桶文件，便于采样、Join 优化	等值 Join、大表抽样、数据均衡分布
临时表 (Temporary Table)	CREATE TEMPORARY TABLE tmp (id INT);	仅存在于当前会话内存中	会话结束后自动销毁	不会落盘，不更新 Hive 元数据	临时计算、会话级中间结果
视图 (View)	CREATE VIEW v1 AS SELECT ...;	不存储数据，只存元数据定义	与底层表绑定	类似虚拟表	数据安全、SQL 复用、封装复杂查询

修饰符

创建表的时候可以使用的修饰符如下：

关键字	作用	写了时的效果	不写时的默认值
EXTERNAL	指定外部表	CREATE EXTERNAL TABLE ... LOCATION ... → 表和数据分离，删表不删数据	内部表 (Managed Table)，删表时数据目录会一起删除
PARTITIONED BY	定义分区字段	PARTITIONED BY (dt STRING, city STRING) → 数据写到子目录 /table/dt=2025-08-26/city=Beijing/	非分区表，所有数据放在一个目录下
CLUSTERED BY ... INTO N BUCKETS	分桶	CLUSTERED BY (user_id) INTO 8 BUCKETS → 数据按哈希分布到 8 个文件桶	不分桶，数据就是普通文件
STORED AS	文件存储格式	常用：TEXTFILE、SEQUENCEFILE、ORC、PARQUET	TEXTFILE（文本文件）
ROW FORMAT	指定行格式和 SerDe	比如 ROW FORMAT DELIMITED FIELDS TERMINATED BY ',' 或 ROW FORMAT SERDE 'org.apache.hadoop.hive.serde2.JsonSerDe'	LazySimpleSerDe（默认分隔符 \001，就是不可见的 Ctrl+A）
LOCATION	指定 HDFS 路径	LOCATION '/user/hive/custom_path' → 表数据存放到自定义路径	默认放到 仓库目录：/user/hive/warehouse/<db>.db/<table>/
TBLPROPERTIES/DBPROPERTIES	存储一些元数据属性	TBLPROPERTIES ('creator'='Hao')	空，除非手动添加
COMMENT	表/字段备注	COMMENT '用户交易事实表'	空

ROW FORMAT

写法	说明	常见场景
ROW FORMAT DELIMITED FIELDS TERMINATED BY ','	按分隔符解析	CSV/TSV/文本
ROW FORMAT DEFAULT	默认格式，同下	CSV/TSV/文本
ROW FORMAT SERDE 'org.apache.hadoop.hive.serde2.LazySimpleSerDe'	默认 SerDe，同上	文本表（\001 分隔）
ROW FORMAT SERDE 'org.apache.hadoop.hive.serde2.OpenCSVSerde'	更智能的 CSV 解析	有引号/转义的 CSV
ROW FORMAT SERDE 'org.apache.hadoop.hive.serde2.RegexSerDe'	用正则匹配行	日志类数据
ROW FORMAT SERDE 'org.apache.hadoop.hive.serde2.JsonSerDe'	JSON 格式解析	JSON 文件
ROW FORMAT SERDE 'org.apache.hadoop.hive.serde2.AvroSerDe'	Avro 格式	JSON + 二进制压缩
ROW FORMAT SERDE 'org.apache.hadoop.hive.serde2.ParquetHiveSerDe'	Parquet 格式	Parquet 数据
ROW FORMAT SERDE 'org.apache.hadoop.hive.serde2.OrcSerde'	ORC 格式	ORC 数据

