一、數據准備
為了演示查詢操作，這里需要預先創建三張表，並加載測試數據。
數據文件 emp.txt 和 dept.txt 可以從本倉庫的resources 目錄下載。
1.1 員工表
-- 建表語句
CREATE TABLE emp(
empno INT, -- 員工表編號
ename STRING, -- 員工姓名
job STRING, -- 職位類型
mgr INT,
hiredate TIMESTAMP, --雇佣日期
sal DECIMAL(7,2), --工資
comm DECIMAL(7,2),
deptno INT) --部門編號
ROW FORMAT DELIMITED FIELDS TERMINATED BY "\t";
--加載數據
LOAD DATA LOCAL INPATH "/usr/file/emp.txt" OVERWRITE INTO TABLE emp;
1.2 部門表
-- 建表語句
CREATE TABLE dept(
deptno INT, --部門編號
dname STRING, --部門名稱
loc STRING --部門所在的城市
)
ROW FORMAT DELIMITED FIELDS TERMINATED BY "\t";
--加載數據
LOAD DATA LOCAL INPATH "/usr/file/dept.txt" OVERWRITE INTO TABLE dept;
1.3 分區表
這里需要額外創建一張分區表，主要是為了演示分區查詢：
CREATE EXTERNAL TABLE emp_ptn(
empno INT,
ename STRING,
job STRING,
mgr INT,
hiredate TIMESTAMP,
sal DECIMAL(7,2),
comm DECIMAL(7,2)
)
PARTITIONED BY (deptno INT) -- 按照部門編號進行分區
ROW FORMAT DELIMITED FIELDS TERMINATED BY "\t";
--加載數據
LOAD DATA LOCAL INPATH "/usr/file/emp.txt" OVERWRITE INTO TABLE emp_ptn PARTITION (deptno=20)
LOAD DATA LOCAL INPATH "/usr/file/emp.txt" OVERWRITE INTO TABLE emp_ptn PARTITION (deptno=30)
LOAD DATA LOCAL INPATH "/usr/file/emp.txt" OVERWRITE INTO TABLE emp_ptn PARTITION (deptno=40)
LOAD DATA LOCAL INPATH "/usr/file/emp.txt" OVERWRITE INTO TABLE emp_ptn PARTITION (deptno=50)
二、單表查詢
2.1 SELECT
-- 查詢表中全部數據
SELECT * FROM emp;
2.2 WHERE
-- 查詢 10 號部門中員工編號大於 7782 的員工信息
SELECT * FROM emp WHERE empno > 7782 AND deptno = 10;
2.3 DISTINCT
Hive 支持使用 DISTINCT 關鍵字去重。
-- 查詢所有工作類型
SELECT DISTINCT job FROM emp;
2.4 分區查詢
分區查詢 (Partition Based Queries)，可以指定某個分區或者分區范圍。
-- 查詢分區表中部門編號在[20,40]之間的員工
SELECT emp_ptn.* FROM emp_ptn
WHERE emp_ptn.deptno >= 20 AND emp_ptn.deptno <= 40;
2.5 LIMIT
-- 查詢薪資最高的 5 名員工
SELECT * FROM emp ORDER BY sal DESC LIMIT 5;
2.6 GROUP BY
Hive 支持使用 GROUP BY 進行分組聚合操作。
set hive.map.aggr=true;
-- 查詢各個部門薪酬綜合
SELECT deptno,SUM(sal) FROM emp GROUP BY deptno;
hive.map.aggr 控制程序如何進行聚合。默認值為 false。如果設置為 true，Hive 會在 map 階段就執行一次聚合。這可以提高聚合效率，但需要消耗更多內存。
