
**Hive 基础概念**
- **Hive 是啥？** 把 SQL 翻译成 MapReduce 程序的工具，适合海量数据的离线分析
- **Hive vs MySQL：** MySQL 在线事务（毫秒级），Hive 离线分析（秒~分钟级）
- **内部表 vs 外部表：** 内部表删表删数据，外部表删表只删结构数据还在
- **分区表：** 按字段分目录存储，查询只扫需要的分区

**环境操作**
- Hive 版本：**2.3.2**
- 通过 `docker exec -it hiveserver2` 进入容器
- 通过 Beeline 连接 HiveServer2
- 中文乱码解决：`env LANG=C.UTF-8`

**HQL 基础查询**
- `SELECT`、`WHERE`、`GROUP BY`、`ORDER BY`、`HAVING`
- 聚合函数：`COUNT`、`SUM`、`AVG`、`MAX`、`MIN`
- `ROUND()` 四舍五入

**窗口函数 **
```sql
ROW_NUMBER()   -- 无并列排名
RANK()         -- 有并列，跳号
DENSE_RANK()   -- 有并列，不跳号
```
常用搭配：`OVER (PARTITION BY xxx ORDER BY xxx)`

** JOIN 表关联**
- `JOIN`（INNER JOIN）、`LEFT JOIN`
- Hive 自动小表 Map Join 优化（小表放内存）
- **Hive 默认不支持 DELETE，用 `INSERT OVERWRITE` 代替**

** Hive INSERT 原理**
- INSERT INTO VALUES → 解析 SQL → 启动 MapReduce → 写 HDFS
- LOAD DATA → 本质是 `hdfs dfs -put` 直接复制文件
- 数据存 HDFS 上，你看到的 TextFile 是纯文本

** Hive 存储格式**
- 格式: **TextFile**（目前学习的）
  特点: 纯文本，人类可读，空间大
- 格式: **ORC**（主流）
  特点: 列式存储，压缩率高，快10倍
- 格式: **Parquet**
  特点: Spark 生态通用列式格式

** 从日志里读到的**
- Hive 2 默认用 MapReduce，建议切 Tez/Spark
- Map Join 把小表放内存，省掉 Reduce 阶段
- 你的学生数据才9行，大部分时间是框架调度开销

---

**分区表实战**
- **建分区表**：`PARTITIONED BY (exam_date STRING)`，`exam_date` 是分区列
- **插入分区数据**：`INSERT INTO ... PARTITION (exam_date='2026-07-01') VALUES (...)`
- **查看分区**：`SHOW PARTITIONS 表名;`
- **分区剪裁（Partition Pruning）**：查 `WHERE exam_date=...` 时只读对应目录，不扫全表
- **HDFS 目录结构**：每个分区是一个独立目录
```   表路径/     ├── exam_date=2026-07-01/  ← 目录1     └── exam_date=2026-07-02/  ← 目录2   ```

---

**Hive vs PostgreSQL 分区区别**
Hive	PostgreSQL
本质是文件目录	本质是子表
分区列不存数据里，体现在路径名	分区列是真实字段
读时剪裁（读取前跳过目录）	计划时剪裁（优化器排除子表）
适合 OLAP 批量读	适合 OLTP 事务读写

---

**常用函数实战**
函数类型	示例
**字符串**	`UPPER/LOWER`、`LENGTH`、`SUBSTR`、`CONCAT`、`LIKE`
**日期**	`CURRENT_DATE`、`YEAR/MONTH/DAY`、`WEEKOFYEAR`
**条件**	`CASE WHEN ... THEN ... END`、`NVL`、`COALESCE`
**拆解**	`SPLIT(str, ',')[索引]`、`CAST(expr AS TYPE)`
**聚合**	`SUM`、`AVG`、`COUNT`、`MAX`、`ROUND`

---

**数仓分层 ETL 实战**
```
ODS (原始日志层)
  └─ 原始数据 raw_data='1,张三,数学,92'，用 | 分隔防冲突
      │
      ▼ SPLIT 解析清洗
      │
DWD (明细数据层)
  └─ student_id, name, subject, score, exam_date 字段规整
      │
      ▼ GROUP BY 聚合
      │
DWS (汇总宽表)
  └─ 按学生：total_score, avg_score, exam_count, best_subject
```

---

** ODS → DWD → DWS**

**ODS 原始层**
- 存**原始数据**，一字不改
- 分隔符**不能用逗号**（数据里可能有逗号），用 `|`
- 按日期分区：`PARTITIONED BY (dt STRING)`

