大数据面试题 —— Hive

Hive 是什么

Hive 是由 Facebook 开源用于解决海量结构化日志的数据统计工具。它是基于 Hadoop 的一个 数据仓库工具，可以将结构化的数据文件映射为一张表，并提供 类 SQL 查询功能。

其本质就是将 HQL 转化成 MapReduce 程序。

• Hive处理的数据存储在HDFS
• Hive分析数据底层的实现是MapReduce
• 执行程序运行在YARN上

为什么要使用 Hive

Hive是Hadoop生态系统中比不可少的一个工具，它提供了一种SQL(结构化查询语言)方言，可以查询存储在Hadoop分布式文件系统（HDFS）中的数据或其他和Hadoop集成的文件系统。

大多数数据仓库应用程序都是使用关系数据库进行实现的，并使用SQL作为查询语言。
Hive是一个构建在Hadoop之上的数据仓库工具，它提供了类似于SQL的查询语言——HiveQL，这使得那些熟悉关系型数据库和SQL的开发人员能够更容易地迁移到Hadoop生态系统上。Hive降低了将这些应用程序转移到Hadoop系统上的难度。凡是会使用SQL语言的开发人员都可以很轻松的学习并使用Hive。

如果没有Hive，那么这些用户就必须学习新的语言和工具，然后才能应用到生产环境中。另外，相比其他工具，Hive更便于开发人员将基于SQL的应用程序转移到Hadoop中。如果没有Hive，那么开发者将面临一个艰巨的挑战，如何将他们的SQL应用程序移植到Hadoop上。

Hive 的优缺点

（1）优点

• 操作接口采用类 SQL 语法，提供快速开发的能力（简单、容易上手）。
• 避免了去写 MapReduce，减少开发人员的学习成本。
• Hive 的执行延迟比较高，因此 Hive 常用于数据分析，对 实时性要求不高 的场合。
• Hive 的执行延迟比较高，因此其优势在于处理大数据，对于处理小数据没有优势。
• Hive 支持用户自定义函数，用户可以根据自己的需求来实现自己的函数。

（2）缺点

• Hive的HQL表达能力有限
  • Hive自动生成的MapReduce作业，通常情况下不够智能化。
  • 数据挖掘方面不擅长，由于MapReduce数据处理流程的限制，效率更高的算法却无法实现。
• Hive的效率比较低
  • Hive的执行延迟比较高，因此Hive常用于数据分析，对实时性要求不高的场合。
  • Hive调优比较困难，粒度较粗。
• Hive不支持实时查询和行级别更新
  • Hive分析的数据是存储在HDFS上，HDFS不支持随机写，只支持追加写，所以在Hive中不能update和delete，能select和insert。

Hive的实现逻辑，为什么处理小表延迟比较高

因为其计算是通过MapReduce，MapReduce是批处理，高延迟的。 对于小表查询，MapReduce框架在启动任务、分配资源、执行任务以及回收资源等方面都存在一定的开销，这些开销可能比任务执行的时间还要长，这就会导致处理小表的延迟比较高。

你可以说一下 HQL 转换为 MR 的任务流程吗 ***

首先客户端提交 HQL 以后，hive 通过 解析器 将 SQL 转换成抽象语法树，然后通过 编译器 生成逻辑执行计划，再通过 优化器 进行优化，最后通过 执行器 转换为可以运行的物理计划，比如 MapReduce/spark，然后提交到 yarn 上执行。

你可以说一下 hive 的元数据保存在哪里吗 ***

默认是保存在 derby 数据库，但是这有一个缺点：derby 数据库不支持并发，也就是说不能同时两个客户端去操作 derby 数据库，因此通常情况下，都会配置 mysql 去存放元数据。

Hive与传统数据库之间的区别

我认为主要有三点的区别：

• 数据量，hive 支持大规模的数据计算，mysql 支持的小一些。
• 数据更新快不快，hive 官方是不建议对数据进行修改的，因为非常的慢，这一点我也测试过，而 mysql 经常会进行数据修改，速度也挺快的。
• 查询快不快，hive 大多数延迟都比较高的，mysql 会低一些，当然这也与数据规模有关，数据规模很大的时候，hive 不一定比 mysql 慢。
• 应用场景，数据库可以用在 Online 的应用中，但是Hive 是为数据仓库而设计的。