2.7 ORDER AND SORT
可以使用 ORDER BY 或者 Sort BY 對查詢結果進行排序，排序字段可以是整型也可以是字符串：如果是整型，則按照大小排序；如果是字符串，則按照字典序排序。ORDER BY 和 SORT BY 的區別如下：
- 使用 ORDER BY 時會有一個 Reducer 對全部查詢結果進行排序，可以保證數據的全局有序性；
- 使用 SORT BY 時只會在每個 Reducer 中進行排序，這可以保證每個 Reducer 的輸出數據是有序的，但不能保證全局有序。
由於 ORDER BY 的時間可能很長，如果你設置了嚴格模式 (hive.mapred.mode = strict)，則其后面必須再跟一個 limit 子句。
注 ：hive.mapred.mode 默認值是 nonstrict ，也就是非嚴格模式。
-- 查詢員工工資，結果按照部門升序，按照工資降序排列
SELECT empno, deptno, sal FROM emp ORDER BY deptno ASC, sal DESC;
2.8 HAVING
可以使用 HAVING 對分組數據進行過濾。
-- 查詢工資總和大於 9000 的所有部門
SELECT deptno,SUM(sal) FROM emp GROUP BY deptno HAVING SUM(sal)>9000;
2.9 DISTRIBUTE BY
如果想要把具有相同 Key 值的數據分發到同一個 Reducer 進行處理，這可以使用 DISTRIBUTE BY 字句。需要注意的是，DISTRIBUTE BY 雖然能把具有相同 Key 值的數據分發到同一個 Reducer，但是不能保證數據在 Reducer 上是有序的。情況如下：
把以下 5 個數據發送到兩個 Reducer 上進行處理：
k1
k2
k4
k3
k1
Reducer1 得到如下亂序數據：
k1
k2
k1
Reducer2 得到數據如下：
k4
k3
如果想讓 Reducer 上的數據是有序的，可以結合 SORT BY 使用 (示例如下)，或者使用下面我們將要介紹的 CLUSTER BY。
-- 將數據按照部門分發到對應的 Reducer 上處理
SELECT empno, deptno, sal FROM emp DISTRIBUTE BY deptno SORT BY deptno ASC;
2.10 CLUSTER BY
如果 SORT BY 和 DISTRIBUTE BY 指定的是相同字段，且 SORT BY 排序規則是 ASC，此時可以使用 CLUSTER BY 進行替換，同時 CLUSTER BY 可以保證數據在全局是有序的。
SELECT empno, deptno, sal FROM emp CLUSTER BY deptno ;
三、多表聯結查詢
Hive 支持內連接，外連接，左外連接，右外連接，笛卡爾連接，這和傳統數據庫中的概念是一致的，可以參見下圖。
需要特別強調：JOIN 語句的關聯條件必須用 ON 指定，不能用 WHERE 指定，否則就會先做笛卡爾積，再過濾，這會導致你得不到預期的結果 (下面的演示會有說明)。
3.1 INNER JOIN
-- 查詢員工編號為 7369 的員工的詳細信息
SELECT e.*,d.* FROM
emp e JOIN dept d
ON e.deptno = d.deptno
WHERE empno=7369;
--如果是三表或者更多表連接，語法如下
SELECT a.val, b.val, c.val FROM a JOIN b ON (a.key = b.key1) JOIN c ON (c.key = b.key1)
3.2 LEFT OUTER JOIN
LEFT OUTER JOIN 和 LEFT JOIN 是等價的。
-- 左連接
SELECT e.*,d.*
FROM emp e LEFT OUTER JOIN dept d
ON e.deptno = d.deptno;
3.3 RIGHT OUTER JOIN
--右連接
SELECT e.*,d.*
FROM emp e RIGHT OUTER JOIN dept d
ON e.deptno = d.deptno;
執行右連接后，由於 40 號部門下沒有任何員工，所以此時員工信息為 NULL。這個查詢可以很好的復述上面提到的——JOIN 語句的關聯條件必須用 ON 指定，不能用 WHERE 指定。你可以把 ON 改成 WHERE，你會發現無論如何都查不出 40 號部門這條數據，因為笛卡爾運算不會有 (NULL, 40) 這種情況。
