【Hive学习之五】Hive 参数&动态分区&分桶

环境
　　虚拟机：VMware 10
　　Linux版本：CentOS-6.5-x86_64
　　客户端：Xshell4
　　FTP：Xftp4
　　jdk8
　　hadoop-3.1.1
　　apache-hive-3.1.1

一、Hive 参数

1、Hive 参数类型
hive当中的参数、变量，都是以命名空间开头；

通过${}方式进行引用，其中system、env下的变量必须以前缀开头；

在Hive CLI查看参数

#显示所有参数
hive>set;
#查看单个参数
hive> set hive.cli.print.header;
hive.cli.print.header=false

2、Hive参数设置方式
(1)、修改配置文件 ${HIVE_HOME}/conf/hive-site.xml 这会使所有客户端都生效
(2)、启动hive cli时，通过--hiveconf key=value的方式进行设置 这只会在当前客户端生效
例：

[root@PCS102 ~]# hive --hiveconf hive.cli.print.header=true
hive> set hive.cli.print.header;
hive.cli.print.header=true
hive>

(3)、进入cli之后，通过使用set命令设置 这只会在当前客户端生效

hive> set hive.cli.print.header;
hive.cli.print.header=false
hive> select * from wc;
OK
hadoop
hbase
hello
name
world
zookeeper
Time taken: 2.289 seconds, Fetched:  row(s)
hive> set hive.cli.print.header=true;
hive> set hive.cli.print.header;
hive.cli.print.header=true
hive> select * from wc;
OK
wc.word    wc.totalword
hadoop
hbase
hello
name
world
zookeeper
Time taken: 2.309 seconds, Fetched:  row(s)
hive> 

(4)使用.hiverc文件设置

当前用户家目录（例：root用户：家目录是/root）下的.hiverc文件
如果没有，可直接创建该文件，将需要设置的参数写到该文件中，hive启动运行时，会加载改文件中的配置。

[root@PCS102 ~]# vi ~/.hiverc
set hive.cli.print.header=true
:wq

[root@PCS102 ~]# ll -a|grep hive
-rw-r--r--.  root root  Feb  : .hivehistory
-rw-r--r--.  root root  Feb  : .hiverc

另外：
.hivehistory 文件记录hive历史操作命令集

#重新登录 可以发现配置生效了 影响当前linux用户登录的客户端

[root@PCS102 ~]# hive
hive> set hive.cli.print.header;
hive.cli.print.header=true
hive>

二、动态分区

参数设置：
开启支持动态分区
set hive.exec.dynamic.partition=true;
set hive.exec.dynamic.partition.mode=nostrict;
默认：strict（至少有一个分区列是静态分区）
其他参数
　　set hive.exec.max.dynamic.partitions.pernode;
　　每一个执行mr节点上，允许创建的动态分区的最大数量(100)
　　set hive.exec.max.dynamic.partitions;
　　所有执行mr节点上，允许创建的所有动态分区的最大数量(1000)
　　set hive.exec.max.created.files;
　　所有的mr job允许创建的文件的最大数量(100000)

数据 /root/data：

,小明1,,boy,lol-book-movie,beijing:shangxuetang-shanghai:pudong
,小明2,,man,lol-book-movie,beijing:shangxuetang-shanghai:pudong
,小明3,,boy,lol-book-movie,beijing:shangxuetang-shanghai:pudong
,小明4,,man,lol-book-movie,beijing:shangxuetang-shanghai:pudong
,小明5,,boy,lol-book-movie,beijing:shangxuetang-shanghai:pudong
,小明6,,man,lol-book-movie,beijing:shangxuetang-shanghai:pudong

