小蓝xlanll

这个屌丝很懒，什么也没留下！

热门标签

Hive知识点_hive defaultfs

作者：小蓝xlanll | 2024-05-29 17:11:17

踩

hive defaultfs

Hive知识点

hive的安装配置，hive优化，DDL，DML

1.Hive基本概念

1 hive简介

Hive用于解决海量结构化日志的数据统计工具。
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。

2 hive本质

将HQL转化成MapReduce程序
一、Hive处理的数据存储在HDFS
二、Hive分析数据底层的实现是MapReduce
三、执行程序运行在Yarn上

3 Hive的优缺点

优点5个
- 操作接口采用类SQL语法，提供快速开发的能力
- 避免写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优势在于处理大数据，对于处理小数据没有优势因为Hive的执行延迟比较高
- 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
缺点2个
- hive的HQL表达能力有限
  - 1.迭代式算法无法表达
  - 2.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
  - 1.hive自动生成的MapReduce作业，通常情况下不够智能
  - 2.hive调优比较困难，粒度较粗

4.hive架构原理

- 1）用户接口：Client
1

CLI（command-line interface）、JDBC/ODBC(jdbc访问hive)、WEBUI（浏览器访问hive）
- 2）元数据：Metastore
元数据包括：表名、表所属的数据库（默认是default）、表的拥有者、列/分区字段、表的类型（是否是外部表）、表的数据所在目录等；
默认存储在自带的derby数据库中，推荐使用MySQL存储Metastore
- 3）Hadoop
使用HDFS进行存储，使用MapReduce进行计算。
- 4）驱动器：Driver
（1）解析器（SQL Parser）：将SQL字符串转换成抽象语法树AST，这一步一般都用第三方工具库完成，比如antlr；对AST进行语法分析，比如表是否存在、字段是否存在、SQL语义是否有误。
（2）编译器（Physical Plan）：将AST编译生成逻辑执行计划。
（3）优化器（Query Optimizer）：对逻辑执行计划进行优化。
（4）执行器（Execution）：把逻辑执行计划转换成可以运行的物理计划。对于Hive来说，就是MR/Spark。

5.hive运行机制

6.HQL转换为MR流程

流程介绍
核心流程图

7.Hive和数据库比较、4个

1）数据存储位置
- Hive 存储在 HDFS 。数据库将数据保存在块设备或者本地文件系统中。
2）数据更新
- Hive中不建议对数据的改写，所有的数据都是在加载的时候确定好的。而数据库中的数据通常是需要经常进行修改的
3）执行延迟
- Hive 执行延迟较高，因为使用MapReduce框架。数据库的执行延迟较低。当然，这个是有条件的，即数据规模较小，当数据规模大到超过数据库的处理能力的时候，Hive的并行计算显然能体现出优势。
4）数据规模
- 由于Hive建立在集群上并可以利用MapReduce进行并行计算，因此可以支持很大规模的数据；对应的，数据库可以支持的数据规模较小。

2.Hive安装

1.Hive安装地址

1）Hive官网地址
http://hive.apache.org/
2）文档查看地址
https://cwiki.apache.org/confluence/display/Hive/GettingStarted
3）下载地址
http://archive.apache.org/dist/hive/
4）github地址
https://github.com/apache/hive

2.MySQL安装11步

0）为什么需要MySQL
- 原因在于Hive默认使用的元数据库为derby，开启Hive之后就会占用元数据库，且不与其他客户端共享数据，如果想多窗口操作就会报错，操作比较局限。以我们需要将Hive的元数据地址改为MySQL，可支持多窗口操作。
1）检查当前系统是否安装过Mysql

[SQLboy@hadoop102 ~]$ rpm -qa|grep mariadb
mariadb-libs-5.5.56-2.el7.x86_64
[SQLboy@hadoop102 ~]$ sudo rpm -e --nodeps mariadb-libs //用此命令卸载mariadb
终极命令：rpm -qa | grep -i -E mysql|mariadb | xargs -nl sudo rpm -e --nodeps
2）将MySQL安装包拷贝到/opt/software目录下
3）解压MySQL安装包
4）在安装目录下执行rpm安装

sudo rpm -ivh mysql-community-common-5.7.28-1.el7.x86_64.rpm
sudo rpm -ivh mysql-community-libs-5.7.28-1.el7.x86_64.rpm
sudo rpm -ivh mysql-community-libs-compat-5.7.28-1.el7.x86_64.rpm
sudo rpm -ivh mysql-community-client-5.7.28-1.el7.x86_64.rpm
sudo rpm -ivh mysql-community-server-5.7.28-1.el7.x86_64.rpm
注意:按照顺序依次执行
如果Linux是最小化安装的，在安装 mysql-community-server-5.7.28-1.el7.x86_64.rpm时可能会出现如下错误
警告：mysql-community-server-5.7.28-1.el7.x86_64.rpm: 头V3 DSA/SHA1 Signature, 密钥 ID 5072e1f5: NOKEY
错误：依赖检测失败：
libaio.so.1()(64bit) 被 mysql-community-server-5.7.28-1.el7.x86_64 需要
libaio.so.1(LIBAIO_0.1)(64bit) 被 mysql-community-server-5.7.28-1.el7.x86_64 需要
libaio.so.1(LIBAIO_0.4)(64bit) 被 mysql-community-server-5.7.28-1.el7.x86_64 需要
通过yum安装缺少的依赖,然后重新安装mysql-community-server-5.7.28-1.el7.x86_64 即可
yum install -y libaio
5）删除/etc/my.cnf文件中datadir指向的目录下的所有内容

查看datadir的值：
[mysqld]
datadir=/var/lib/mysql
删除/var/lib/mysql目录下的所有内容:
[SQLBoy @hadoop102 mysql]# cd /var/lib/mysql
[SQLBoy @hadoop102 mysql]# sudo rm -rf ./* //注意执行命令的位置
6）初始化数据库：sudo mysqld --initialize --user=mysql
7）查看临时生成的root用户的密码：cat /var/log/mysqld.log
8）启动MySQL服务：sudo systemctl start mysqld
9）登录MySQL数据库：mysql -uroot -p
Enter password: 输入临时生成的密码
登录成功.
10）必须先修改root用户的密码,否则执行其他的操作会报错：mysql> set password = password(“新密码”)
11）修改mysql库下的user表中的root用户允许任意ip连接
mysql> update mysql.user set host=‘%’ where user=‘root’;
mysql> flush privileges;