Hive内部表和外部表的区别 ***

从建表语句来看，未被 external 修饰的是内部表，被 external 修饰的就是外部表。

二者主要有两点区别

• 内部表的数据由 hive 自身管理，外部表的数据由 hdfs 管理。
• 删除内部表的时候，元数据和原始数据都会被删除，而删除外部表的时候仅仅会删除元数据，原始数据不会被删除。

使用场景：

• 内部表适合存储对数据的修改和删除操作，因为删除内部表时可以直接删除相关的数据文件。一般内部表在数仓中的DW（细节层）中使用。
• 外部表适合存储对数据的只读操作，比如将已经存在的数据文件导入到Hive中进行分析。一般外部表在数仓中的ODS层（贴源层）中使用

外部表相对来说更加安全些，数据组织也更加灵活，方便共享源数据。
在做统计分析时候用到的中间表，结果表可以使用内部表，因为这些数据不需要共享，使用内部表更为合适。

hive 动态分区与静态分区的区别

hive本身是没有索引的，查询数据时需要全表扫描，分区也就是分目录，可以减少全表扫描。

静态分区：

• 分区字段的值是在导入数据的时候手动指定的

动态分区

• 分区字段的值是基于查询结果自动推断出来的，也就是最后查询结果的最后一个字段值就对应分区字段的值
• 想使用动态分区表的时候必须要对 hive 进行两个配置
  • 开启动态分区功能 hive.exec.dynamic.partition=true
  • 设置动态分区的模式为非严格模式，也就是说允许所有分区字段都可以使用动态分区hive.exec.dynamic.partition.mode-nonstrict

分桶表和分区表的区别 ***

分桶表和分区表的作用都是用来减少全表扫描的。因为并非所有的数据都可以进行合理的分区，所以有了新的技术分桶表。分桶表的分桶规则是，根据分桶字段的hash 值，对桶的个数进行取 余运算，然后得到该数据应该放到哪个桶里面去。

（1）创建语句不同，分区表是 partitioned by，分桶表是 clustered by

（2）分区或分桶字段要求不同，分区字段不能是表中存在的字段，分桶字段一定是表中存在的字段。

（3）表现形式不同，分区表是其实就是分了目录存放数据，分桶表是将一个文件拆分为很多文件存放。

hive 的 join 底层实现

（1）Map Join

Map Join的实现方式有两种，分别是Bucket Map Join和Map Join。

• Bucket Map Join又叫桶映射连接，它是Map Join的一种实现方式，要求表在join列上进行了bucket操作，并且bucket数相同，这样在map端会将两张表中的同一个bucket同时读取进内存中，进行join操作。
• Map Join是将小表全部缓存到内存中，然后将大表的一条记录与小表在内存中的所有记录进行匹配，匹配成功后输出join结果。
  • Map Join适用于小表驱动大表的情况，它可以极大地减少数据的读取量，加快join的速度。但是它的缺点是要求小表可以全部缓存到内存中。

（2）Reduce Join是指将两张表的数据都读入HDFS，然后在reduce端进行join操作。

Reduce Join分为Shuffle Join和Merge Join两种实现方式。

• Shuffle Join（又称普通的Reduce Join）是指先对两张表进行分区操作（Partition），然后在reduce阶段进行join操作。
  • Shuffle Join的缺点是，因为需要将两张表的所有数据都拷贝到reduce端，所以在数据量较大的情况下，网络传输的开销很大，执行时间较长。
• Merge Join又叫排序合并连接，它是Reduce Join的一种实现方式。它首先对需要join的表按照join列进行排序，然后再按照 join 列将两张表join在一起。
  • Merge Join的优点是不需要进行shuffle操作，执行效率较高。但是它的缺点是需要进行排序，如果需要join的表比较大，排序的时间和开销也比较大。

