大數據開發之路漫漫其修遠兮，吾將上下而求索。很多入門大數據的小伙伴，可能第一個接觸到的，就是一只可愛的“小象”，也就是我們的大數據領域的數據倉庫工具hive。

這只小象給我們提供了方便類SQL查詢語言HQL來操縱數據，歐洲服務器，使得我們一開始不用編寫復雜的代碼，就可以輕松的探索數據。Hive對于熟悉傳統數據庫的同學來說，算是很友好的一個入門工具。

原理

在大數據生態中，hive一般作為數據倉庫來使用。什么是數據倉庫呢? 簡單來說就像一個大糧倉，里邊堆著各種各樣的糧食，比如小麥、玉米、土豆、大米等等。數據倉庫里是一個數據集合體，把不同數據源按照一定的形式集合統一起來。 Hive本身是不做數據存儲的，它是構建在分布式存儲系統HDFS之上，我們平常看到的表數據其實本質上來說還是HDFS的文件。 Hive把這些HDFS數據文件，通過元數據規則映射為數據庫的表，并且可以提供SQL操作的功能。 Hive總體結構比較簡單，下方是整體的hive架構圖，我們可以看到，總體有三個組件：用戶接口、元數據系統、驅動器。

用戶通過用戶接口來輸入操作指令。一般接口有三種形式：

CLI端：一般在linux服務器直接輸入hive即可進入; WEB模式：通過命令bin/hive --service hwi啟動，默認訪問9999端口; 遠程模式：一般是JDBC之類的編程接口;

Hive的核心在于驅動器，一般驅動器接收到用戶接口傳遞的一條SQL之后，會進行下面的一系列操作：

驅動器開始進行語法和語義分析 生成邏輯計劃并且邏輯優化 生成物理計劃 發送計劃到執行引擎(常用引擎有mapredue和sprk)執行

結果返回

而元數據系統一般傳統數據庫來承載，主要記錄了包括hive表的名字，表的列和分區及其屬性，表的屬性(是否為外部表等)，表的數據所在目錄等。

常用hive語法

了解了hive的基礎原理之后呢，我們這里結合工作中一些需求，來介紹下開發同學常用的hive操作。

分組統計

作為一名SQL仔，經常會要去統計一些奇奇怪怪的指標，比如不同年齡段的UV，下單數的小時分布之類的。一般常用的分組就是group by了，然后配合上一些窗口函數， SUM、AVG、MIN、MAX、COUNT等，就可以實現我們很多統計需求了。比如下邊的統計時間段的獨立用戶數,查詢結果如下圖所示：

關聯查詢

有時候我們查詢的數據存放在不同的表中，那關聯查詢就派上用場了。所謂關聯查詢，一般就是通過兩張表相同的字段值關聯起來，同時查詢兩張表的記錄。Hive中常用關聯分內外關聯。

我們先建立兩張簡單的表tab_a和tab_b，用實例來說明關聯機制。表結構和表數據如下圖所示：

內關聯一般使用 關鍵字Join或inner join ，內關聯只返回關聯上的結果。

外關聯的形式就比較多樣化了，又分為：

左外關聯：關鍵字為left [outer] join，以前邊的表為主表，返回記錄數和主表記錄一致，關聯不上的字段為null; 右外關聯：關鍵字為right [outer] join，和左外關聯相反，則是以后邊的表為主表。 全外關聯：full [outer] join，返回兩個表的去重之和，關聯不上的字段為null。

行列轉換

有時候我們會遇到這樣的需求，需要把多列的數據平鋪到一行上輸出。比如查詢用戶的訪問軌跡，這時候有兩個函數就起上作用了。還是讓我們先來看看效果。

這兩個sql的作用都是把每個用戶的點擊軌跡拼接暫展示出來，其中collect_set和collect_set能夠把列數據合并，轉為一行。而兩個的唯一區別就是collect_set會進行去重。

上述講的是行轉列，還有些需求，希望我們能把列數據拆分成多行，比如數據結構如下，

Page_id StringAd_id Array

A[1,2,3] B[3,5,6] C[2,4,5]

要統計每個廣告在所有頁面出現的次數，這時候，我們可以先把同一列的數據線拆成多行，hive提供了explode展開函數，具體效果如下圖：