3.Hive安装部署5步

1）把apache-hive-3.1.2-bin.tar.gz上传到linux的/opt/software目录下
2）解压apache-hive-3.1.2-bin.tar.gz到/opt/module/目录下面
tar -zxvf /opt/software/apache-hive-3.1.2-bin.tar.gz -C /opt/module/
3）修改apache-hive-3.1.2-bin.tar.gz的名称为hive
4）修改/etc/profile.d/my_env.sh，添加环境变量：sudo vim /etc/profile.d/my_env.sh

#HIVE_HOME
HIVE_HOME=/opt/module/hive
PATH= $P A T H :$ JAVA_HOME/bin: $HADOOP_HOME/bin:$ HADOOP_HOME/sbin:$HIVE_HOME/bin
export PATH JAVA_HOME HADOOP_HOME HIVE_HOME
6）解决日志Jar包冲突

mv $HIVE_HOME/lib/log4j-slf4j-impl-2.10.0.jar $HIVE_HOME/lib/log4j-slf4j-impl-2.10.0.bak

4.Hive元数据配置到MySql

1）拷贝驱动

将MySQL的JDBC驱动拷贝到Hive的lib目录下
cp /opt/software/mysql-connector-java-5.1.48.jar $HIVE_HOME/lib
2）配置Metastore到MySql

在 $HIVE_HOME/conf目录下新建hive-site.xml文件 [SQLBoy@hadoop102 software]$ vim $HIVE_HOME/conf/hive-site.xml
添加如下内容
<?xml version="1.0"?> <?xml-stylesheet type="text/xsl" href="configuration.xsl"?> javax.jdo.option.ConnectionURL jdbc:mysql://hadoop102:3306/metastore?useSSL=false
```

<property>
    <name>javax.jdo.option.ConnectionDriverName</name>
    <value>com.mysql.jdbc.Driver</value>
1
2
3
4
```
```
<property>
    <name>javax.jdo.option.ConnectionUserName</name>
    <value>root</value>
</property>


<property>
    <name>javax.jdo.option.ConnectionPassword</name>
    <value>123456</value>
1
2
3
4
5
6
7
8
9
```
```

<property>
    <name>hive.metastore.warehouse.dir</name>
    <value>/user/hive/warehouse</value>
</property>
1
2
3
4
5
```
```
<property>
    <name>hive.metastore.schema.verification</name>
    <value>false</value>
</property>


<property>
    <name>hive.metastore.event.db.notification.api.auth</name>
    <value>false</value>
</property>
1
2
3
4
5
6
7
8
9
10
```

5.启动Hive

1 初始化元数据库
- 1）登陆MySQL
- 2）新建Hive元数据库：create database metastore;
- 3）初始化Hive元数据库：schematool -initSchema -dbType mysql -verbose
2 启动Hive
- 0）先启动hadoop集群
- 1）启动Hive
  [SQLBoy@hadoop102 hive]$ bin/hive
- 2）使用Hive
  
  hive> show databases;
  hive> show tables;
  hive> create table test (id int);
  hive> insert into test values(1);
  hive> select * from test;
- 3）开启另一个窗口测试开启hive
3 使用元数据服务的方式访问Hive

1）在hive-site.xml文件中添加如下配置信息

hive.metastore.uris
thrift://hadoop102:9083

2）启动metastore
[SQLBoy@hadoop202 hive]$ hive --service metastore
2020-04-24 16:58:08: Starting Hive Metastore Server
注意: 启动后窗口不能再操作，需打开一个新的shell窗口做别的操作
3）启动 hive
[SQLBoy@hadoop202 hive]$ bin/hive
4 使用JDBC方式访问Hive

）在hive-site.xml文件中添加如下配置信息

hive.server2.thrift.bind.host
hadoop102
```

<property>
    <name>hive.server2.thrift.port</name>
    <value>10000</value>
</property>
1
2
3
4
5
```
2）启动hiveserver2
[SQLBoy@hadoop102 hive]$ bin/hive --service hiveserver2
3）启动beeline客户端（需要多等待一会）
[SQLBoy@hadoop102 hive]$ bin/beeline -u jdbc:hive2://hadoop102:10000 -n atguigu
4）看到如下界面
Connecting to jdbc:hive2://hadoop102:10000
Connected to: Apache Hive (version 3.1.2)
Driver: Hive JDBC (version 3.1.2)
Transaction isolation: TRANSACTION_REPEATABLE_READ
Beeline version 3.1.2 by Apache Hive
0: jdbc:hive2://hadoop102:10000>
5 编写启动metastore和hiveserver2脚本(了解)

1）Shell命令介绍
前台启动的方式导致需要打开多个shell窗口，可以使用如下方式后台方式启动
nohup: 放在命令开头，表示不挂起,也就是关闭终端进程也继续保持运行状态
0:标准输入
1:标准输出
2:错误输出
2>&1 : 表示将错误重定向到标准输出上
&: 放在命令结尾,表示后台运行
一般会组合使用: nohup [xxx命令操作]> file 2>&1 & ，表示将xxx命令运行的
结果输出到file中，并保持命令启动的进程在后台运行。
如上命令不要求掌握。
[SQLboy@hadoop202 hive]$ nohup hive --service metastore 2>&1 &
[SQLboy@hadoop202 hive]$ nohup hive --service hiveserver2 2>&1 &
2）编写脚本
[SQLboy@hadoop102 hive]$ vim $HIVE_HOME/bin/hiveservices.sh