1、原始表

hive> CREATE TABLE psn21(

> id INT,
> name STRING,
> age INT,
> sex string,
> likes ARRAY<STRING>,
> address MAP<STRING,STRING>
> )
> ROW FORMAT DELIMITED
> FIELDS TERMINATED BY ','
> COLLECTION ITEMS TERMINATED BY '-'
> MAP KEYS TERMINATED BY ':'
> LINES TERMINATED BY '\n';
OK
Time taken: 0.183 seconds
hive> LOAD DATA LOCAL INPATH '/root/data' INTO TABLE psn21;
Loading data to table default.psn21
OK
Time taken: 0.248 seconds
hive> select * from psn21;
OK
psn21.id    psn21.name    psn21.age    psn21.sex    psn21.likes    psn21.address
    小明1        boy    ["lol","book","movie"]    {"beijing":"shangxuetang","shanghai":"pudong"}
    小明2        man    ["lol","book","movie"]    {"beijing":"shangxuetang","shanghai":"pudong"}
    小明3        boy    ["lol","book","movie"]    {"beijing":"shangxuetang","shanghai":"pudong"}
    小明4        man    ["lol","book","movie"]    {"beijing":"shangxuetang","shanghai":"pudong"}
    小明5        boy    ["lol","book","movie"]    {"beijing":"shangxuetang","shanghai":"pudong"}
    小明6        man    ["lol","book","movie"]    {"beijing":"shangxuetang","shanghai":"pudong"}
Time taken: 0.113 seconds, Fetched:  row(s)
hive>

2、分区表

hive> CREATE TABLE psn22(
    > id INT,
    > name STRING,
    > likes ARRAY<STRING>,
    > address MAP<STRING,STRING>
    > )
    > partitioned by (age int,sex string)
    > ROW FORMAT DELIMITED
    > FIELDS TERMINATED BY ','
    > COLLECTION ITEMS TERMINATED BY '-'
    > MAP KEYS TERMINATED BY ':'
    > LINES TERMINATED BY '\n';
OK
Time taken: 0.045 seconds

3、原始表数据导入分区表（注意psn21下数据不变）

hive> from psn21
    > insert overwrite table psn22 partition(age, sex)
    > select id, name,likes, address,age, sex distribute by age, sex;
Query ID = root_20190215170643_7aeb9dae-62d5-49fe-ab37-022446f6a004
Total jobs =
Launching Job  out of
Number of reduce tasks not specified. Estimated from input data size:
In order to change the average load for a reducer (in bytes):
  set hive.exec.reducers.bytes.per.reducer=<number>
In order to limit the maximum number of reducers:
  set hive.exec.reducers.max=<number>
In order to set a constant number of reducers:
  set mapreduce.job.reduces=<number>
Starting Job = job_1548397153910_0009, Tracking URL = http://PCS102:8088/proxy/application_1548397153910_0009/
Kill Command = /usr/local/hadoop-3.1./bin/mapred job  -kill job_1548397153910_0009
Hadoop job information for Stage-: number of mappers: ; number of reducers:
-- ::, Stage- map = %,  reduce = %
-- ::, Stage- map = %,  reduce = %, Cumulative CPU 2.86 sec
-- ::, Stage- map = %,  reduce = %, Cumulative CPU 6.26 sec
MapReduce Total cumulative CPU time:  seconds  msec
Ended Job = job_1548397153910_0009
Loading data to table default.psn22 partition (age=null, sex=null)

     Time taken to load dynamic partitions: 0.482 seconds
     Time taken for adding to write entity : 0.001 seconds
MapReduce Jobs Launched:
Stage-Stage-: Map:   Reduce:    Cumulative CPU: 6.26 sec   HDFS Read:  HDFS Write:  SUCCESS
Total MapReduce CPU Time Spent:  seconds  msec
OK
id    name    likes    address    age    sex
Time taken: 18.572 seconds
hive> 

查看该分区下数据：

[root@PCS102 ~]# hdfs dfs -cat /root/hive_remote/warehouse/psn22/age=21/sex=boy/*
5,小明5,lol-book-movie,beijing:shangxuetang-shanghai:pudong
3,小明3,lol-book-movie,beijing:shangxuetang-shanghai:pudong
[root@PCS102 ~]# 

