Hive的一些学习内容

Hive相关

1. 什么是metastore？

• metadata是元数据，包含数据库、表、字段、分区等信息。作用：客户端连接MetaStore服务，metastore再去连接MySQL数据库存储元数据，有了metastore服务可以实现多客户端同时连接MySQL。
• metastore三种配置：内嵌(Derby)、本地元存储、远程元存储
• Hive的元数据默认存储在Derby数据库，建议存储在像MySQL这种关系型数据库中。
• [为什么建议存储在关系型数据库中？]：默认的Derby数据库只能建立一个客户端连接，不能实现多客户端同时访问。不适合生产环境。

1. metastore安装方式有什么区别？

• 内嵌：使用自带的Derby数据库存储元数据，不需要额外的MetaStore服务。一次仅能有一个客户端连接，适合实验环境，不适合生产环境
• 本地元存储：本地安装MySQL来存储元数据，hive服务和metastore服务运行在同一个进程中。
• 远程元存储：Hive服务和MetaStore服务在不同的进程中。

1. 什么是Managed Table和External Table?

• Hive中有两种类型的表：Managed Table（内部表）和External Table（外部表）
• 内部表：hive的默认表类型，内部表的数据通常存放在/user/root/warehouse下
• 使用describe formatted 表名 来查看是内部表还是外部表
• 删除内部表时，存放在HDFS上的真实数据也一并删除。
• 外部表：适合于在hive之外使用表的数据的情况，删除外部表时，只是删除了元数据，真是数据并没有删除

1. 什么时候使用Managed Table和External Table

• 内部表适用于临时创建的中间表
• 外部表数据多部门共享

1. hive有哪些复合数据类型
   Map：key-value
   Struct:不同数据类型的集合
   Array:同类型元素的集合
   UnionType:代表一个可以具有属于所选择的任何数据类型的值的列

2. hive分区有哪些好处

• 加速查询
• 使用分区列的名称来创建子目录，当使用where子句执行查询操作时，只会扫描特定的子目录，而不用扫描全表。还是加速查询

1. hive分区和分桶的区别

• 分区：以字段的形式在表结构中存在，使用describe table_name 来查看字段是否存在，但是该字段不存放真实数据，仅仅是分区的表示（伪列）
• 分桶：一种细粒度的数据划分操作。实际生产中使用较少。[采用对列值哈希，然后除以桶的个数求余]

1. hive如何动态分区

• 静态分区：加载数据时（显式）指定分区列
• 动态分区：将数据推送到Hive，Hive决定哪个值进入哪个分区。需要启动动态分区[hive.exec.dynamic.parition.mode=nostrict]

1. map join优化手段

• Join时大表放在后面[执行join时，需要选择哪个表被流式传输，哪个表被缓存。Hive将Join语句中最后一个表用于流式传输，所以要确该表在两者之间是大的一方]
• Sort-Merge-Bucket(SMB) Map Join[使用前提：所有的表必须是桶分区（bucket）和已经排序的(sort)]

1. 如何创建bucket表

• Hive默认是禁用分桶功能的，设置属性来强制使用分桶功能[hive.enforce.bucketing=true]

1. hive有哪些file formats

• Text File Format:默认格式，不压缩数据，磁盘开销大。
• Sequence File Format:SF是Hadoop API提供的一种二进制文件支持。使用方便、可分割、可压缩。
  SF支持3中压缩格式：NONE、RECORD、BLOCK，建议使用BLOCK压缩。
• RC File Format:RC是一种行列存储相结合的存储方式。
• Parquet:列式数据存储
• AVRO：avro Schema数据序列化
• ORC:对RCFile做了优化，支持各种复杂的数据类型。

1. hive最优的file formates是什么
   ORC

• ORC将行的集合存储在一个文件中，且集合内的行数据将以列式存储。采用列式格式是为了压缩，从而降低存储成本。
• 查询：查询的是指定列而不是行，记录以列式存储
• ORC基于列创建索引，查询效率高。

1. hive传参

• 使用--hivevar传入

1. orderby 和 sortby的区别

• order by：全局排序,但是只能有一个partition
• sort by：局部排序，全局无序，partition内部有序，partition与partition之间没有关系。

1. hive和hbase的区别

• hive支持SQL查询，Hbase不支持。
• hive不支持Record级别和删除操作。
• hive定义为数仓，HBase定义为NOSQL数据库。