#!/bin/bash
HIVE_LOG_DIR=$HIVE_HOME/logs
if [ ! -d $HIVE_LOG_DIR ]
then
mkdir -p $KaTeX parse error: Expected 'EOF', got '#' at position 17: \dotsIVE_LOG_DIR fi #̲检查进程是否运行正常，参数1为\dots$ (ps -ef 2>/dev/null | grep -v grep | grep -i $1 | awk '{print $KaTeX parse error: Expected 'EOF', got '}' at position 2: 2}̲') ppid=$ (netstat -nltp 2>/dev/null | grep $2 | awk ‘{print $7}’ | cut -d ‘/’ -f 1)
echo $p i d [["$ pid" =~ “ $KaTeX parse error: Expected 'EOF', got '&' at position 10: ppid" ]] &̲& [ "$ ppid” ] && return 0 || return 1
}

function hive_start()
{
metapid= $check_process HiveMetastore 9083) cmd="nohup hive --service metastore >$ HIVE_LOG_DIR/metastore.log 2>&1 &"
cmd= $KaTeX parse error: Expected 'EOF', got '&' at position 57: \dotst >/dev/null 2>&̲1" [ -z "$ metapid" ] && eval $c m d ∣∣ ec h o " M e t a s t roe 服务已启动 " ser v er 2 p i d =$ (check_process HiveServer2 10000)
cmd=“nohup hive --service hiveserver2 > $KaTeX parse error: Expected 'EOF', got '&' at position 32: \dotseServer2.log 2>&̲1 &" [ -z "$ server2pid” ] && eval $cmd || echo “HiveServer2服务已启动”
}

function hive_stop()
{
metapid= $check_process HiveMetastore 9083) [ "$ metapid" ] && kill $m e t a p i d ∣∣ ec h o " M e t a s t ore 服务未启动 " ser v er 2 p i d =$ (check_process HiveServer2 10000)
[ “$server2pid” ] && kill $server2pid || echo “HiveServer2服务未启动”
}

case $KaTeX parse error: Expected 'EOF', got '&' at position 183: \dots083 >/dev/null &̲& echo "Metasto\dots$ (basename $0)’ start|stop|restart|status’
;;
esac

6 Hive常用交互命令

1）“-e”不进入hive的交互窗口执行sql语句：bin/hive -e “select id from student;”
2）“-f”执行脚本中sql语句

（1）在/opt/module/hive/下创建datas目录并在datas目录下创建hivef.sql文件
[SQLboy@hadoop102 datas]$ touch hivef.sql
（2）文件中写入正确的sql语句
select *from student;
（3）执行文件中的sql语句
[SQLboy@hadoop102 hive]$ bin/hive -f /opt/module/hive/datas/hivef.sql
（4）执行文件中的sql语句并将结果写入文件中
[SQLboy@hadoop102 hive]$ bin/hive -f /opt/module/hive/datas/hivef.sql > /opt/module/datas/hive_result.txt

7 Hive其他命令操作

1）退出hive窗口

hive(default)>exit;
hive(default)>quit;
在新版的hive中没区别了，在以前的版本是有的：
exit:先隐性提交数据，再退出；
quit:不提交数据，退出；
2）在hive cli命令窗口中如何查看hdfs文件系统：dfs -ls /;
3）查看在hive中输入的所有历史命令

（1）进入到当前用户的根目录/root或/home/SQLBoy
（2）查看. hivehistory文件
[SQLBoy@hadoop102 ~]$ cat .hivehistory

8 Hive常见属性配置

1 hive窗口打印默认库和表头

1）打印当前库和表头
在hive-site.xml中加入如下两个配置:

hive.cli.print.header
true

hive.cli.print.current.db
true
2 Hive运行日志信息配置

1）Hive的log默认存放在/tmp/SQLBoy/hive.log目录下（当前用户名下）
2）修改hive的log存放日志到/opt/module/hive/logs
（1）修改/opt/module/hive/conf/hive-log4j2.properties.template文件名称为
hive-log4j2.properties
（2）在hive-log4j.properties文件中修改log存放位置
property.hive.log.dir=/opt/module/hive/logs
3 参数配置方式

1）查看当前所有的配置信息
hive>set;
2）参数的配置三种方式
（1）配置文件方式
默认配置文件：hive-default.xml
用户自定义配置文件：hive-site.xml
注意：用户自定义配置会覆盖默认配置。另外，Hive也会读入Hadoop的配置，因为Hive是作为Hadoop的客户端启动的，Hive的配置会覆盖Hadoop的配置。配置文件的设定对本机启动的所有Hive进程都有效。
（2）命令行参数方式
启动Hive时，可以在命令行添加-hiveconf param=value来设定参数。
例如：
[atguigu@hadoop103 hive]$ bin/hive -hiveconf mapred.reduce.tasks=10;
注意：仅对本次hive启动有效
查看参数设置：
hive (default)> set mapred.reduce.tasks;
（3）参数声明方式
可以在HQL中使用SET关键字设定参数
例如：
hive (default)> set mapred.reduce.tasks=100;
注意：仅对本次hive启动有效。
查看参数设置
hive (default)> set mapred.reduce.tasks;
上述三种设定方式的优先级依次递增。即配置文件<命令行参数<参数声明。注意某些系统级的参数，例如log4j相关的设定，必须用前两种方式设定，因为那些参数的读取在会话建立以前已经完成了。

3.Hive数据类型

1 基本数据类型

hive--------java
TINYINT----byte
SMALINT—short
INT---------int
BIGINT------long
BOOLEAN—boolean
FLOAT-------float
DOUBLE-----DOUBLE
STRING------string
TIMESTAMP–时间类型
BINARY------字节数组

2 集合数据类型

Hive有三种复杂数据类型ARRAY、MAP 和 STRUCT。
ARRAY和MAP与Java中的Array和Map类似，
STRUCT与C语言中的Struct类似，它封装了一个命名字段集合，复杂数据类型允许任意层次的嵌套。

STRUCT

和c语言中的struct类似，都可以通过“点”符号访问元素内容。例如，如果某个列的数据类型是STRUCT{first STRING, last STRING},那么第1个元素可以通过字段.first来引用。
struct()
例如struct<street:string, city:string>
MAP