Map Join适用于小表驱动大表的情况，Reduce Join适用于大表驱动小表的情况，不同的实现方式在不同的情况下会有不同的优劣点。

Hive中大表和小表怎么聚合的？复制小表到map task的过程是什么样的？

当进行大表和小表的聚合操作时，Hive会根据优化器的规则自动选择合适的执行计划。一般来说，如果小表可以放在内存中，那么会先将小表复制到每个Map Task的内存中进行处理，然后再将结果传输回Reduce Task进行汇总，这个过程被称为Map Join。

复制小表到map task的过程，这个过程被称为Replication：

• 在Hive中，如果一个表被标记为小表（Small Table），那么它会被缓存在Hive服务器的本地内存中。
• 当执行包含小表和大表的Join操作时，Hive会启动MapReduce Job进行处理。
• 在Map任务执行之前，Hive会将小表从本地内存复制到每个Map任务所在的节点上。
• 在Map任务执行过程中，每个Map任务都可以直接读取本地节点上的小表数据，而不需要通过网络传输，从而大大加快了处理速度。

注意：只有当小表可以全部放入内存中时，才会使用 Map Join 来加速处理。如果小表的数据量太大，无法全部放入内存中，那么就必须使用普通的Reduce Join来处理，这种情况下，小表会和大表一样被划分为多个分片，分发到不同的Map任务上进行处理，最后再通过Reduce任务进行合并。

大表和大表之间的 join 怎么避免内存溢出？

（1）增加集群资源：通过增加Hadoop集群中的节点数或者增加每个节点的资源，例如内存、CPU等，来提高查询的性能和容错能力。

（2）使用Bucket Map Join：Bucket Map Join是一种将 join 操作划分为多个小任务的技术，可以减少每个任务的数据量，从而降低内存的消耗。在使用Bucket Map Join时，需要将表分桶，且分桶的列应该是 join 条件中的列。（要求表在join列上进行了bucket操作，并且bucket数相同，这样在map端会将两张表中的同一个bucket同时读取进内存中，进行join操作）

（3）使用Map Join：Map Join是一种将小表读入内存中的技术，可以减少内存的消耗。在使用Map Join时，需要将小表进行适当的压缩和优化，以提高查询的性能。

（4）使用索引：在Hive 3.0及以上版本中，可以使用ACID表的索引功能来优化查询，从而降低内存的消耗。通过对大表的索引，可以加速查询的速度，同时减少内存的使用。

Order By 和 Sort By 的区别

Order By：全局排序，只有一个 reducer，缺点: 当数据规模大的时候，就会需要很长的计算时间。

Sort By：分区排序，保证每个 reducer 内有序，一般结合 distribute by 来使用。

使用场景：在生产环境中，order by 用的比较少，容易导致 OOM；一般使用 distribute by+sort by

行转列和列转行函数

（1）行转列：一行转一列、多行转一列

CONCAT(string A/col, string B/col…)：返回输入字符串连接后的结果，支持任意多个输入字符串。

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。

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。

COLLECT_LIST(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不去重汇总，产生arr类型字段。

（2）列转行：

EXPLODE（col）：将Hive一列中复杂的 array 或者 map 结构拆分成多行。（如果是array，结果只有一列，如果是map，结果只有key，value两列）

自定义过 UDF函数吗

（1）承UDF或者UDAF或者UDTF，实现特定的方法；

（2）打成jar包，上传到服务器

（3）执行命令 add jar路径，目的是将 jar 包添加到 hive 中

（4）注册临时函数：create temporary function 函数名 as "自定义函数全类名"

（5）在select中使用 UDF 函数

Hive中有很多重复的数据，你如何去重？

（1）使用 DISTINCT关键字

可以在 SELECT 语句中选择不同的值，以去除重复数据。
例如：SELECT DISTINCT column_name FROM table_name;

（2）使用 GROUP BY

可以使用 GROUP BY 子句和聚合函数去掉重复数据。
例如：SELECT column_name, COUNT(*) FROM table_name GROUP BY column_name;

