Hive DQL数据查询函数

函数

1、系统内置函数

1）查看系统自带的函数
hive> show functions;
2）显示自带的函数的用法
hive> desc function upper;
3）详细显示自带的函数的用法
hive> desc function extended upper;

2、常用内置函数

空字段赋值

1）函数说明
nvl：给值为null 的数据赋值，它的格式是nvl( value，default_value)。它的功能是如果 value 为 null，则 nvl 函数返回 default_value 的值，否则返回 value 的值，如果两个参数都为 null ，则返回null。
2）数据准备：采用员工表
3）查询：如果员工的 comm 为 NULL，则用-1 代替
hive (default)> select comm,nvl(comm, -1) from emp;
4）查询：如果员工的 comm 为 NULL，则用领导 id 代替
hive (default)> select comm, nvl(comm,mgr) from emp;

CASE WHEN THEN ELSE END

1）数据准备

name dept_id sex
悟空  A   男
大海  A   男
宋宋  B   男
凤姐  A   女
婷姐  B   女
婷婷  B   女

2）需求
求出不同部门男女各多少人。结果如下：

dept_Id 男 女
A       2 1
B       1 2

3）创建本地 emp_sex.txt，导入数据
vi emp_sex.txt
悟空 A 男
大海 A 男
宋宋 B 男
凤姐 A 女
婷姐 B 女
婷婷 B 女
4）创建 hive 表并导入数据

create table emp_sex(
name string,
dept_id string,
sex string)
row format delimited fields terminated by "\t";
load data local inpath '/opt/module/hive/data/emp_sex.txt' into table
emp_sex;

5）按需求查询数据

selectdept_id,sum(case sex when '男' then 1 else 0 end) male_count,sum(case sex when '女' then 1 else 0 end) female_count
from emp_sex
group by dept_id;

行转列

1）相关函数说明
concat(string A/col, string B/col…)：返回输入字符串连接后的结果，支持任意个输入字符串;
concat_ws(separator, str1, str2,…)：它是一个特殊形式的concat()。第一个参数剩余参数间的分隔符。分隔符可以是与剩余参数一样的字符串。如果分隔符是 NULL，返回值也将为 NULL。这个函数会跳过分隔符参数后的任何 NULL 和空字符串。分隔符将被加到被连接的字符串之间;
注意: concat_ws must be "string or array <string>
collect_set(col)：函数只接受基本数据类型，它的主要作用是将某字段的值进行去重汇总，产生 Array 类型字段。
2）数据准备

name constellation blood_type
孙悟空     白羊座         A
大海  射手座         A
宋宋  白羊座         B
猪八戒     白羊座         A
凤姐  射手座         A
苍老师     白羊座         B

3）需求
把星座和血型一样的人归类到一起。结果如下：

射手座,A    大海|凤姐
白羊座,A   孙悟空|猪八戒
白羊座,B   宋宋|苍老师

4）创建本地 constellation.txt，导入数据
vim person_info.txt

孙悟空 白羊座 A
大海 射手座 A
宋宋 白羊座 B
猪八戒 白羊座 A
凤姐 射手座 A
苍老师 白羊座 B

5）创建 hive 表并导入数据

create table person_info(
name string,
constellation string,
blood_type string)
row format delimited fields terminated by "\t";
load data local inpath "/opt/module/hive/data/person_info.txt" into table person_info;

6）按需求查询数据

SELECTt1.c_b,CONCAT_WS("|",collect_set(t1.name))
FROM (SELECTNAME,CONCAT_WS(',',constellation,blood_type) c_bFROM person_info)t1
GROUP BY t1.c_b

列转行

1）函数说明
explode(col)：将 hive 一列中复杂的 Array 或者 Map 结构拆分成多行。
lateral view
用法：lateral view udtf(expression) tableAlias AS columnAlias
解释：用于和 split, explode 等 UDTF 一起使用，它能够将一列数据拆成多行数据，在此基础上可以对拆分后的数据进行聚合。
2）数据准备

movie                category
《疑犯追踪》      悬疑,动作,科幻,剧情
《Lie to me》     悬疑,警匪,动作,心理,剧情
《战狼 2》      战争,动作,灾难

3）需求
将电影分类中的数组数据展开。结果如下：

《疑犯追踪》       悬疑
《疑犯追踪》      动作
《疑犯追踪》      科幻
《疑犯追踪》      剧情
《Lie to me》     悬疑
《Lie to me》     警匪
《Lie to me》     动作
《Lie to me》     心理
《Lie to me》     剧情
《战狼 2》      战争
《战狼 2》      动作
《战狼 2》      灾难