MAP是一组键-值对元组集合，使用数组表示法可以访问数据。例如，如果某个列的数据类型是MAP，其中键->值对是’first’->’John’和’last’->’Doe’，那么可以通过字段名[‘last’]获取最后一个元素
map()
例如map<string, int>
ARRAY

数组是一组具有相同类型和名称的变量的集合。这些变量称为数组的元素，每个数组元素都有一个编号，编号从零开始。例如，数组值为[‘John’, ‘Doe’]，那么第2个元素可以通过数组名[1]进行引用。
Array()
例如array
案例实操

1）案例实操
（1）假设某表有如下一行，我们用JSON格式来表示其数据结构。在Hive下访问的格式为
{
“name”: “songsong”,
“friends”: [“bingbing” , “lili”] , //列表Array,
“children”: { //键值Map,
“xiao song”: 19 ,
“xiaoxiao song”: 18
}
“address”: { //结构Struct,
“street”: “hui long guan” ,
“city”: “beijing”
}
}
（2）基于上述数据结构，我们在Hive里创建对应的表，并导入数据。
创建本地测试文件test.txt
songsong,bingbing_lili,xiao song:18_xiaoxiao song:19,hui long guan_beijing
yangyang,caicai_susu,xiao yang:18_xiaoxiao yang:19,chao yang_beijing
注意：MAP，STRUCT和ARRAY里的元素间关系都可以用同一个字符表示，这里用“”。
（3）Hive上创建测试表test
create table test(
name string,
friends array,
children map<string, int>,
address struct<street:string, city:string>
)
row format delimited fields terminated by ‘,’
collection items terminated by '’
map keys terminated by ‘:’
lines terminated by ‘\n’;
字段解释：
row format delimited fields terminated by ‘,’ – 列分隔符
collection items terminated by ‘_’ --MAP STRUCT 和 ARRAY 的分隔符(数据分割符号)
map keys terminated by ‘:’ – MAP中的key与value的分隔符
lines terminated by ‘\n’; – 行分隔符
（4）导入文本数据到测试表
load data local inpath ‘/opt/module/hive/datas/test.txt’ into table test;
（5）访问三种集合列里的数据，以下分别是ARRAY，MAP，STRUCT的访问方式
hive (default)> select friends[1],children[‘xiao song’],address.city from test
where name=“songsong”;
OK
_c0 _c1 city
lili 18 beijing
Time taken: 0.076 seconds, Fetched: 1 row(s)

3 类型转换

Hive的原子数据类型是可以进行隐式转换的，类似于Java的类型转换，例如某表达式使用INT类型，TINYINT会自动转换为INT类型，
但是Hive不会进行反向转化，例如，某表达式使用TINYINT类型，INT不会自动转换为TINYINT类型，它会返回错误，除非使用CAST操作

1）隐式类型转换规则如下
- （1）任何整数类型都可以隐式地转换为一个范围更广的类型，如TINYINT可以转换成INT，INT可以转换成BIGINT。
- （2）所有整数类型、FLOAT和STRING类型都可以隐式地转换成DOUBLE。
- （3）TINYINT、SMALLINT、INT都可以转换为FLOAT。
- （4）BOOLEAN类型不可以转换为任何其它的类型。
2）可以使用CAST操作显示进行数据类型转换：CAST(‘1’ AS INT)

例如CAST(‘1’ AS INT)将把字符串’1’ 转换成整数1；如果强制类型转换失败，如执行CAST(‘X’ AS INT)，表达式返回空值 NULL。
0: jdbc:hive2://hadoop102:10000> select ‘1’+2, cast('1’as int) + 2;
±-----±-----±-+
| _c0 | _c1 |
±-----±-----±-+
| 3.0 | 3 |
±-----±-----±-+

4.DDL数据定义

1 创建数据库

CREATE DATABASE [IF NOT EXISTS] database_name
[COMMENT database_comment]
指定数据库在HDFS上存放的位置
[LOCATION hdfs_path]
[WITH DBPROPERTIES (property_name=property_value, …)];
1）创建一个数据库，数据库在HDFS上的默认存储路径是/user/hive/warehouse/*.db。

2 查询数据库

1 显示数据库

1）显示数据库
hive> show databases;
2）过滤显示查询的数据库
hive> show databases like ‘db_hive*’;
OK
db_hive
db_hive_1

DDL操作.sql

数据库操作

#4.1创建数据库
#标准格式
CREATE DATABASE [IF NOT EXISTS] database_name
[COMMENT database_comment]
[LOCATION hdfs_path]
[WITH DBPROPERTIES (property_name=property_value, …)];

#指定数据库在HDFS上存放位置
create database db_hive2 location ‘/db_hive2.db’;

#4.2查询数据库
#显示数据库
show databases;
#过滤显示查询的数据库
show databases like “test*”;

#查看数据库详情
#显示数据库信息
desc database test01;
#显示数据库详细信息，extended
desc database extended test01;

#切换当前数据库
use test01;

#4.3修改数据库
#用户可以使用ALTER DATABASE命令为某个数据库的DBPROPERTIES设置键-值对属性值，来描述这个数据库的属性信息。
create database if not exists db_hive;
use db_hive;
desc database extended db_hive;
ALTER database db_hive
set dbproperties(‘createtime’=‘20190901’);

#4.4删除数据库
#删除空数据库
drop database if exists db_hive2;
#数据不为空，采用cascade命令，强制删除
drop database db_hive cascade;
表操作

