从0开始搭建数据仓库(2)：产品经理如何“玩转”Hive

小美找到了做数据产品经理的师兄小帅看了看。

小帅：你这个查询有问题，业务系统的sql不能直接搬来用。

小美：我看长得差不多啊，除了多了个分区外，不都是sql吗？

小帅：你现在建的是Hive查询，Hive SQL虽说和SQL非常相似，但是一些细节上还是有区别的。

一、Hive SQL是什么？

Hive是大数据领域常用的数据仓库组件，可以借助查询语言SQl将HDFS上存储的结构化文件映射成一张数据库表，并提供类SQL查询功能。Hive-SQL就是这个”类SQL查询功能”。Hive-SQL与SQL基本上一样，因为当初的设计目的，就是让会SQL不会编程MapReduce的也能完成处理数据工作。

【拓展】Hive-SQL是如何转化为MapReduce任务的呢？整个编译过程分为六个阶段：

1) Antlr定义SQL的语法规则，完成SQL词法，语法解析，将SQL转化为抽象语法树AST Tree
2) 遍历AST Tree，抽象出查询的基本组成单元QueryBlock
3) 遍历QueryBlock，翻译为执行操作树OperatorTree
4) 逻辑层优化器进行OperatorTree变换，合并不必要的ReduceSinkOperator，减少shuffle数据量
5) 遍历OperatorTree，翻译为MapReduce任务
6）物理层优化器进行MapReduce任务的变换，生成最终的执行计划

这里简单介绍一下其中的几个关键部分：

Antlr：Antlr是一种语言识别的工具，用来实现SQL的词法和语法解析，完成包括词法分析、语法分析、语义分析、中间代码生成等过程。使用时只需要编写对应的语法文件，定义词法和语法替换规则即可。

抽象语法树AST Tree：经过词法和语法解析后，使用 Antlr 的抽象语法树语法Abstract Syntax Tree，将输入语句转换成抽象语法树，方便后续进一步的处理。

QueryBlock：AST Tree仍然非常复杂，不够结构化，不方便直接翻译为MapReduce程序，AST Tree转化为QueryBlock就是将SQL进一步抽象和结构化。QueryBlock是一条SQL最基本的组成单元，包括三个部分：输入源，计算过程，输出。简单来讲一个QueryBlock就是一个子查询。我们在查看HiveSQL查询日志时会看到一个个流程块，这就是分拆出来的QueryBlock。

小美的查询语句中用了HAVING子句，这个是Hive不支持的，可以用子查询来代替。然后小帅为小美讲了讲HiveSQL的基本语法。

常用的显示命令

show databases;   -- 查看有哪些库
show tables;    -- 查看当前库下有哪些表
show partitions;    -- 查看分区
show functions;    -- 罗列所有的函数
describe extended table_name;    -- 查看表的结构，字段，分区等情况

常用库、表操作

create database name;  — 创建数据库

create [external]table [if not exists] table_name –创建表，指定表名。external 表示创建的表是否为外部表，不加此项则为内部表。if not exists 表示该表不存在时创建该表，否则忽略异常。

[(col_name data_type [comment col_comment], …)] — 创建字段，指定字段类型、注释

[comment table_comment]  — 表的注释

[partitioned by(col_name data_type [comment col_comment], col_name_2 data_type_2, …)] — 指定分区，要注意分区字段不能出现的建表的字段中

[clustered by(col_name, col_name_2, …)] [sorted by (col_name [ASC|DESC], …)] into num_buckets buckets] — 分桶

[row format row_format]