说明：只有使用非默认格式（CSV/JSON/Regex） 时才需要显式指定 SERDE。

写入数据

写入方式	示例语法	特点	适用场景
INSERT INTO	INSERT INTO TABLE sales PARTITION (dt='2025-08-26') SELECT * FROM tmp_sales;	向表/分区 追加数据，不会覆盖原有内容	日常数据追加写入（日志、交易流水）
INSERT OVERWRITE	INSERT OVERWRITE TABLE sales PARTITION (dt='2025-08-26') SELECT * FROM tmp_sales;	覆盖目标表/分区的数据（先删后写）	周期性全量刷新数据（如 T+1 日报、月报）
LOAD DATA	LOAD DATA INPATH '/user/hadoop/data.txt' INTO TABLE sales;	移动文件到 Hive 表目录（不做解析），速度快	已有 HDFS 文件直接导入 Hive
LOAD DATA LOCAL	LOAD DATA LOCAL INPATH '/home/user/data.txt' INTO TABLE sales;	从 本地文件系统拷贝数据到 Hive 表	本地临时数据快速导入
CREATE TABLE AS SELECT (CTAS)	CREATE TABLE new_sales AS SELECT * FROM sales WHERE dt='2025-08-26';	新建表并写入查询结果，一步到位	生成中间表/派生表，数据探索
INSERT + Directory (写 HDFS)	INSERT OVERWRITE DIRECTORY '/tmp/export/' ROW FORMAT DELIMITED FIELDS TERMINATED BY ',' SELECT * FROM sales;	把查询结果写到 HDFS 目录，可指定分隔符/格式	数据导出，和其他系统交互
INSERT + LOCAL Directory (写本地)	INSERT OVERWRITE LOCAL DIRECTORY '/home/user/export/' ROW FORMAT DELIMITED FIELDS TERMINATED BY ',' SELECT * FROM sales;	把结果写到 本地目录	小规模结果导出，本地分析
外部表写入 (External Table)	CREATE EXTERNAL TABLE ext_sales (...) LOCATION '/data/sales';	外部表只管理元数据，实际写入依赖 LOAD DATA/INSERT	共享数据目录，防止误删
动态分区写入	SET hive.exec.dynamic.partition=true; SET hive.exec.dynamic.partition.mode=nonstrict; INSERT OVERWRITE TABLE sales PARTITION (dt) SELECT id, amount, dt FROM tmp;	自动根据字段值生成分区目录	大规模分区表装载数据

常用函数

数学函数 (Math Functions)

函数	说明	示例
abs(x)	绝对值	abs(-10) = 10
round(x[, d])	四舍五入，d 为保留小数位	round(3.14159, 2) = 3.14
floor(x)	向下取整	floor(3.9) = 3
ceil(x)	向上取整	ceil(3.1) = 4
rand()	生成 [0,1) 随机数	rand()
pow(x, y) / power(x,y)	幂运算	pow(2,3) = 8
sqrt(x)	开平方	sqrt(16) = 4
exp(x)	e^x	exp(1) ≈ 2.718
ln(x)	自然对数	ln(e) = 1
log10(x)	以 10 为底对数	log10(100) = 2

字符串函数 (String Functions)

函数	说明	示例
length(str)	字符串长度	length('hive') = 4
upper(str)	转大写	upper('hive') = HIVE
lower(str)	转小写	lower('HIVE') = hive
concat(str1,str2,…)	拼接字符串	concat('hive','sql') = hivesql
concat_ws(sep,str1,str2,…)	用分隔符拼接	concat_ws('-', 'a','b','c') = a-b-c
substr(str, start, len)	截取子串	substr('hive',2,2) = iv
instr(str, substr)	返回子串位置	instr('hive','iv') = 2
split(str, regex)	字符串分割成数组	split('a,b,c',',') = ['a','b','c']
regexp_extract(str, pattern, idx)	正则提取	regexp_extract('abc123','([0-9]+)',1) = 123
regexp_replace(str, pattern, rep)	正则替换	regexp_replace('abc123','[0-9]','X') = abcXXX
trim(str)	去掉首尾空格	trim(' hi ') = hi
lpad(str,n,pad)	左填充到 n 长度	lpad('hi',5,'*') = ***hi
rpad(str,n,pad)	右填充到 n 长度	rpad('hi',5,'*') = hi***