1）建表语法
#建表语法
CREATE [EXTERNAL] TABLE [IF NOT EXISTS] table_name – EXTERANL: 外部表
[(col_name data_type [COMMENT col_comment], …)] – 列名列类型列描述信息 …
[COMMENT table_comment] – 表描述信息
[PARTITIONED BY (col_name data_type [COMMENT col_comment], …)] – 创建分区表指定分区字段分区列名列类型
[CLUSTERED BY (col_name, col_name, …) – 创建分桶表指定分桶字段分桶列名
[SORTED BY (col_name [ASC|DESC], …)] INTO num_buckets BUCKETS] – 指定分桶数
[ROW FORMAT delimited fields terminated by … ] – 指定一条数据字段与字段的分割符
[collection items terminated by … ] – 指定集合元素与元素的分割符
[map keys terminated by … ] – 指定map的kv的分割符
[STORED AS file_format] – 指定文件存储格式，默认为 textfile
[LOCATION hdfs_path] – 指定表在hdfs中对应的路径
[TBLPROPERTIES (property_name=property_value, …)] – 指定表的属性
[AS select_statement] – 基于某个查询建表
4.5.1 管理表(内部表)
1）理论
默认创建的表都是所谓的管理表，有时也被称为内部表。因为这种表，Hive会（或多或少地）控制着数据的生命周期。Hive默认情况下会将这些表的数据存储在由配置项hive.metastore.warehouse.dir(例如，/user/hive/warehouse)所定义的目录的子目录下。当我们删除一个管理表时，Hive也会删除这个表中数据。管理表不适合和其他工具共享数据。
2）案例实操
（1）普通创建表
create table if not exists student(
id int, name string
)
row format delimited fields terminated by ‘\t’
stored as textfile
location ‘/user/hive/warehouse/student’;
（2）根据查询结果创建表（查询的结果会添加到新创建的表中）
create table if not exists student2 as select id, name from student;
（3）根据已经存在的表结构创建表
create table if not exists student3 like student;
（4）查询表的类型
hive (default)> desc formatted student2;
Table Type: MANAGED_TABLE
4.5.2 外部表
1）理论
因为表是外部表，所以Hive并非认为其完全拥有这份数据。删除该表并不会删除掉这份数据，不过描述表的元数据信息会被删除掉。
2）管理表和外部表的使用场景
每天将收集到的网站日志定期流入HDFS文本文件。在外部表（原始日志表）的基础上做大量的统计分析，用到的中间表、结果表使用内部表存储，数据通过SELECT+INSERT进入内部表。
3）案例实操
分别创建部门和员工外部表，并向表中导入数据。
（1）上传数据到HDFS
hive (default)> dfs -mkdir /student;
hive (default)> dfs -put /opt/module/datas/student.txt /student;
（2）建表语句，创建外部表
创建部门表
create external table if not exists dept(
deptno int,
dname string,
loc int
)
row format delimited fields terminated by ‘\t’;
创建员工表
create external table if not exists emp(
empno int,
ename string,
job string,
mgr int,
hiredate string,
sal double,
comm double,
deptno int)
row format delimited fields terminated by ‘\t’;
（3）查看创建的表
hive (default)>show tables;
（4）查看表格式化数据
hive (default)> desc formatted dept;
Table Type: EXTERNAL_TABLE
（5）删除外部表
hive (default)> drop table dept;
外部表删除后，hdfs中的数据还在，但是metadata中dept的元数据已被删除
4.5.3 管理表与外部表的互相转换
（1）查询表的类型
hive (default)> desc formatted student2;
Table Type: MANAGED_TABLE
（2）修改内部表student2为外部表
alter table student2 set tblproperties(‘EXTERNAL’=‘TRUE’);
（3）查询表的类型
hive (default)> desc formatted student2;
Table Type: EXTERNAL_TABLE
（4）修改外部表student2为内部表
alter table student2 set tblproperties(‘EXTERNAL’=‘FALSE’);
（5）查询表的类型
hive (default)> desc formatted student2;
Table Type: MANAGED_TABLE
注意：(‘EXTERNAL’=‘TRUE’)和(‘EXTERNAL’=‘FALSE’)为固定写法，区分大小写！
4.6 修改表
4.6.1 重命名表
1）语法
ALTER TABLE table_name RENAME TO new_table_name
2）实操案例
hive (default)> alter table dept_partition2 rename to dept_partition3;
4.6.2 增加、修改和删除表分区
详见7.1章分区表基本操作。
4.6.3 增加/修改/替换列信息
1）语法
（1）更新列
ALTER TABLE table_name CHANGE [COLUMN] col_old_name col_new_name column_type [COMMENT col_comment] [FIRST|AFTER column_name]
（2）增加和替换列
ALTER TABLE table_name ADD|REPLACE COLUMNS (col_name data_type [COMMENT col_comment], …)
注：ADD是代表新增一字段，字段位置在所有列后面(partition列前)，REPLACE则是表示替换表中所有字段。
2）实操案例
（1）查询表结构
hive> desc dept;
（2）添加列
hive (default)> alter table dept add columns(deptdesc string);
（3）查询表结构
hive> desc dept;
（4）更新列
hive (default)> alter table dept change column deptdesc desc string;
（5）查询表结构
hive> desc dept;
（6）替换列
hive (default)> alter table dept replace columns(deptno string, dname
string, loc string);
（7）查询表结构
hive> desc dept;
4.7 删除表
hive (default)> drop table dept;

5.DML数据操作

1 数据导入

1.向表中装载数据（Load）

5.1.1 向表中装载数据（Load）
1）语法
hive> load data [local] inpath ‘数据的path’ [overwrite] into table student [partition (partcol1=val1,…)];
（1）load data:表示加载数据
（2）local:表示从本地加载数据到hive表；否则从HDFS加载数据到hive表
（3）inpath:表示加载数据的路径
（4）overwrite:表示覆盖表中已有数据，否则表示追加
（5）into table:表示加载到哪张表
（6）student:表示具体的表
（7）partition:表示上传到指定分区
2）实操案例
（0）创建一张表
hive (default)> create table student(id string, name string) row format delimited fields terminated by ‘\t’;
（1）加载本地文件到hive
hive (default)> load data local inpath ‘/opt/module/hive/datas/student.txt’ into table default.student;
（2）加载HDFS文件到hive中
上传文件到HDFS
hive (default)> dfs -put /opt/module/hive/datas/student.txt /user/atguigu/hive;
加载HDFS上数据
hive (default)> load data inpath ‘/user/atguigu/hive/student.txt’ into table default.student;
（3）加载数据覆盖表中已有的数据
上传文件到HDFS
hive (default)> dfs -put /opt/module/datas/student.txt /user/atguigu/hive;
加载数据覆盖表中已有的数据
hive (default)> load data inpath ‘/user/atguigu/hive/student.txt’ overwrite into table default.student;
2.通过查询语句向表中插入数据（Insert）