（3）使用窗口函数

可以使用窗口函数来进行去重。

需要注意的是，这种方法可能会影响性能，因为需要进行排序和分组操作，尤其是在处理大数据集时，可能会非常耗时。总的来说，对于数据去重，推荐使用 GROUP BY 的方式，执行效率较高。在需要处理复杂的去重逻辑时，可以考虑使用窗口函数，但需要注意性能问题。

count(distinct)会出现什么问题

我们写的是HQL，而它的底层引擎是MapReduce，是分布式计算的，所以自然会出现数据倾斜这种分布式计算的典型问题，就会导致运行时间过长。这里其实熟悉MapReduce原理的已经明白了这条sql跑的慢的原因，因为出现了很严重的数据倾斜，很多个mapper，却只有1个reducer，所有的数据在mapper处理过后全部只流向了一个reducer。

为什么只有一个reducer呢？因为使用了distinct和count(full aggreates)，这两个函数产生的MapReduce作业只会产生一个reducer，而且哪怕显式指定set mapred.reduce.tasks=100000也是没用的。所以对于这种去重统计，如果在数据量够大，一般是一亿记录数以上（根据实际情况考虑），建议选择使用count加group by去进行统计，执行速度就会快很多。

总结：在数据量很大的情况下，使用count+group by替换count(distinct)能使作业执行效率和速度得到很大的提升，一般来说数据量越大提升效果越明显。

hive 小文件过多怎么办

hive 哪里会产生小文件

• 源数据本身有很多小文件
• 动态分区会产生大量小文件
• reduce个数越多，小文件越多
• 按分区插入数据的时候会产生大量的小文件, 文件个数 = maptask个数 * 分区数

• mapreduce过程中合并小文件：map后reduce前，map输出的时候设置小文件合并，ruduce输出的时候设置小文件合并。
• 直接设置少一点的 reduce。 mapreduce.job.reduces
• hadoop自带的解决小文件的方式：
  • 在计算的时候，采用 CombineTextInputFormat 的切片方式，这样就可以将多个小文件放到一个切片中进行计算
  • Sequence file 由一系列的二进制key/value组成，如果为key小文件名，value为文件内容，则可以将大批小文件合并成一个大文件。
  • 采用 har 归档的方式对小文件进行存储，这样能够将多个小文件打包为一个har 文件

Hive 优化

（1）建表优化

• 分区表
• 分桶表
• 合适的文件格式
• 合适的压缩格式

（2）语法优化

• 列裁剪与分区裁剪
• Group By 优化
  • 开启Map端聚合
  • 开启负载均衡
• CBO 优化：选择代价最小的执行计划;自动优化 HOL 中多个 Join
  的顺序，并选择合适的 Join 算法。
• 谓词下推：将 SOL 语句中的 where 谓词逻辑都尽可能提前执行
  减少下游处理的数据量。
• MapJoin：将Join双方比较小的表直接分发到各个Map进程的内存中，在Map进程中进行Join操作，这样就不用进行Reduce步骤，从而提高了速度。
• SMB Join：分桶join，大表转换为很多小表，然后分别进行 join，最后 union 到一起。

（3）Job优化

• Hive Map优化
  • 复杂文件增加Map数
  • 在map执行前合并小文件，减少map数
  • Map端聚合
• Hive Reduce优化
  • 合理设置Reduce数
  • 为什么 reduce 的数量不是越多越好？
    • 过多的启动和初始化 reduce 也会消耗时间和资源；另外，有多少个 reduce，就会有多少个输出文件，如果生成了很多个小文件，那么如果这些小文件作为下一个任务的输入，则也会出现小文件过多的问题。
• Hive 任务整体优化
  • 开启Fetch抓取。Hive中对某些情况的查询可以不必使用MapReduce计算。hive.fetch.task.conversion=more
  • 小数据集启用本地模式：hive.exec.mode.local.auto=true
  • 多个阶段并行执行：set hive.exec.parallel-true
  • JVM 重用：针对小文件过多的时候使用