[stored as file_format]  — 指定存储文件类型。textfile纯文本数据，sequencefil压缩数据（可节省存储空间）。

[location hdfs_path]  — 存储路径

create table table_name like old_table_name;   — 使用like关键字复制表结构

alter table table_name rename to new_table_name;  — 更改表名

alter table table_name add columns (col_name data_type comment 'col_comment');   — 增加一个字段并添加注释

alter table table_name replace columns (col_name data_type, col_name_2 data_type_2);   — 删除列

alter table table_name add [if not exists] partition_name; — 增加分区

alter table table_name drop partition_name, partition_name_2;   — 删除分区

常用数据操作

insert into table_1 select * from table_2;  — 在table_1后追加数据

insert overwrite table_1 select * from table_2;  — 先将table_1中数据清空，然后添加数据

常用查询操作

HiveSQL的查询语句结构和SQL一致，除了前面提到的HAVING子句问题外，还需要注意的是HiveSQL中没有not null，当字段为null时，使用\\n代替。 

三、Hive SQL常用函数

小美的查询中有两处函数调用错误：

1) 用了GROUP_CONCAT()函数，这个在HiveSQL中没有，但是可以用CONCAT_WS()函数代替；

2) 是substring_index()函数，这个应该替换成split()函数。

然后小帅为小美讲了讲Hive中的常用函数。

• 数学函数

bin(int d)      -- 计算二进制值d的string值
rand(int seed)       -- 返回随机数,seed是随机因子
round(double d,int n)  -- 返回保留n位小数的近似d值
floor(double d)       -- 返回小于d的最大整值
ceil(double d)       -- 返回大于d的最小整值

日期函数

current_date()  — 返回当前日期

unix_timestamp()  — 返回当前时间的unix时间戳，也可指定某一特定日期。如unix_timestamp('2021-01-13','yyyy-mm-dd')=1610513364

from_unixtime()  — 返回unix时间戳的日期。如selectfrom_unixtime(unix_timestamp('2021-01-13','yyyy-mm-dd'),'yyyymmdd')='20210113'

to_date(string timestamp)   — 返回时间字符串中的日期部分，如to_date('2021-01-0100:00:00')='2021-01-01'

year(date)    — 返回日期date的年，如year('2021-01-01')=2021

month(date)   — 返回日期date的月，如month('2021-01-01')=1

day(date)   — 返回日期date的天，如day('2021-01-01')=1

weekofyear(date)  — 返回日期date位于该年第几周，如weekofyear('2021-01-01')=1

datediff(date1, date2)  — 返回日期date1与date2相差的天数，如datediff('2021-01-01','2021-01-02')=1

date_add(date，int1)   — 返回日期date加上int1的日期，如date_add('2021-01-01'，2)='2021-01-03'

date_sub(date，int1)   — 返回日期date减去int1的日期，如date_sub('2021-01-03'，2)='2021-01-01'

months_between(date1，date2)  — 返回date1与date2相差月份，如months_between('2021-03-01'，'2021-01-01')=2

add_months(date，int1)  — 返回date加上int1个月的日期，int1可为负数。如add_months('2021-02-01'，-1)='2021-01-01'

last_day(date)   — 返回date所在月份最后一天。如last_day('2021-01-01')='2021-01-31'

next_day(date，day1)  — 返回日期date后下个星期day1的日期。day1为星期X的英文前两字母如next_day('2021-01-013'，'MO') 返回'2021-01-18'

trunc(date，string1)  — 返回日期所在月的第一天或所在年的第一天。String1可为年(YYYY/YY/YEAR)或月(MONTH/MON/MM)。如trunc('2021-01-13'，'MM')='2021-01-01'，trunc('2021-02-01'，'YYYY')='2021-01-01'