1）创建一张表
hive (default)> create table student_par(id int, name string) row format delimited fields terminated by ‘\t’;
2）基本插入数据
hive (default)> insert into table student_par values(1,‘wangwu’),(2,‘zhaoliu’);
3）基本模式插入（根据单张表查询结果）
hive (default)> insert overwrite table student_par
select id, name from student ;
insert into：
insert overwrite：会覆盖表中已存在的数据
4）多表（多分区）插入模式（根据多张表查询结果）
from student
insert overwrite table student partition(month=‘201707’)
select id, name where month=‘201709’
insert overwrite table student partition(month=‘201706’)
select id, name where month=‘201709’;
3.查询语句中创建表并加载数据（As Select）

根据查询结果创建表（查询的结果会添加到新创建的表中）
create table if not exists student3
as select id, name from student;
4.创建表时通过Location指定加载数据路径

1）上传数据到hdfs上
hive (default)> dfs -mkdir /student;
hive (default)> dfs -put /opt/module/datas/student.txt /student;
2）创建表，并指定在hdfs上的位置
hive (default)> create external table if not exists student5(
id int, name string
)
row format delimited fields terminated by ‘\t’
location '/student;
3）查询数据
hive (default)> select * from student5;
5.Import数据到指定Hive表中

注意：先用export导出后，再将数据导入。
hive (default)> import table student2 from
‘/user/hive/warehouse/export/student’;

2 数据导出

1.Insert导出

1）将查询的结果导出到本地
hive (default)> insert overwrite local directory ‘/opt/module/hive/datas/export/student’
select * from student;
2）将查询的结果格式化导出到本地
hive(default)>insert overwrite local directory ‘/opt/module/hive/datas/export/student1’
ROW FORMAT DELIMITED FIELDS TERMINATED BY ‘\t’ select * from student;
3）将查询的结果导出到HDFS上(没有local)
hive (default)> insert overwrite directory ‘/user/atguigu/student2’
ROW FORMAT DELIMITED FIELDS TERMINATED BY ‘\t’
select * from student;
2.Hadoop命令导出到本地

hive (default)> dfs -get /user/hive/warehouse/student/student.txt
/opt/module/datas/export/student3.txt;
3.Hive Shell 命令导出

基本语法：（hive -f/-e 执行语句或者脚本 > file）
bin/hive -e ‘select * from default.student;’ > /opt/module/hive/datas/export/student4.txt;
4.Export导出到HDFS上

export table default.student to
‘/user/hive/warehouse/export/student’;
export和import主要用于两个Hadoop平台集群之间Hive表迁移。
5.Sqoop导出
6.清除表中数据（Truncate）

注意：Truncate只能删除管理表，不能删除外部表中数据
hive (default)> truncate table student;

6.查询

查询语句语法

SELECT [ALL | DISTINCT] select_expr, select_expr, …
FROM table_reference
[WHERE where_condition]
[GROUP BY col_list]
[ORDER BY col_list]
[CLUSTER BY col_list
| [DISTRIBUTE BY col_list] [SORT BY col_list]
]
[LIMIT number]

1 基本查询（Select…From）

1.全表和特定列查询
- 数据准备
  
  （0）原始数据
  dept:
  10 ACCOUNTING 1700
  20 RESEARCH 1800
  30 SALES 1900
  40 OPERATIONS 1700
  emp：
  7369 SMITH CLERK 7902 1980-12-17 800.00 20
  7499 ALLEN SALESMAN 7698 1981-2-20 1600.00 300.00 30
  7521 WARD SALESMAN 7698 1981-2-22 1250.00 500.00 30
  7566 JONES MANAGER 7839 1981-4-2 2975.00 20
  7654 MARTIN SALESMAN 7698 1981-9-28 1250.00 1400.00 30
  7698 BLAKE MANAGER 7839 1981-5-1 2850.00 30
  7782 CLARK MANAGER 7839 1981-6-9 2450.00 10
  7788 SCOTT ANALYST 7566 1987-4-19 3000.00 20
  7839 KING PRESIDENT 1981-11-17 5000.00 10
  7844 TURNER SALESMAN 7698 1981-9-8 1500.00 0.00 30
  7876 ADAMS CLERK 7788 1987-5-23 1100.00 20
  7900 JAMES CLERK 7698 1981-12-3 950.00 30
  7902 FORD ANALYST 7566 1981-12-3 3000.00 20
  7934 MILLER CLERK 7782 1982-1-23 1300.00 10
  
  （1）创建部门表
  create table if not exists dept(
  deptno int,
  dname string,
  loc int
  )
  row format delimited fields terminated by ‘\t’;
  （2）创建员工表
  create table if not exists emp(
  empno int,
  ename string,
  job string,
  mgr int,
  hiredate string,
  sal double,
  comm double,
  deptno int)
  row format delimited fields terminated by ‘\t’;
  （3）导入数据
  load data local inpath ‘/opt/module/datas/dept.txt’ into table
  dept;
  load data local inpath ‘/opt/module/datas/emp.txt’ into table emp;
- 全表查询
  
  hive (default)> select * from emp;
  hive (default)> select empno,ename,job,mgr,hiredate,sal,comm,deptno from emp ;
- 选择特定列查询
  
  hive (default)> select empno, ename from emp;
  注意：
  （1）SQL 语言大小写不敏感。
  （2）SQL 可以写在一行或者多行
  （3）关键字不能被缩写也不能分行
  （4）各子句一般要分行写。
  （5）使用缩进提高语句的可读性。
2.列别名

1）重命名一个列
2）便于计算
3）紧跟列名，也可以在列名和别名之间加入关键字‘AS’
4）案例实操
查询名称和部门
hive (default)> select ename AS name, deptno dn from emp;
3.算术运算符