4）创建本地 movie.txt，导入数据
vi movie_info.txt
《疑犯追踪》悬疑,动作,科幻,剧情
《Lie to me》悬疑,警匪,动作,心理,剧情
《战狼 2》战争,动作,灾难
5）创建 hive 表并导入数据

create table movie_info(movie string,category string)
row format delimited fields terminated by "\t";
load data local inpath "/opt/module/data/movie.txt" into table movie_info;

6）按需求查询数据

SELECTmovie,category_name
FROMmovie_info
lateral VIEWexplode(split(category,",")) movie_info_tmp AS category_name;

窗口函数（开窗函数）

1）相关函数说明
over()：指定分析函数工作的数据窗口大小，这个数据窗口大小可能会随着行的变而变化。
current row：当前行
n preceding：往前 n 行数据
n following：往后 n 行数据
unbounded：起点，unbounded preceding 表示从前面的起点，unbounded following 表示到后面的终点
lag(col,n,default_val)：往前第 n 行数据
lead(col,n, default_val)：往后第 n 行数据
ntile(n)：把有序窗口的行分发到指定数据的组中，各个组有编号，编号从 1 开始，对于每一行，NTILE 返回此行所属的组的编号。注意：n 必须为 int 类型。
2）数据准备：name，orderdate，cost

jack,2017-01-01,10
tony,2017-01-02,15
jack,2017-02-03,23
tony,2017-01-04,29
jack,2017-01-05,46
jack,2017-04-06,42
tony,2017-01-07,50
jack,2017-01-08,55
mart,2017-04-08,62
mart,2017-04-09,68
neil,2017-05-10,12
mart,2017-04-11,75
neil,2017-06-12,80
mart,2017-04-13,94

3）需求
（1）查询在 2017 年 4 月份购买过的顾客及总人数
（2）查询顾客的购买明细及月购买总额
（3）上述的场景, 将每个顾客的 cost 按照日期进行累加
（4）查询每个顾客上次的购买时间
（5）查询前 20%时间的订单信息
4）创建本地 business.txt，导入数据vi business.txt
5）创建 hive 表并导入数据

create table business(
name string,
orderdate string,
cost int
) ROW FORMAT DELIMITED FIELDS TERMINATED BY ',';
load data local inpath "/opt/module/data/business.txt" into table business;

6）按需求查询数据
（1）查询在 2017 年 4 月份购买过的顾客及总人数

select name,count(*) over ()
from business
where substring(orderdate,1,7) = '2017-04'
group by name;

（2）查询顾客的购买明细及月购买总额

select name,orderdate,cost,sum(cost) over(partition by month(orderdate)) from business;

（3）将每个顾客的 cost 按照日期进行累加

select name,orderdate,cost,
sum(cost) over() as sample1,--所有行相加
sum(cost) over(partition by name) as sample2,--按 name 分组，组内数据相加
sum(cost) over(partition by name order by orderdate) as sample3,--按 name分组，组内数据累加
sum(cost) over(partition by name order by orderdate rows between unbounded preceding and current row ) as sample4 ,--和 sample3 一样,由起点到当前行的聚合
sum(cost) over(partition by name order by orderdate rows between 1 preceding and current row) as sample5, --当前行和前面一行做聚合
sum(cost) over(partition by name order by orderdate rows between 1 preceding AND 1 following ) as sample6,--当前行和前边一行及后面一行
sum(cost) over(partition by name order by orderdate rows between current row and unbounded following ) as sample7 --当前行及后面所有行
from business;

或者

select name,orderdate,cost,sum(cost) over(partition by name order by orderdate)from business;

rows 必须跟在 order by 子句之后，对排序的结果进行限制，使用固定的行数来限制分区中的数据行数量
（4）查看顾客上次的购买时间

select name,orderdate,cost,
lag(orderdate,1,'1900-01-01')
over(partition by name order by orderdate ) as time1, lag(orderdate,2)
over (partition by name order by orderdate) as time2
from business;

或者

select name,orderdate,lag(orderdate,1)
over(partition by name order by orderdate)
from business;

（5）查询前 20%时间的订单信息

select * from (select name,orderdate,cost, ntile(5) over(order by orderdate) sorted  from business
) t
where sorted = 1;

Rank

1）函数说明
rank() 排序相同时会重复，总数不会变
dense_rank() 排序相同时会重复，总数会减少
row_NUMBER() 会根据顺序计算
2）数据准备

name     subject score
孙悟空     语文  87
孙悟空     数学  95
孙悟空     英语  68
大海  语文  94
大海  数学  56
大海  英语  84
宋宋  语文  64
宋宋  数学  86
宋宋  英语  84
婷婷  语文  65
婷婷  数学  85
婷婷  英语  78

3）需求
计算每门学科成绩排名。
4）创建本地 score.txt，导入数据 vi score.txt
5）创建 hive 表并导入数据

create table score(
name string,
subject string,
score int)
row format delimited fields terminated by "\t";
load data local inpath '/opt/module/data/score.txt' into table score;