日期时间函数 (Date & Time Functions)

函数	说明	示例
current_date	当前日期	2025-09-15
current_timestamp	当前时间戳	2025-09-15 22:00:00
unix_timestamp()	当前时间戳（秒）	1694784000
from_unixtime(ts, fmt)	时间戳转字符串	from_unixtime(1694784000,'yyyy-MM-dd') = 2025-09-15
to_date(str)	字符串转日期	to_date('2025-09-15 22:00:00') = 2025-09-15
year(dt)	提取年	year('2025-09-15') = 2025
month(dt)	提取月	month('2025-09-15') = 9
day(dt) / dayofmonth(dt)	提取日	day('2025-09-15') = 15
hour(ts)	提取小时	hour('2025-09-15 22:30:00') = 22
minute(ts)	提取分钟	minute('2025-09-15 22:30:00') = 30
second(ts)	提取秒	second('2025-09-15 22:30:00') = 0
datediff(dt1,dt2)	日期相差天数	datediff('2025-09-15','2025-09-10') = 5
add_months(dt,n)	日期加 n 月	add_months('2025-09-15',2) = 2025-11-15
date_add(dt,n)	日期加 n 天	date_add('2025-09-15',10) = 2025-09-25
date_sub(dt,n)	日期减 n 天	date_sub('2025-09-15',10) = 2025-09-05

条件函数 (Conditional Functions)

函数	说明	示例
if(cond, t, f)	条件判断	if(1=1,'yes','no') = yes
case when ... then ... else ... end	多条件判断	case when age>18 then 'adult' else 'child' end
coalesce(x1,x2,...)	返回第一个非 NULL 值	coalesce(null,'hive','sql') = hive
nvl(x, y)	如果 x 为 NULL，返回 y	nvl(null,0) = 0

聚合函数 (Aggregate Functions)

函数	说明	示例
count(*)	计数	count(*)
sum(x)	求和	sum(price)
avg(x)	平均值	avg(score)
max(x)	最大值	max(age)
min(x)	最小值	min(age)
collect_set(x)	去重集合	['a','b','c']
collect_list(x)	包含重复的集合	['a','b','a']

类型转换函数 (Type Conversion Functions)

函数	说明	示例
cast(x AS type)	类型转换	cast('123' as int) = 123
typeof(x)	返回字段类型	typeof(123) = int

复杂类型函数 (Complex Types)

函数	说明	示例
size(array/map)	获取大小	size(array('a','b')) = 2
map_keys(map)	返回所有 key	map_keys(map('a',1,'b',2)) = ['a','b']
map_values(map)	返回所有 value	map_values(map('a',1,'b',2)) = [1,2]
sort_array(array)	数组排序	sort_array(array(3,1,2)) = [1,2,3]
array_contains(array, val)	是否包含元素	array_contains(array('a','b'),'a') = true

窗口函数 (Window Functions)

常用于 排名、累计计算、分组内计算。

函数	说明	示例
row_number()	分组内行号	row_number() over(partition by dept order by salary desc)
rank()	排名（有并列，跳跃排名）	rank() over(order by score desc)
dense_rank()	排名（有并列，不跳跃）	dense_rank() over(order by score desc)
lag(col,n,default)	往前取第 n 行值	lag(salary,1,0) over(order by id)
lead(col,n,default)	往后取第 n 行值	lead(salary,1,0) over(order by id)
first_value(col)	分组内第一个值	first_value(salary) over(order by id)
last_value(col)	分组内最后一个值	last_value(salary) over(order by id)
sum(col) over(...)	窗口内累计和	sum(sales) over(partition by region order by month)

应用举例

1. FROM_UNIXTIME：将时间戳转换成日期

   SELECT FROM_UNIXTIME(pay_time, 'yyyy-MM-dd hh:mm:ss')
     FROM fact_user_trade LIMIT 10;
   