3.4 FULL OUTER JOIN
SELECT e.*,d.*
FROM emp e FULL OUTER JOIN dept d
ON e.deptno = d.deptno;
3.5 LEFT SEMI JOIN
LEFT SEMI JOIN （左半連接）是 IN/EXISTS 子查詢的一種更高效的實現。
- JOIN 子句中右邊的表只能在 ON 子句中設置過濾條件;
- 查詢結果只包含左邊表的數據，所以只能 SELECT 左表中的列。
-- 查詢在紐約辦公的所有員工信息
SELECT emp.*
FROM emp LEFT SEMI JOIN dept
ON emp.deptno = dept.deptno AND dept.loc="NEW YORK";
--上面的語句就等價於
SELECT emp.* FROM emp
WHERE emp.deptno IN (SELECT deptno FROM dept WHERE loc="NEW YORK");
3.6 JOIN
笛卡爾積連接，這個連接日常的開發中可能很少遇到，且性能消耗比較大，基於這個原因，如果在嚴格模式下 (hive.mapred.mode = strict)，Hive 會阻止用戶執行此操作。
SELECT * FROM emp JOIN dept;
四、JOIN優化
4.1 STREAMTABLE
在多表進行聯結的時候，如果每個 ON 字句都使用到共同的列（如下面的 b.key），此時 Hive 會進行優化，將多表 JOIN 在同一個 map / reduce 作業上進行。同時假定查詢的最后一個表（如下面的 c 表）是最大的一個表，在對每行記錄進行 JOIN 操作時，它將嘗試將其他的表緩存起來，然后掃描最后那個表進行計算。因此用戶需要保證查詢的表的大小從左到右是依次增加的。
`SELECT a.val, b.val, c.val FROM a JOIN b ON (a.key = b.key) JOIN c ON (c.key = b.key)`
然后，用戶並非需要總是把最大的表放在查詢語句的最后面，Hive 提供了 /*+ STREAMTABLE() */ 標志，用於標識最大的表，示例如下：
SELECT /*+ STREAMTABLE(d) */ e.*,d.*
FROM emp e JOIN dept d
ON e.deptno = d.deptno
WHERE job='CLERK';
4.2 MAPJOIN
如果所有表中只有一張表是小表，那么 Hive 把這張小表加載到內存中。這時候程序會在 map 階段直接拿另外一個表的數據和內存中表數據做匹配，由於在 map 就進行了 JOIN 操作，從而可以省略 reduce 過程，這樣效率可以提升很多。Hive 中提供了 /*+ MAPJOIN() */ 來標記小表，示例如下：
SELECT /*+ MAPJOIN(d) */ e.*,d.*
FROM emp e JOIN dept d
ON e.deptno = d.deptno
WHERE job='CLERK';
五、SELECT的其他用途
查看當前數據庫：
SELECT current_database()
六、本地模式
在上面演示的語句中，大多數都會觸發 MapReduce, 少部分不會觸發，比如 select * from emp limit 5 就不會觸發 MR，此時 Hive 只是簡單的讀取數據文件中的內容，然后格式化后進行輸出。在需要執行 MapReduce 的查詢中，你會發現執行時間可能會很長，這時候你可以選擇開啟本地模式。
--本地模式默認關閉，需要手動開啟此功能
SET hive.exec.mode.local.auto=true;
啟用后，Hive 將分析查詢中每個 map-reduce 作業的大小，如果滿足以下條件，則可以在本地運行它：
- 作業的總輸入大小低於：hive.exec.mode.local.auto.inputbytes.max（默認為 128MB）；
- map-tasks 的總數小於：hive.exec.mode.local.auto.tasks.max（默認為 4）；
- 所需的 reduce 任務總數為 1 或 0。
因為我們測試的數據集很小，所以你再次去執行上面涉及 MR 操作的查詢，你會發現速度會有顯著的提升。