运算符描述
A+B A和B 相加
A-B A减去B
A*B A和B 相乘
A/B A除以B
A%B A对B取余
A&B A和B按位取与
A|B A和B按位取或
A^B A和B按位取异或
~A A按位取反
案例实操：查询出所有员工的薪水后加1显示。
hive (default)> select sal +1 from emp;
4.常用函数

1）求总行数（count）
hive (default)> select count(*) cnt from emp;
2）求工资的最大值（max）
hive (default)> select max(sal) max_sal from emp;
3）求工资的最小值（min）
hive (default)> select min(sal) min_sal from emp;
4）求工资的总和（sum）
hive (default)> select sum(sal) sum_sal from emp;
5）求工资的平均值（avg）
hive (default)> select avg(sal) avg_sal from emp;
5.Limit语句

典型的查询会返回多行数据。LIMIT子句用于限制返回的行数。
前五行
hive (default)> select * from emp limit 5;
第三行开始的后三行
hive (default)> select * from emp limit 2,3;
6.Where语句

1）使用WHERE子句，将不满足条件的行过滤掉
2）WHERE子句紧随FROM子句
3）案例实操
查询出薪水大于1000的所有员工
hive (default)> select * from emp where sal >1000;
注意：where子句中不能使用字段别名。
7.比较运算符

1）下面表中描述了谓词操作符，这些操作符同样可以用于JOIN…ON和HAVING语句中。
操作符支持的数据类型描述
A=B 基本数据类型如果A等于B则返回TRUE，反之返回FALSE
A<=>B 基本数据类型如果A和B都为NULL，则返回TRUE，如果一边为NULL，返回False
A<>B, A!=B 基本数据类型 A或者B为NULL则返回NULL；如果A不等于B，则返回TRUE，反之返回FALSE
A<B 基本数据类型 A或者B为NULL，则返回NULL；如果A小于B，则返回TRUE，反之返回FALSE
A<=B 基本数据类型 A或者B为NULL，则返回NULL；如果A小于等于B，则返回TRUE，反之返回FALSE
A>B 基本数据类型 A或者B为NULL，则返回NULL；如果A大于B，则返回TRUE，反之返回FALSE
A>=B 基本数据类型 A或者B为NULL，则返回NULL；如果A大于等于B，则返回TRUE，反之返回FALSE
A [NOT] BETWEEN B AND C 基本数据类型如果A，B或者C任一为NULL，则结果为NULL。如果A的值大于等于B而且小于或等于C，则结果为TRUE，反之为FALSE。如果使用NOT关键字则可达到相反的效果。
A IS NULL 所有数据类型如果A等于NULL，则返回TRUE，反之返回FALSE
A IS NOT NULL 所有数据类型如果A不等于NULL，则返回TRUE，反之返回FALSE
IN(数值1, 数值2) 所有数据类型使用 IN运算显示列表中的值
A [NOT] LIKE B STRING 类型 B是一个SQL下的简单正则表达式，也叫通配符模式，如果A与其匹配的话，则返回TRUE；反之返回FALSE。B的表达式说明如下：‘x%’表示A必须以字母‘x’开头，‘%x’表示A必须以字母’x’结尾，而‘%x%’表示A包含有字母’x’,可以位于开头，结尾或者字符串中间。如果使用NOT关键字则可达到相反的效果。
A RLIKE B, A REGEXP B STRING 类型 B是基于java的正则表达式，如果A与其匹配，则返回TRUE；反之返回FALSE。匹配使用的是JDK中的正则表达式接口实现的，因为正则也依据其中的规则。例如，正则表达式必须和整个字符串A相匹配，而不是只需与其字符串匹配。
2）案例实操
（1）查询出薪水等于5000的所有员工
hive (default)> select * from emp where sal =5000;
（2）查询工资在500到1000的员工信息
hive (default)> select * from emp where sal between 500 and 1000;
（3）查询comm为空的所有员工信息
hive (default)> select * from emp where comm is null;
（4）查询工资是1500或5000的员工信息
hive (default)> select * from emp where sal IN (1500, 5000);
8.Like和RLike

1）使用LIKE运算选择类似的值
2）选择条件可以包含字符或数字:
% 代表零个或多个字符(任意个字符)。
_ 代表一个字符。
3）RLIKE子句
RLIKE子句是Hive中这个功能的一个扩展，其可以通过Java的正则表达式这个更强大的语言来指定匹配条件。
4）案例实操
（1）查找名字以A开头的员工信息
hive (default)> select * from emp where ename LIKE ‘A%’;
（2）查找名字中第二个字母为A的员工信息
hive (default)> select * from emp where ename LIKE ‘_A%’;
（3）查找名字中带有A的员工信息
hive (default)> select * from emp where ename RLIKE ‘[A]’;
9.逻辑运算符（And/Or/Not）

操作符含义
AND 逻辑并
OR 逻辑或
NOT 逻辑否
1）案例实操
（1）查询薪水大于1000，部门是30
hive (default)> select * from emp where sal>1000 and deptno=30;
（2）查询薪水大于1000，或者部门是30
hive (default)> select * from emp where sal>1000 or deptno=30;
（3）查询除了20部门和30部门以外的员工信息
hive (default)> select * from emp where deptno not IN(30, 20);

2 分组

1 Group By语句

GROUP BY语句通常会和聚合函数一起使用，按照一个或者多个列队结果进行分组，然后对每个组执行聚合操作。
1）案例实操：
（1）计算emp表每个部门的平均工资
hive (default)> select t.deptno, avg(t.sal) avg_sal from emp t group by t.deptno;
（2）计算emp每个部门中每个岗位的最高薪水
hive (default)> select t.deptno, t.job, max(t.sal) max_sal from emp t group by
t.deptno, t.job;
2 Having语句

1）having与where不同点
（1）where后面不能写分组函数，而having后面可以使用分组函数。
（2）having只用于group by分组统计语句。
2）案例实操
（1）求每个部门的平均薪水大于2000的部门
求每个部门的平均工资
hive (default)> select deptno, avg(sal) from emp group by deptno;
求每个部门的平均薪水大于2000的部门
hive (default)> select deptno, avg(sal) avg_sal from emp group by deptno having
avg_sal > 2000;