2. DATEDIFF：计算两个日期的时间差

   -- 用户首次激活时间与设定参照时间的间隔
   SELECT user_name, DATEDIFF('2019-4-1', to_date(firstactivetime))
     FROM dim_user_info LIMIT 10;
   

3. IF：根据条件返回不同的值

   -- 不同性别高级等用户数量
   SELECT sex
        , IF(level > 5, '高', '低') AS level_type
        , COUNT(DISTINCT user_id) AS total
     FROM dim_user_info
    GROUP BY sex, IF(level > 5, '高', '低');
   

4. SUBSTR：字符串取子串

   -- 统计每个月激活的新用户数
   SELECT SUBSTR(first_active_time, 1, 7) AS month
        , COUNT(DISTINCT user_id) AS total
     FROM dim_user_info
    GROUP BY substr(first_active_time, 1, 7);
   

5. GET_JSON_OBJECT：从 JSON 字符串中取出指定的key对应的value，如：GET_JSON_OBJECT(info, '$.first_name')。

   -- 统计不同手机品牌的用户数
   SELECT GET_JSON_OBJECT(extra1, '$.phonebrand') AS phone
        , COUNT(DISTINCT user_id) AS total
     FROM user_info
    GROUP BY GET_JSON_OBJECT(extra1, '$.phonebrand');
   

   说明：MySQL 对应的函数名字叫JSON_EXTRACT。

分组聚合

操作	示例语法	功能说明	结果特点	典型应用场景
GROUP BY	SELECT region, product, SUM(amount) FROM sales GROUP BY region, product;	按指定列分组	只输出 一个维度组合 的聚合	单维度或固定组合汇总
GROUPING SETS	SELECT region, product, SUM(amount) FROM sales GROUP BY GROUPING SETS ((region, product), (region), (product), ());	一次性指定多个分组组合	输出指定的 多个维度组合结果，可包含总计	报表统计时只关心部分组合
CUBE	SELECT region, product, SUM(amount) FROM sales GROUP BY CUBE(region, product);	自动生成所有维度的组合	输出 所有维度组合（2^n 种）	OLAP 全量多维分析

抽样操作

抽样方式	语法示例	核心语义	是否随机	可重复性	精度/偏差	依赖前提	性能与注意点	典型用途
BUCKET 抽样（物理桶）	SELECT * FROM t TABLESAMPLE(BUCKET 2 OUT OF 8);	选取分桶表的第2个物理桶（总8桶）	否	稳定（由分桶写入决定）	与建表分桶分布一致	表必须是 CLUSTERED BY ... INTO 8 BUCKETS	只读命中部分文件，快；但只在分桶表可用	大表等比例取样/一致性校验
BUCKET 抽样（逻辑桶）	SELECT * FROM t TABLESAMPLE(BUCKET 1 OUT OF 4 ON user_id);	按 hASh(user_id) 把数据映射到4个逻辑桶，取第1桶	伪随机（哈希）	稳定（同 key 结果一致）	近似 1/4，受 key 倾斜影响	无需分桶表	只扫命中行；分布受 key 倾斜影响	训练/评估集一致切分、AB 分流
概率抽样（Bernoulli）	SELECT * FROM t WHERE RAND() < 0.1;	按 10% 概率独立抽取每行	是	可用 RAND(42) 固定种子	期望10%，小样本波动大	无	全表扫描；易受数据量影响	快速下采样、探索性分析
按组固定样本数	SELECT * FROM (SELECT *, ROW_NUMBER() OVER(PARTITION BY gid ORDER BY RAND()) rn FROM t) x WHERE rn ≤ 100;	每组（gid）随机取 固定 N 条	是	可用 RAND(42)	各组样本量严格相等	需支持窗口函数	两次扫描+排序，成本中等	类均衡采样、按省份/品类取样
每组比例抽样	WHERE RAND() < CASE WHEN gid='A' THEN 0.2 ELSE 0.05 END	按组设定不同抽样率	是	可固定种子	期望比例，组内波动	无	全表扫描	不同业务线/权重抽样
LIMIT 截取（非随机）	SELECT * FROM t LIMIT 1000;	取前 N 行（非随机）	否	稳定（受文件/分片顺序影响）	有偏（非随机）	无	最快；仅用于调试预览	开发调试、字段检查
每桶/每Reducer取 Top-N（非随机）	... DISTRIBUTE BY k SORT BY k LIMIT 100;（或每组 ROW_NUMBER）	每个分片/组取前 N	否	稳定	有偏（按排序规则）	需分发/排序	适合并行 TopN，不是随机抽样	TopN per group、分片抽取