全部分区数据：

hive> select * from psn22;
OK
psn22.id    psn22.name    psn22.likes    psn22.address    psn22.age    psn22.sex
    小明1    ["lol","book","movie"]    {"beijing":"shangxuetang","shanghai":"pudong"}        boy
    小明2    ["lol","book","movie"]    {"beijing":"shangxuetang","shanghai":"pudong"}        man
    小明5    ["lol","book","movie"]    {"beijing":"shangxuetang","shanghai":"pudong"}        boy
    小明3    ["lol","book","movie"]    {"beijing":"shangxuetang","shanghai":"pudong"}        boy
    小明6    ["lol","book","movie"]    {"beijing":"shangxuetang","shanghai":"pudong"}        man
    小明4    ["lol","book","movie"]    {"beijing":"shangxuetang","shanghai":"pudong"}        man
Time taken: 0.141 seconds, Fetched:  row(s)
hive> 

三、分桶

1、分桶
分桶表是对列值取哈希值的方式，将不同数据放到不同文件中存储。
对于hive中每一个表、分区都可以进一步进行分桶。
由列的哈希值除以桶的个数来决定每条数据划分在哪个桶中。

适用场景：数据抽样（ sampling ）、map-join

2、开启支持分桶
set hive.enforce.bucketing=true;
默认：false；设置为true之后，mr运行时会根据bucket的个数自动分配reduce task个数。

（用户也可以通过mapred.reduce.tasks自己设置reduce任务个数，但分桶时不推荐使用）
注意：一次作业产生的桶（文件数量）和reduce task个数一致。

3、桶表 抽样查询
select * from bucket_table tablesample(bucket 1 out of 4 on columns);

TABLESAMPLE语法：
TABLESAMPLE(BUCKET x OUT OF y)
x：表示从哪个bucket开始抽取数据
y：必须为该表总bucket数的倍数或因子  （Y表示相隔多少个桶再次抽取）
举例：
当表总bucket数为32时
(1)TABLESAMPLE(BUCKET 2 OUT OF 4)，抽取哪些数据？
数据个数：32/4=8份
桶号：2，6(2+4),10(6+4),14(10+4),18(14+4),22(18+4),26(22+4),30(26+4)

(2)TABLESAMPLE(BUCKET 3 OUT OF 8)，抽取哪些数据？
数据个数：32/8=4份
桶号：3，11(3+8),19(11+8),27(19+8)

(3)TABLESAMPLE(BUCKET 3 OUT OF 256)，抽取哪些数据？
数据个数：32/256=1/8份
桶号：3， 一个桶取1/8即可

4、分桶案例
原始表：

CREATE TABLE psn31
( id INT,
name STRING,
age INT)
ROW FORMAT
DELIMITED FIELDS TERMINATED BY ',';

数据/root/data2：

,tom,11
,cat,
,dog,
,hive,
,hbase,
,mr,
,alice,
,scala,

数据导入：

hive>load data local inpath '/root/data2' into table psn31;

创建分桶表

CREATE TABLE psnbucket
( id INT,
name STRING,
age INT)
CLUSTERED BY (age) INTO  BUCKETS
ROW FORMAT
DELIMITED FIELDS TERMINATED BY ',';

数据分桶预测：

             age%4
1,tom,     --3
,cat,22     --2
,dog,33     --1
,hive,44    --0
,hbase,55   --3
,mr,66      --2
,alice,77   --1
,scala,88   --0

加载数据 执行MR任务  表目录下有四个文件（桶表不能通过load的方式直接加载数据，只能从另一张表中插入数据）：

hive>insert into table psnbucket select id, name, age from psn31;

看一下每个桶文件内的数据是否和预测一样：

[root@PCS102 ~]# hdfs dfs -cat /root/hive_remote/warehouse/psnbucket/000000_0
,scala,
,hive,
[root@PCS102 ~]# hdfs dfs -cat /root/hive_remote/warehouse/psnbucket/000001_0
,alice,
,dog,
[root@PCS102 ~]# hdfs dfs -cat /root/hive_remote/warehouse/psnbucket/000002_0
,mr,
,cat,
[root@PCS102 ~]# hdfs dfs -cat /root/hive_remote/warehouse/psnbucket/000003_0
,hbase,
,tom,

数据抽样:结果跟之前版本预期不一样  很奇怪   为什么不是取00001_0里的数据？

hive> select id, name, age from psnbucket tablesample(bucket 2 out of 4 on age);
OK
id    name    age
    mr
    tom
Time taken: 0.184 seconds, Fetched:  row(s)
hive>