```sql
CREATE TABLE ods_exam_log (
    raw_data STRING,
    etl_time TIMESTAMP
)
PARTITIONED BY (dt STRING)
ROW FORMAT DELIMITED FIELDS TERMINATED BY '|';
--                     ↑ 不用逗号，用 |
```

---

** DWD 明细层**
- **SPLIT 拆字符串** + **CAST 转类型**
- 数据变干净、可独立查询

```sql
-- 核心清洗：一行SQL搞定
SELECT
    CAST(SPLIT(raw_data, ',')[0] AS INT),  -- '1' → 1
    SPLIT(raw_data, ',')[1],                -- '张三'
    SPLIT(raw_data, ',')[2],                -- '数学'
    CAST(SPLIT(raw_data, ',')[3] AS INT)   -- '92' → 92
FROM ods_exam_log;
```

---

** DWS 汇总层**
- **GROUP BY** + **聚合函数**
- 每个维度一行，直接出报表

```sql
SELECT
    student_id,
    name,
    SUM(score) AS total_score,
    ROUND(AVG(score), 1) AS avg_score,
    COUNT(*) AS exam_count
FROM dwd_student_exam
GROUP BY student_id, name;
```

---

** DWS 里找"最强科目"的小技巧**

```sql
SUBSTR(MAX(CONCAT(LPAD(CAST(score AS STRING), 3, '0'), subject)), 4)
```
分解：
1. `LPAD(score, 3, '0')` → `92` 变成 `092`，方便按字符串排序
2. `CONCAT('092', '数学')` → `092数学`
3. `MAX(...)` → 取最高分的那个字符串
4. `SUBSTR(..., 4)` → 去掉前3位数字，拿到科目名

---

**总结整条链路：**

> **ODS 存原始 → SPLIT 拆字段 → DWD 洗干净 → GROUP BY 汇总 → DWS 出报表**




Hive 是啥？ 把 SQL 翻译成 MapReduce 程序的工具，适合海量数据的离线分析

Hadoop 学习总结（3）-Hive SQL 基础

软件开发工程师

大数据

数据库

编程语言

Hive是构建在Hadoop上的数据仓库工具，将SQL转换为MapReduce任务处理海量数据。支持内部表、外部表、分区表等存储结构，提供SELECT、JOIN、窗口函数等SQL操作。支持TextFile、ORC、Parquet等存储格式，ORC列式存储性能最优。Hive适合离线分析，通过MapJoin优化小表查询，默认使用MapReduce引擎，可切换Tez/Spark提升性能。

代码解释

PostgreSQL

MapReduce

容器

Docker

MySQL

Spark 

OLTP

Hive

HDFS

OLAP

腾讯云BI特惠9.9元起！


文章

问答

视频

教程

学习中心

腾讯云实验室

直播

竞赛

腾讯云代码分析专区

腾讯iOA零信任安全管理系统专区

腾讯云架构师技术同盟交流圈

腾讯云数据库专区

腾讯云智能顾问专区

腾讯云原生专区

腾讯混元专区

腾讯云TCE专区

腾讯云Lighthouse专区

腾讯云HAI专区

腾讯云Edgeone专区

腾讯云存储专区

腾讯云智能专区

腾讯轻联专区 

腾讯云开发专区

TAPD专区

腾讯轻量云游戏服专区

EdgeOne AI 安全实战专区

腾讯云最具价值专家

腾讯云架构师技术同盟

腾讯云创作之星

腾讯云开发者先锋

腾讯云代码助手

云原生构建

TAPD 敏捷项目管理

Cloud Studio

SDK中心

API中心

命令行工具

涵盖代码开发、场景应用、自动测试全流程，助你从零构建专属AI助手

一站式MCP教程库，解锁AI应用新玩法

聚焦“写作效率、视觉美观与运行性能”三方面进行全面升级，为您提供更高效、稳定的创作环境

社区富文本&Markdown编辑器全新改版上线，欢迎大家体验!

诚挚邀请您参与本次调研，分享您的真实使用感受与建议。您的反馈至关重要，感谢您的支持与参与！

社区新版编辑器体验调研

Hive是构建在Hadoop上的数据仓库工具，将SQL转换为MapReduce任务处理海量数据。支持内部表、外部表、分区表等存储结构，提供SELECT、JOIN、窗口函数等SQL操作。支持TextFile、ORC、Parquet等存储格式，ORC列式存储性能最优。Hive适合离线分析，通过MapJoin优化小表查询，默...

Hadoop 学习总结（3）-Hive SQL 基础-腾讯云开发者社区-腾讯云

Hadoop 学习总结（3）-Hive SQL 基础

Hadoop 学习总结（3）-Hive SQL 基础

社区

活动

圈层

关于

腾讯云开发者

热门产品

热门推荐

更多推荐