排序操作

排序方式	语法示例	核心语义	Reducer 数	是否全局有序	Shuffle/排序行为	性能与注意点	典型用途
ORDER BY	SELECT * FROM t ORDER BY ts DESC;	全局排序	1 个（单 reducer）	是	所有数据进 1 个 reducer 做总排序	最慢；单点瓶颈；大结果易 OOM；适合小结果集或配合 LIMIT	导出小结果、最终展示
ORDER BY … LIMIT	SELECT * FROM t ORDER BY score DESC LIMIT 1000;	全局 Top-N	1 个	是	仍单 reducer，但 LIMIT 可提前剪枝	可接受；Top-N 常用写法	全局 Top-N
SORT BY	SELECT * FROM t SORT BY ts DESC;	每个 reducer 内部排序（局部有序）	多个	否	Map 输出按 key 分区到多 reducer；各自排序	快于 ORDER BY；结果整体不全局有序	大表分片排序、并行导出
DISTRIBUTE BY	SELECT * FROM t DISTRIBUTE BY key;	控制按 key 分发到 reducer	多个	否	相同 key 去同一 reducer；无排序	常与 SORT BY 搭配使用	为后续聚合/排序分区
DISTRIBUTE BY + SORT BY	SELECT * FROM t DISTRIBUTE BY key SORT BY key, ts DESC;	同 key 同分片 + 分片内排序	多个	否（但每个 key 内有序）	同一 key 的记录在同一 reducer 内按规则有序	常用；利于下游 merge/sort-bASed 处理	按用户/商品时间序列排序
CLUSTER BY	SELECT * FROM t CLUSTER BY key;	DISTRIBUTE BY key + SORT BY key（升序）	多个	否	语法糖，不能指定 ASC/DESC	简洁，但排序方向不可控	分桶写入/等值 Join 预排序
分区内排序	... WHERE dt='2025-08-26' SORT BY ts;	只处理某个分区的数据	依配置	分区内局部有序	同 SORT BY	缩小数据量显著提速	分区数据导出、窗口函数前置

横向展开

LATERAL VIEW是 Hive 里一个非常重要的语法，主要用于和表生成函数（如：EXPLODE）结合，把一行数据拆成多行。最常见的应用场景是处理 ARRAY、MAP、 JSON 等类型的字段，也可以实现从宽表到窄表的转换。

用法	示例语法	功能说明	典型应用场景
LATERAL VIEW explode(array)	SELECT order_id, item FROM orders LATERAL VIEW explode(items) t AS item;	将数组拆成多行，每个元素一行	订单明细、事件埋点
LATERAL VIEW posexplode(array)	SELECT order_id, pos, item FROM orders LATERAL VIEW explode(items) t AS pos, item;	数组拆成多行，同时输出元素下标	保留顺序的点击流分析
LATERAL VIEW explode(map)	SELECT user_id, k, v FROM user_tags LATERAL VIEW explode(tags) t AS k, v;	Map 拆成多行，得到 (key, value)	用户标签、属性键值对
LATERAL VIEW json_tuple(json, …)	SELECT log_id, ip, device FROM event_log LATERAL VIEW json_tuple(log_json,'ip','device') t AS ip, device;	从 JSON 中抽取字段并生成列	日志解析、半结构化数据
LATERAL VIEW inline(array)	SELECT order_id, col1, col2 FROM orders LATERAL VIEW inline(item_structs) t AS col1,col2;	struct 数组展开成多行多列	一行存多维属性时拆分
LATERAL VIEW stack(n, …)	SELECT user_id, subject, score FROM user_score LATERAL VIEW stack(3,'math',math,'eng',english,'phy',physics) t AS subject, score;	将多列转为多行 (列转行)	宽表转长表、UNPIVOT

