HiveSQL常用（下篇：使用技巧与优化）

Z时代
2024-01-10
分类：综合

database

结合实际工作应用，整理HiveSQL常用实用相关，包括常用函数、语句，以及使用技巧与优化和其它注意项等，分为上下篇，下篇：使用技巧与优化

很高兴遇到你~

（1）Hive常用日期格式处理

（2）Hive常用函数

（3）Hive常用语句（实用）

数据加载清理与建表

表检索与表结构查询

（4）HiveSQL使用技巧与优化

（5）HiveSQL使用注意项

HiveSQL使用技巧与优化

SQL执行顺序：FROM->JOIN->WHERE->GROUP BY->HAVING->SELECT->ORDER BY->LIMIT

distinct去重与count

--distinct去重时，如果存在NULL，结果会异常，Hive不会将null值归为一个值处理，此时需要给NULL进行转换
selectdistinct nvl(column1,""),nvl(column2,0) from t;
--count(*)、count(1)对所有行进行统计，包括null行，count(column_name)只对该列中非null的进行统计
--Hive中要避免使用count(distinct)，它无法进行聚合操作，只在一个reduce上完成，容易出现性能瓶颈甚至oom内存溢出，使用group by来替代
--count distinct
select col1,count(distinct id) as did
from t
groupby col1;
--使用group by优化替代
select col1,count(id) as did
from(select col1,id from t groupby col1,id) astemp
groupby col1;

subquerys子查询&exists/in&left semi join

--subquerys子查询:hive只支持from和where后的子查询
--如果子查询中包含null值，不能使用not in(not in会报错，in不会)
--不推荐使用in/not in，可使用exists/not exists替代,支持子查询中的多值匹配
--not exists和left join可以有等价写法
--not exists
select a,b
from t1
wherenotexists(select1from t2 where t1.a=t2.a and t1.b=t2.b);
--等价not exists的left join写法
select t1.a,t2.b
from t1
leftjoin t2
on (t1.a=t2.a and t1.b=t2.b)
where t2.a isnull;
--left semi join 替代 in和exists,效率更高
--LEFT SEMI JOIN（左半连接）是IN/EXISTS子句查询的一种更高效的实现
--LEFT SEMI JOIN 的限制是：JOIN 子句中右边的表只能在ON 子句中设置过滤条件，在WHERE 子句、SELECT 子句或其他地方过滤都不行
--LEFT SEMI JOIN 只会显示出左边表的字段，left semi join会掉右表中重复的记录，不会因为右表重复key join出多条
--in/exists
SELECT a.key, a.value
FROM a
WHERE a.keyin
(SELECT b.key
FROM B);
--left semi join替代in/exists
SELECT a.key, a.val
FROM a LEFT SEMI JOIN b on (a.key= b.key)

sort by&distribute by&cluster by&order by

--ORDER BY 全局排序，默认了reducer个数为1，只有一个Reduce任务，效率低下，如果对大数据集进行order by排序可能会造成性能瓶颈，造成reduce的时间非常长
--如果在strict模式下使用order by语句，那么必须要在语句中加上limit关键字，因为执行order by只启动单个reduce，如果排序的结果集过大，那么执行时间会很久的原因
set hive.mapred.mode=nonstrict; (default value / 默认值)
set hive.mapred.mode=strict;
--order by会引发全局排序，数据量较小order by即可（Hive中尽量不要使用order by，除非非常确定结果集非常小）
--实际场景中一般先使用sort by再使用order by效率更高一些，使用distribute和sort进行分组排序，sort by+order by，sort by过程可以设置reducer个数（n），order by过程用n个reduce的输出文件进行一次全排序，得到最终结果
--sort by&distribute by
--sort by只能保证在单个reduce内有序
select*from baidu_click distribute by product_line sort by click desc;
select*from t distribute by id sort by id;
--distribute指定map输出结果是如何分配的，上句中相同的id会被分配到同一个reduce上去处理，然后再通过sort by对各个reduce上的id进行排序（被distribute by设定的字段为KEY，数据会被HASH分发到不同的reducer机器上，然后sort by会对同一个reducer机器上的每组数据进行局部排序）
--cluster by(distribute by + sort by替代方案)
--当distribute by和sort by的字段完全一致时，等价于cluster by,但cluster by排序只能是升序排序，不能指定排序规则为ASC或者DESC
--cluster by 和 distribute by 是很相似的,最大的不同是, cluster by 里含有一个分桶的方法
select*from emp cluster by deptno;
select*from emp distribute by deptno sort by deptno; 
--常见两种高效的排序实现
--可先通过一个group by的子查询来取一个小的结果集，然后再对这个结果集进行全局排序
select*from (
select id,count(id) as cnt
from t
groupby id) astemp
orderbytemp.cnt;
--高效实现top排序
--先取出各个结果集的top n，再取出全局的top n
select a.id,salary
from (select id,salary from t1 distribute by sort by salary desc limit 10) astemp
orderbytemp.salary limit 10;

HiveSQL使用注意项

创建表和删除表使用if not exists/if exists防止异常；

分区字段不能出现在建表中，只能出现在partition by中；

使用具体列名避免使用select *；

where 条件过滤时，!=、<>都会将null值过滤掉，导致实际结果集变小，如果需要保留null值：where (col1 <> "value" or col1 is null)

group by时，select的列别名不能被group by解析，group by后不能使用别名，因为hive执行解析严格按照SQL执行顺序，先group by,后select

Hive不支持UPDATE操作，只能drop再insert

hive创建视图和其它数据库创建视图无异

hive int与string类型，null底层默认存储为N，查询显示为null，导出文件会以存储格式导出，需要注意。若导出为null,存储的字符串就是null字符串而非null值;SQL中null代表空值, 值得警惕的是, 在HiveQL中String类型的字段若是空(empty)字符串, 即长度为0, 那么对它进行IS NULL的判断结果是False.

分号是SQL语句结束标记，在HiveQL中也是，但是在HiveSQL中，对分号的识别没有那么智慧,在DBeaver SQL IDE中也会出现因为加了;导致SQL报错的情况。另外字符";"使用需要转义，如：select concat(key,concat(";",key)); 在Hive中会报错，应使用分号的八进制的ASCII码进行转义，应写成：select concat(key,concat("73",key));