Hive知识汇总

两种Hive表

hive存储：数据+元数据

托管表（内部表）

创建表：

hive> create table test2(id int,name String,tel String)
    > ROW FORMAT DELIMITED
    > FIELDS TERMINATED BY ',';

准备数据文件my.txt

1,scc0,20,131888888888
2,scc1,22,13222222222
3,scc2,21,183938384983

灌数据：

load data local inpath '/usr/local/src/my.txt' into table test2;

查看数据:

hive> select * from test2;
OK
1	scc0	20
2	scc1	22
3	scc2	21
Time taken: 0.132 seconds, Fetched: 3 row(s)

hdfs中的warehouse文件夹下面会多一个文件夹叫做test2。里面的文件名叫做my.txt

删除表：

hive> drop table test2;
OK
Time taken: 0.43 seconds

warehouse文件夹下的test2以及里面的所有文件被删除。内部表删除会同时删除元数据和数据文件。在建表的时候可以指定location，创建的内部表默认是存在warehouse/[tablename]，也可以指定目录存放。

create table test2(id int,name String,tel String) ROW FORMAT DELIMITED FIELDS TERMINATED BY ',' location '/scc/tmpdir';

外部表

创建表：

多加一个关键词external

create table test3(id int,name String,tel String) ROW FORMAT DELIMITED FIELDS TERMINATED BY ',';

也可以指定location。默认还是放在warehouse/[tablename]

灌数据方式同上。

查看方式同上。

删除命令同上：

删除后查询：

hive> show tables;
OK
haha
Time taken: 0.034 seconds, Fetched: 1 row(s)

表中已经不再存在test3, 但是HDFS中的目录以及文件均存在。说明外部表在删除的时候仅仅删除了元数据，并未删除存储文件。

分区和桶

表大于分区大于桶

参考此链接

1. 先说分区

在HDFS中，分区的表现为表的子目录。

在创建分区的命令上，分区表现为指定分区partitioned by (partitio-name string)

在查询方式上，分区就相当于表的字段。

创建带分区(以时间time为分区)的表：

create table tbhaspar(id int,name string,tel string) partitioned by(time string)  row format delimited fields terminated by ',';

准备数据：

(下面数据中不含time字段，也可以带有time字段，如果按照下面灌数据的方式，带有的time字段的数据会被分区名覆盖掉)

1,scc0,131888888888
2,scc1,13222222222
3,scc2,183938384983
4,scc3,16222232222
5,scc4,17222222222

灌数据：

load data local inpath '/usr/local/src/my.txt' into table tbhaspar partition (time='03-01');
load data local inpath '/usr/local/src/my.txt' into table tbhaspar partition (time='03-02');
load data local inpath '/usr/local/src/my.txt' into table tbhaspar partition (time='03-03');

查询

（创建表的时候指定了3个字段1个分区，接下来的查询结果就好像是看到了4个字段）：

hive> select * from tbhaspar;
OK
1	scc0	131888888888	03-01
2	scc1	13222222222	03-01
3	scc2	183938384983	03-01
4	scc3	16222232222	03-01
5	scc4	17222222222	03-01
1	scc0	131888888888	03-02
2	scc1	13222222222	03-02
3	scc2	183938384983	03-02
4	scc3	16222232222	03-02
5	scc4	17222222222	03-02
1	scc0	131888888888	03-03
2	scc1	13222222222	03-03
3	scc2	183938384983	03-03
4	scc3	16222232222	03-03
5	scc4	17222222222	03-03
Time taken: 0.081 seconds, Fetched: 15 row(s)

查看表信息：

hive> describe tbhaspar;
OK
id                  	int
name                	string
tel                 	string
time                	string              	                    

# Partition Information
# col_name            	data_type           	comment             

time                	string
Time taken: 0.09 seconds, Fetched: 9 row(s)

指定分区查询

(下面的查询方式，好像分区真的是一个字段):

select * from tbhaspar where time = '03-01';

对，上面说的都是静态分区，下面看看动态分区。

动态分区

可以根据查询得到的数据动态分配到分区里。其实动态分区与静态分区区别就是不指定分区目录，由系统自己选择。

该功能需要手动开启：

hive> set hive.exec.dynamic.partition=true;

1. 创建一个跟刚才一样的分区表id,name,tel partition=time
2. 灌数据。灌数据的方式只能通过从别的表查询得到，不能直接从local文件加载。我们下面从刚才的静态分区表进行加载（当然我们此时把分区表当成未分区表来用，现实中都是先把数据加载到普通表，然后再读取并加载到动态分区中）。

hive> insert  overwrite  table  tbhasdypar partition(time) select * from tbhaspar;