HiveSQL vs. MySQL

特性	Hive SQL	MySQL SQL	区别说明
表分区	PARTITIONED BY（分区）：创建表时使用分区来按某一字段划分数据，能加速查询时的数据筛选。	不支持分区。	Hive可以通过分区将数据分开存储，适合大数据场景。MySQL没有类似的分区机制。
表分桶	CLUSTERED BY（分桶）: 将表数据根据某一字段进行分桶，适合用于大表连接优化。	不支持分桶。	Hive支持通过分桶优化连接操作，MySQL不支持分桶功能。
存储格式	STORED AS：支持ORC、Parquet等列式存储格式。	使用行式存储，如InnoDB。	Hive支持列式存储格式，优化查询和压缩，而MySQL主要使用行式存储。
查询引擎	支持MapReduce、Tez、Spark等多种执行引擎。	仅支持InnoDB引擎。	Hive的查询可以通过不同的执行引擎（如Tez或Spark）优化执行效率，而MySQL只能使用单一引擎。
复杂查询支持	支持LATERAL VIEW、MAP、ARRAY等复杂数据结构处理。	不支持LATERAL VIEW等复杂的数据类型和处理。	Hive支持更复杂的嵌套查询和复杂数据类型，MySQL不支持类似功能。
JOIN类型	支持MapJoin（Map-side Join）：小表加载到内存中进行Map阶段的连接，避免了Shuffle。	支持标准的INNER JOIN、LEFT JOIN、RIGHT JOIN、OUTER JOIN等。	Hive的MapJoin优化可以加速小表与大表的连接操作，而MySQL没有MapJoin这种优化策略。
自定义函数（UDF）	支持用户定义函数（UDF）和用户定义表函数（UDTF）。	支持用户定义函数（UDF）和触发器。	Hive更侧重于自定义函数的灵活性，MySQL则更注重与表操作相关的函数。
查询优化	支持分区裁剪（Partition Pruning）、列裁剪（Column Pruning）、动态分区插入等优化。	基于索引的优化，但不支持类似Hive的列裁剪和分区裁剪。	Hive拥有更多的针对大数据的查询优化机制，而MySQL主要依赖于索引和查询缓存等。
索引	支持CREATE INDEX：但通常不建议在Hive中使用索引，性能开销较大。	支持CREATE INDEX，索引是MySQL查询性能的关键之一。	Hive中索引的使用相对较少且较为消耗资源，而MySQL通过索引大大提高了查询性能。
数据类型	支持ARRAY、MAP、STRUCT等复杂数据类型。	只支持基本数据类型，如INT、VARCHAR等。	Hive支持更丰富的数据类型，特别是在处理结构化数据时，MySQL相对简单。
NULL值处理	支持IS NULL、IS NOT NULL，但有时对NULL值的处理可能与MySQL有所不同，具体行为可能会受到执行引擎的影响。	支持IS NULL、IS NOT NULL，NULL值处理比较一致。	Hive和MySQL都支持NULL值判断，但在大数据量查询时，Hive的NULL处理可能表现不如MySQL精确。
聚合函数	支持常见的聚合函数（如SUM()、COUNT()、AVG()等），并扩展支持APPROX_COUNT_DISTINCT()等近似聚合函数。	支持常见的聚合函数（如SUM()、COUNT()、AVG()等）。	Hive提供了APPROX_COUNT_DISTINCT()等高效的近似聚合函数，更适合处理海量数据，而MySQL的聚合函数通常是精确计算的。
支持子查询	支持子查询，但对于大数据集的子查询可能不如MySQL高效，通常需要通过优化（如）来加速。