6）按需求查询数据

select name,
subject,
score,
rank() over(partition by subject order by score desc) rp,
dense_rank() over(partition by subject order by score desc) drp,
row_number() over(partition by subject order by score desc) rmp
from score;

其他常用函数

常用日期函数
unix_timestamp:返回当前或指定时间的时间戳
select unix_timestamp();
select unix_timestamp(“2020-10-28”,‘yyyy-MM-dd’);

from_unixtime：将时间戳转为日期格式
select from_unixtime(1603843200);

current_date：当前日期
select current_date;

current_timestamp：当前的日期加时间
select current_timestamp;

to_date：抽取日期部分
select to_date(‘2020-10-28 12:12:12’);

year：获取年
select year(‘2020-10-28 12:12:12’);

month：获取月
select month(‘2020-10-28 12:12:12’);

day：获取日
select day(‘2020-10-28 12:12:12’);

hour：获取时
select hour(‘2020-10-28 12:12:12’);

minute：获取分
select minute(‘2020-10-28 12:12:12’);

second：获取秒
select second(‘2020-10-28 12:12:12’);

weekofyear：当前时间是一年中的第几周
select weekofyear(‘2020-10-28 12:12:12’);

dayofmonth：当前时间是一个月中的第几天
select dayofmonth(‘2020-10-28 12:12:12’);

months_between：两个日期间的月份
select months_between(‘2020-04-01’,‘2020-10-28’);

add_months：日期加减月
select add_months(‘2020-10-28’,-3);

datediff：两个日期相差的天数
select datediff(‘2020-11-04’,‘2020-10-28’);

date_add：日期加天数
select date_add(‘2020-10-28’,4);

date_sub：日期减天数
select date_sub(‘2020-10-28’,-4);

last_day：日期的当月的最后一天
select last_day(‘2020-02-30’);

date_format(): 格式化日期
select date_format(‘2020-10-28 12:12:12’,‘yyyy/MM/dd HH:mm:ss’);

常用取整函数
round：四舍五入
select round(3.14);
select round(3.54);

ceil：向上取整
select ceil(3.14);
select ceil(3.54);

floor：向下取整
select floor(3.14);
select floor(3.54);

常用字符串操作函数
upper：转大写
select upper(‘low’);

lower：转小写
select lower(‘low’);

length：长度
select length(“atguigu”);

trim：前后去空格
select trim(" atguigu ");

lpad：向左补齐，到指定长度
select lpad(‘atguigu’,9,‘g’);

rpad：向右补齐，到指定长度
select rpad(‘atguigu’,9,‘g’);

regexp_replace：使用正则表达式匹配目标字符串，匹配成功后替换！
SELECT regexp_replace(‘2020/10/25’, ‘/’, ‘-’);

集合操作
size：集合中元素的个数
select size(friends) from test3;

map_keys：返回map中的key
select map_keys(children) from test3;

map_values: 返回map中的value
select map_values(children) from test3;

array_contains: 判断array中是否包含某个元素
select array_contains(friends,‘bingbing’) from test3;

sort_array：将array中的元素排序
select sort_array(friends) from test3;

grouping_set:多维分析

3、自定义函数

1）Hive 自带了一些函数，比如：max/min 等，但是数量有限，自己可以通过自定义 UDF 来方便的扩展。
2）当 Hive 提供的内置函数无法满足你的业务处理需要时，此时就可以考虑使用用户自定义函数（UDF：user-defined function）。
3）根据用户自定义函数类别分为以下三种：
（1）UDF（User-Defined-Function）
一进一出
（2）UDAF（User-Defined Aggregation Function）
聚集函数，多进一出
类似于：count/max/min
（3）UDTF（User-Defined Table-Generating Functions）
一进多出
如 lateral view explode()
4）官方文档地址
https://cwiki.apache.org/confluence/display/Hive/HivePlugins
5）编程步骤：
（1）继承 Hive 提供的类
org.apache.hadoop.hive.ql.udf.generic.GenericUDF
org.apache.hadoop.hive.ql.udf.generic.GenericUDTF;
（2）实现类中的抽象方法
（3）在 hive 的命令行窗口创建函数
添加 jar
add jar linux_jar_path
创建 function
create [temporary] function [dbname.]function_name AS class_name;
（4）在 hive 的命令行窗口删除函数
drop [temporary] function [if exists] [dbname.]function_name;

4、自定义 UDF 函数

0）需求:
自定义一个 UDF 实现计算给定字符串的长度，例如：
hive(default)> select my_len(“abcd”);
1）创建一个 Maven 工程 Hive
2）导入依赖

<dependencies>
<dependency>
<groupId>org.apache.hive</groupId>
<artifactId>hive-exec</artifactId>
<version>3.1.2</version>
</dependency>
</dependencies>