执行完就开始调MR了。。等一会儿看结果！直接就分区了！很帅！



2. 再说桶

桶是更细粒度的数据范围划分。桶的作用体现之一：MR阶段可以大大减少Join操作（别人这么说的，我不知道）。

Hive采用对列值哈希，然后除以桶的个数求余的方式决定该条记录存放在哪个桶当中。

建一个带桶的表

按照id分成3个桶。

hive> create table buck2 (id int,name string) clustered by (id) sorted by(id) into 3 buckets row format delimited fields terminated by ',' stored as textfile;

灌数据

先看一眼我们要灌的数据



hive> insert overwrite table buck2 select id,name from tbhaspar;

看结果

看结果之前，先设置一下这个：

set mapreduce.job.reduces=4;

为什么？因为分区的效果就是在MapReduce中体现出来的。我们设置多个Reduce观察一下排序结果。



HDFS的buck2下面多了三个文件夹，对应值hash得到的三种余数。

执行：

hive> select * from buck2 ;

下图结果中，正好是三个桶，而且是hash分桶，很明显。



上面是一个无序结果。下面的命令可以查看有序的结果。会在每个reduce里面排序。

hive> select * from buck2 sort by id ;

Hive避免MapReduce

把这个属性设置为true

hive.exec.mode.local.auto=true

hive在运行的时候尝试先使用本地模式运行 否则几乎所有的操作都会触发MR

分区查询-strict严格模式

hive.mapred.mode=strict

上述参数 严格模式下 如果针对分区表的查询，where子句没有添加分区过滤的话，任务禁止提交。

hive.mapred.mode=nonstrict

上述参数 取消严格模式

Hive数据倾斜问题 以及解决思路

MR阶段，Map产生的数据是根据Hash算法生成的key，按key选择合适的reduce，会因为数据特殊性引起的key聚集，造成某些Reduce任务繁重，某些reduce几乎没有任务。

配置参数：

hive.map.aggr=true//Map 端部分聚合，相当于Combiner

hive.groupby.skewindata=true

原理就是：将数据随机分成两个Job，第一个job随机分到不同的reduce，很有可能出现相同的key在不同的reduce里面。第二个Job可以根据预处理的反馈，将key分配到对应的reduce中，基本上同一个key都在一个reduce里面。整体上可以减少数据处理时间，做到负载均衡。

SQL调节：

1. 如果两个表都是大表，那么可以对key较少的那部分，可以赋一个随机的key，值为null。倾斜的数据可以分配到不同的reduce上，null值也不会影响最后的结果计算。
2. 如果表一大一小（约定1000条记录一下），内存加载较小的表在map端完成redcue操作。
   
   还有其他方法，没使用过，略去不表。

Hive中的order by,sort by,distribute by, cluster by作用以及用法

1. order by:在查询的时候sql指定，进行全局排序。不管会有多少个map节点，只会在一个reduce节点内进行处理，所以会很慢。并且，如果手动设置了严格模式，还是必须要指定limit条数的，因为数据量非常大，可能不会出结果。
2. sort by:原理类似于归并排序。在每个reduce节点进行排序，做到局部有序，最后进行全局排序的时候就可以提升不少的效率。
3. distribute by:都是和sort by 一起使用，并且先于它。作用是将指定的字段值相同的，分配到同一个reduce进行处理。参考这个链接- distribute by和sort by一起使用

1. cluster by:是2,3的合并
   
   cluster by id等价于distibute by id sort by id
   
   和3中语句等价的语句：

select mid, money, name from store cluster by mid sort by money

Hive文件存储、压缩格式

1. text file
   
   默认设置。建表时会把数据文件拷贝到hdfs上不进行处理。
2. sequence file
   
   二进制存储。分割，压缩比较方便。使用<key,value>存储，key是空的。
   
   三种压缩可选，None,Record,Block。Record效率低一些，一般用Block
3. rc file行列存储 不好用
4. orc file 3的升级版。性能很好，存储效率比text file节省很多。
   
   从本地加载数据只用用text file格式。然后才可以通过text file转换成2,3,4的格式。
   
   text file文件可以直接通过cat 查看。而2,3,4的源文件无法直接查看，只能借助表查询才能查看其中的内容。

=====================

我的其他相关文章：

1. Hive知识汇总
2. 大数据研发相关-面试拾遗（备战积累的知识点）
3. 2018年春招面试实战记录-大数据开发相关岗位
4. HadoopMR-Spark-HBase-Hive