性能优化

Hive SQL查询性能优化方法有很多种，从表结构设计、查询优化到执行引擎调整等多个方面都有不同的优化方式。

优化方法	描述	适用场景
分区（Partitioning）	将表按某个字段（如日期）进行分区。通过分区裁剪，只扫描符合条件的分区，减少扫描的数据量。	当数据量大且查询常根据某个字段（如时间、地区等）过滤时使用。
分桶（Bucketing）	将数据根据某个字段的哈希值分成固定数量的桶。用于优化大表与小表的连接操作，特别是在进行聚合时。	当需要高效的连接操作和聚合时，尤其是多次对某列进行操作时。
列裁剪（Column Pruning）	查询时仅选择需要的列，减少不必要的列扫描。	当查询中只需要表的部分列时。
分区裁剪（Partition Pruning）	查询时通过裁剪掉不符合条件的分区，只扫描满足条件的分区。	当表有分区并且查询包含分区字段的过滤条件时。
压缩存储格式（ORC、Parquet）	使用列式存储格式（如ORC、Parquet），比行式存储格式（如TextFile）更高效，尤其是在读取大量数据时。	当表的数据量大，特别是需要快速扫描时。
MapJoin（Map-side Join）	小表与大表连接时，将小表加载到内存中在Map阶段完成连接，避免了Shuffle和Reduce阶段的开销。	当小表足够小，能够加载到内存中时，进行小表和大表的连接。
合适的Join类型	使用合适的Join类型（如Sort Merge Join或Bucketed Join）可以优化连接操作的效率。	当两张表都根据相同列进行分桶或排序时。
合理使用Hive执行引擎	选择合适的执行引擎（MapReduce、Tez、Spark）可以提高查询效率。例如，Tez或Spark通常比MapReduce更高效。	根据数据量和查询类型选择不同的执行引擎。
使用合适的文件格式	选择合适的文件格式（如ORC、Parquet）可以提高存储和读取效率，特别是对于大规模数据操作。	需要高效存储和读取时。
开启动态分区插入	通过设置hive.exec.dynamic.partition=true，可以实现动态分区插入，避免手动指定每个分区。	当数据需要按分区动态插入时，避免手动指定分区。
减少数据扫描（推迟计算）	使用WHERE子句避免在执行查询时扫描不必要的数据，尽量在早期阶段过滤数据。	当查询中涉及大量数据时，尽量在查询的早期阶段减少扫描的数据量。
分批次执行	对查询结果使用LIMIT进行分页查询，或者使用数据抽样（TABLESAMPLE）来减少查询的数据量。	当数据量过大，且对数据的完整性要求不高时。
适当使用索引	创建索引加速查询，尤其是对常用查询条件的列创建索引。	当某些列经常用作查询条件时。
查询缓存	启用Hive的查询缓存，缓存结果集，提高相同查询的效率。	当相同的查询频繁执行时。
减少MapReduce任务数量	通过调整mapreduce.map.memory.mb和mapreduce.reduce.memory.mb等参数，减少MapReduce任务的数量，提升计算效率。	当查询中涉及多个复杂的MapReduce任务时。
合理选择表的存储格式	为表选择合适的存储格式，避免存储格式不匹配导致性能问题。比如，ORC和Parquet格式在大数据查询中效率较高。	当查询的数据量很大，尤其是在读取和聚合时。
物化视图（Materialized View）	创建物化视图，预先计算并存储查询结果，减少重复计算的开销。	当某些查询结果被频繁使用时，使用物化视图来提高查询效率。
并行执行（Parallel Execution）	使用并行执行功能，设置hive.exec.parallel=true，可以并行执行多个查询任务，减少执行时间。	当需要执行多个查询且能够并行时。