字符串函数

length(string)  — 返回字符串长度

concat(string1，string2)  — 返回拼接string1及string2后的字符串

concat_ws(sep, string1,string2)  — 返回按指定分隔符sep拼接后的字符串

lower(string)  — 返回小写字符串，同lcase(string)。

upper(string)  — 返回大写字符串，同ucase(string)。

ascii(string)   — 返回字符串第一个字符的ascii值。

space(int1)   — 返回int1长度的空格字符串。

trim(string)  — 去掉字符串左右空格。

ltrim(string)   — 去掉字符串左空格。

rtrim(string)   — 去掉字符串右空格。

repeat(string，int1)  — 返回重复string字符串int1次后的字符串。

reverse(string)  — 返回string反转后的字符串。如reverse('abc')='cba'

lpad(string，len1，pad1)  — 以pad1字符左填充string字符串，至len1长度。如rpad('abc',5,'1')='11abc'。

rpad(string，len1，pad1)  — 以pad1字符右填充string字符串，至len1长度。如rpad('abc',5,'1')='abc11'。

split(string，pat1)  — 以pat1正则分隔字符串string，返回数组。如split('a,b,c',',') = [\”a\”,\”b\”,\”c\”]

substr(string，index1，int1)  — 从index位置起截取int1个字符。如substr('abcde',1,2)='ab'

regexp_replace(string1,string2, string4)   –正则表达式替换函数。将字符串1中的符合正则表达式string2的部分替换为string3。如regexp_replace(‘abcde, ‘b|c|d’, ”)=’ae’

聚合函数

count(col)  -- 统计行数
sum(col)  -- 统计指定列和
avg(col)  -- 统计指定列平均值
min(col)  -- 返回指定列最小值
max(col)  -- 返回指定列最大值

窗口函数

row_number() over(partitiion by .. order by .. )  — 根据partition排序，相同值取不同序号，不存在序号跳跃

rank() over(partition by ..  order by ..)   — 根据partition排序，相同值取相同序号，存在序号跳跃

dense_rank() over(partition by .. order by ..)   — 根据partition排序，相同值取相同序号，不存在序号跳跃

lag(col，n) over(partition by .. order by ..)  –查看当前行的上第n行

lead(col，n) over(partition by .. order by ..) — 查看当前行的下第n行

转换函数

cast(col as dtype)  --将指定值转换为指定数据类型dtype，如字符串到整型的转换

判断函数

NVL(expr1, expr2)  — 如果第一个参数为空则显示第二个参数，反之则显示第一个参数。常用于非空判断，如nvl(table1.name, '')  ''

NVL2(expr1, expr2，expr3)  — 如果第一个参数为空则显示第二个参数，反之则显示第三个参数

NULLIF(expr1, expr2)   — 如果第一个参数和第二个参数相等则返回空(NULL)，否则返回第一个参数

Coalesce(expr1,expr2, expr3….exprn)  — 返回参数序列中第一个非空参数

解析函数

regexp_extract(string1,string pattern, int1)   — 正则表达式解析函数。将字符串string1按照正则表达式pattern的规则拆分，返回int1指定的字符。如regexp_extract(‘foothebar’, ‘foo(.*?)(bar)’, 1)=’the’，regexp_extract(‘foothebar’, ‘foo(.*?)(bar)’, 2)=’bar’

Size(map（,）)  — 返回map集合的个数。如size(map(1,’a’,2,’b’))=2。

find_in_set(string1, string strList)  — 返回string1在strlist中第一次出现的位置，strlist是用逗号分割的字符串（集合）。如果没有找string1，则返回0.

parse_url(string url_string, stringpartToExtract [, string keyToExtract])  –url解析函数，partToExtract的有效值为：HOST,PATH, QUERY, REF, PROTOCOL, AUTHORITY, FILE, and USERINFO。如parse_url(‘ 

&k2=v2#Ref1′,‘QUERY’, ‘k1′)=’v1’

get_json_object(string json_string,string path)  — json解析函数。解析json的字符串json_string，返回path指定的内容。如果输入的json字符串无效，那么返回NULL。

行列转换

concat_ws(sep, collect_set(col1))   — 多行转一列，以sep分隔符分隔。collect_set在无重复的情况下也可以collect_list()代替。collect_set()去重，collect_list()不去重

lateral view explode(split(col1,  sep))  — 一列转多行。