Hive的函数：UDF、UDAF、UDTF的区别

（1）UDF：单行进入，单行输出

（2）UDAF：多行进入，单行输出

（3）UDTF：单行输入，多行输出

所有的Hive任务都会有MapReduce的执行吗

不是，从 Hive 0.10.0 版本开始，对于简单的不需要聚合的类似 SELECT from LIMIT n语句，不需要 MapReduce job，直接通过 Fetch task 获取数据。

Hive的文件存储格式都有哪些

Hive的文件存储格式有四种：TEXTFILE 、SEQUENCEFILE、ORC、PARQUET，前面两种是行式存储，后面两种是列式存储。如果为textfile的文件格式，直接load，不需要走MapReduce；如果是其他的类型就需要走MapReduce了，因为其他的类型都涉及到了文件的压缩，这需要借助MapReduce的压缩方式来实现。

（1）TEXTFILE：按行存储，不支持块压缩，默认格式，数据不做压缩，磁盘开销大，加载数据的速度最高；

（2）ORCFile：存储方式：数据按行分块，每块按照列存储压缩快，快速列存取效率比rcfile高，是rcfile的改良版本，使用了索引使用ORC文件格式可以提高hive读、写和处理数据的能力PARQUET：按列存储，相对于ORC，Parquet压缩比较低，查询效率较低
SequenceFile：Hadoop API提供的一种二进制文件，以<key,value>的形式序列化到文件中存储方式：行存储

总结压缩比：ORC > Parquet > textFile（textfile没有进行压缩）
查询速度：三者几乎一致

你用过哪些窗口函数

窗口函数：就是给聚合函数开操作的窗口（在明细查询中，展示汇总的结果）

rank、dense_rank、row_number

LAG(col,n,default_val)：往前第n行数据。

LEAD(col,n, default_val)：往后第n行数据。

FIRST_VALUE (col,true/false)：当前窗口下的第一个值，第二个参数为true，跳过空值。

LAST_VALUE (col,true/false)：当前窗口下的最后一个值，第二个参数为true，跳过空值。

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。

rank、dense_rank、row_number 的区别

在SQL中，ROW_NUMBER()、RANK()和DENSE_RANK()是用于排序的窗口函数，它们在生成排序结果时有一些区别：

• RANK()：排序相同时会重复，总数不变，即会出现1、1、3这样的排序结果；
• DENSE_RANK()：排序相同时会重复，总数会减少，即会出现1、1、2这样的排序结果；
• ROW_NUMBER()排序相同时不会重复，会根据顺序排序，即会出现1、2、3这样的排序结果；

count(*)、count(列名)、count(1)有什么区别

性能上：count(*)=count(1)>count(主键字段)>count(普通字段)

COUNT DISTINCT 和先 GROUP BY 再 COUNT

COUNT DISTINCT 和先 GROUP BY 再 COUNT 的操作在Hive中都用于去重计数。

COUNT DISTINCT 通常会将所有数据发送到一个Reduce任务进行去重计数，容易导致单一任务的负载过重，尤其是在数据量大且倾斜严重的情况下。

union all 和 union 的区别

union all：对两个结果集直接进行并集操作，记录可能有重复，不会进行排序。

union：对两个结果集进行并集操作，会进行去重，记录不会重复，按字段的默认规则排序。因此，从效率上说，union all 要比union更快。

Hive和spark的区别

即mapreduce与spark的区别

HQL 执行的很慢怎么定位到哪一句

开启慢查询日志，记录了在 mysql 中响应时间超过阈值的语句，这个时间默认是10s。

Hive 数据倾斜

如何解决数据倾斜？

• 开启map端聚合，相当于Combiner
• 使用随机数（重新设计key）
• 设置合理的map、reduce的task数
• SQL语句调节
  • 大小表Join：使用map join让小的维度表（1000条以下的记录条数）先进内存。在map端完成reduce。
  • 大表Join大表：把空值的key变成一个字符串加上随机数，把倾斜的数据分到不同的reduce上，由于null值关联不上，处理后并不影响最终结果。