3）创建一个类

import org.apache.hadoop.hive.ql.exec.UDFArgumentException;
import org.apache.hadoop.hive.ql.exec.UDFArgumentLengthException;
import org.apache.hadoop.hive.ql.exec.UDFArgumentTypeException;
import org.apache.hadoop.hive.ql.metadata.HiveException;
import org.apache.hadoop.hive.ql.udf.generic.GenericUDF;
import org.apache.hadoop.hive.serde2.objectinspector.ObjectInspector;
import org.apache.hadoop.hive.serde2.objectinspector.primitive.PrimitiveObjectIn spectorFactory;
/**
* 自定义 UDF 函数，需要继承 GenericUDF 类
* 需求: 计算指定字符串的长度
*/
public class MyStringLength extends GenericUDF {/**** @param arguments 输入参数类型的鉴别器对象* @return 返回值类型的鉴别器对象* @throws UDFArgumentException*/@Overridepublic ObjectInspector initialize(ObjectInspector[] arguments) throws UDFArgumentException {// 判断输入参数的个数if(arguments.length !=1){throw new UDFArgumentLengthException("Input Args Length Error!!!");}// 判断输入参数的类型if(!arguments[0].getCategory().equals(ObjectInspector.Category.PRIMITIVE)){throw new UDFArgumentTypeException(0,"Input Args Type Error!!!");}//函数本身返回值为 int，需要返回 int 类型的鉴别器对象return PrimitiveObjectInspectorFactory.javaIntObjectInspector;}/*** 函数的逻辑处理* @param arguments 输入的参数* @return 返回值* @throws HiveException*/@Overridepublic Object evaluate(DeferredObject[] arguments) throws  HiveException {if(arguments[0].get() == null){return 0;}return arguments[0].get().toString().length();}@Overridepublic String getDisplayString(String[] children) {return "";}
}

4）打成 jar 包上传到服务器/opt/module/data/myudf.jar
5）将 jar 包添加到 hive 的 classpath
hive (default)> add jar /opt/module/data/myudf.jar;
6）创建临时函数与开发好的 java class 关联
hive (default)> create temporary function my_len as “com.xiaoqiu.hive.MyStringLength”;
7）即可在 hql 中使用自定义的函数
hive (default)> select ename,my_len(ename) ename_len from emp;

5、自定义 UDTF 函数

0）需求
自定义一个 UDTF 实现将一个任意分割符的字符串切割成独立的单词，例如：
hive(default)> select myudtf(“hello,world,hadoop,hive”, “,”);
1）代码实现

import org.apache.hadoop.hive.ql.exec.UDFArgumentException;
import org.apache.hadoop.hive.ql.metadata.HiveException;
import org.apache.hadoop.hive.ql.udf.generic.GenericUDTF;
import org.apache.hadoop.hive.serde2.objectinspector.ObjectInspector;
import org.apache.hadoop.hive.serde2.objectinspector.ObjectInspectorFactory;
import org.apache.hadoop.hive.serde2.objectinspector.StructObjectInspector;
import org.apache.hadoop.hive.serde2.objectinspector.primitive.PrimitiveObjectIn spectorFactory;
import java.util.ArrayList;
import java.util.List;public class MyUDTF extends GenericUDTF {private ArrayList<String> outList = new ArrayList<>();@Overridepublic StructObjectInspector initialize(StructObjectInspector argOIs) throws UDFArgumentException {//1.定义输出数据的列名和类型List<String> fieldNames = new ArrayList<>();List<ObjectInspector> fieldOIs = new ArrayList<>();//2.添加输出数据的列名和类型fieldNames.add("lineToWord");fieldOIs.add(PrimitiveObjectInspectorFactory.javaStringObjectInspector);return   ObjectInspectorFactory.getStandardStructObjectInspector(fieldNames, fieldOIs);}@Overridepublic void process(Object[] args) throws HiveException {//1.获取原始数据String arg = args[0].toString();//2.获取数据传入的第二个参数，此处为分隔符String splitKey = args[1].toString();//3.将原始数据按照传入的分隔符进行切分String[] fields = arg.split(splitKey);//4.遍历切分后的结果，并写出for (String field : fields) {//集合为复用的，首先清空集合outList.clear();//将每一个单词添加至集合outList.add(field);//将集合内容写出forward(outList);}}@Overridepublic void close() throws HiveException {}
}

2）打成 jar 包上传到服务器/opt/module/hive/data/myudtf.jar
3）将 jar 包添加到 hive 的 classpath 下
hive (default)> add jar /opt/module/hive/data/myudtf.jar;
4）创建临时函数与开发好的 java class 关联
hive (default)> create temporary function myudtf as “com.xiaoqiu.hive.MyUDTF”;
5）使用自定义的函数
hive (default)> select myudtf(“hello,world,hadoop,hive”,",");