3 Join语句

1 等值Join

Hive支持通常的SQL JOIN语句。
1）案例实操
（1）根据员工表和部门表中的部门编号相等，查询员工编号、员工名称和部门名称；
hive (default)> select e.empno, e.ename, d.deptno, d.dname from emp e join dept d on e.deptno = d.deptno;
2 表的别名

1）好处
（1）使用别名可以简化查询。
（2）使用表名前缀可以提高执行效率。
2）案例实操
合并员工表和部门表
hive (default)> select e.empno, e.ename, d.deptno from emp e join dept d on e.deptno
= d.deptno;
3 内连接：join
- 内连接：只有进行连接的两个表中都存在与连接条件相匹配的数据才会被保留下来。
4 左外连接：left join
- 左外连接：JOIN操作符左边表中符合WHERE子句的所有记录将会被返回。
5 右外连接：right join
- 右外连接：JOIN操作符右边表中符合WHERE子句的所有记录将会被返回。
6 满外连接：full join
- 满外连接：将会返回所有表中符合WHERE语句条件的所有记录。如果任一表的指定字段没有符合条件的值的话，那么就使用NULL值替代。
7 多表连接

注意：连接 n个表，至少需要n-1个连接条件。例如：连接三个表，至少需要两个连接条件。
数据准备
1700 Beijing
1800 London
1900 Tokyo
1）创建位置表
create table if not exists location(
loc int,
loc_name string
)
row format delimited fields terminated by ‘\t’;
2）导入数据
hive (default)> load data local inpath ‘/opt/module/datas/location.txt’ into table location;
3）多表连接查询
hive (default)>SELECT e.ename, d.dname, l.loc_name
FROM emp e
JOIN dept d
ON d.deptno = e.deptno
JOIN location l
ON d.loc = l.loc;
大多数情况下，Hive会对每对JOIN连接对象启动一个MapReduce任务。本例中会首先启动一个MapReduce job对表e和表d进行连接操作，然后会再启动一个MapReduce job将第一个MapReduce job的输出和表l;进行连接操作。
注意：为什么不是表d和表l先进行连接操作呢？这是因为Hive总是按照从左到右的顺序执行的。
优化：当对3个或者更多表进行join连接时，如果每个on子句都使用相同的连接键的话，那么只会产生一个MapReduce job。
8 笛卡尔积

1）笛卡尔积会在下面条件下产生
（1）省略连接条件
（2）连接条件无效
（3）所有表中的所有行互相连接
2）案例实操
hive (default)> select empno, dname from emp, dept;

4 排序

1 全局排序（Order By）

Order By：全局排序，只有一个Reducer
1）使用 ORDER BY 子句排序
ASC（ascend）: 升序（默认）
DESC（descend）: 降序
2）ORDER BY 子句在SELECT语句的结尾
3）案例实操
（1）查询员工信息按工资升序排列
hive (default)> select * from emp order by sal;
（2）查询员工信息按工资降序排列
hive (default)> select * from emp order by sal desc;
2 按照别名排序

按照员工薪水的2倍排序
hive (default)> select ename, sal*2 twosal from emp order by twosal;
3 多个列排序

按照部门和工资升序排序
hive (default)> select ename, deptno, sal from emp order by deptno, sal ;
4 每个Reduce内部排序（Sort By）

Sort By：对于大规模的数据集order by的效率非常低。在很多情况下，并不需要全局排序，此时可以使用sort by。
Sort by为每个reducer产生一个排序文件。每个Reducer内部进行排序，对全局结果集来说不是排序。
1）设置reduce个数
hive (default)> set mapreduce.job.reduces=3;
2）查看设置reduce个数
hive (default)> set mapreduce.job.reduces;
3）根据部门编号降序查看员工信息
hive (default)> select * from emp sort by deptno desc;
4）将查询结果导入到文件中（按照部门编号降序排序）
hive (default)> insert overwrite local directory ‘/opt/module/hive/datas/sortby-result’
select * from emp sort by deptno desc;
5 分区（Distribute By）

Distribute By：在有些情况下，我们需要控制某个特定行应该到哪个reducer，通常是为了进行后续的聚集操作。distribute by 子句可以做这件事。distribute by类似MR中partition（自定义分区），进行分区，结合sort by使用。
1）案例实操：
（1）先按照部门编号分区，再按照员工编号降序排序。
hive (default)> set mapreduce.job.reduces=3;
hive (default)> insert overwrite local directory ‘/opt/module/hive/datas/distribute-result’ select * from emp distribute by deptno sort by empno desc;
注意：
Ø distribute by的分区规则是根据分区字段的hash码与reduce的个数进行模除后，余数相同的分到一个区。
Ø Hive要求DISTRIBUTE BY语句要写在SORT BY语句之前。
6 Cluster By

当distribute by和sort by字段相同时，可以使用cluster by方式。
cluster by除了具有distribute by的功能外还兼具sort by的功能。但是排序只能是升序排序，不能指定排序规则为ASC或者DESC。
（1）以下两种写法等价
hive (default)> select * from emp cluster by deptno;
hive (default)> select * from emp distribute by deptno sort by deptno;
注意：按照部门编号分区，不一定就是固定死的数值，可以是20号和30号部门分到一个分区里面去。

7.分区表和分桶表

1 分区表

分区表实际上就是对应一个HDFS文件系统上的独立的文件夹，该文件夹下是该分区所有的数据文件。Hive中的分区就是分目录，把一个大的数据集根据业务需要分割成小的数据集。在查询时通过WHERE子句中的表达式选择查询所需要的指定的分区，这样的查询效率会提高很多。

1 分区表基本操作
- 创建分区表语法
  
  hive (default)> create table dept_partition(
  deptno int, dname string, loc string
  )
  partitioned by (day string)
  row format delimited fields terminated by ‘\t’;
  注意：分区字段不能是表中已经存在的数据，可以将分区字段看作表的伪列。
- 加载数据到分区表中
  
  （1）数据准备
  dept_20200401.log
  10 ACCOUNTING 1700
  20 RESEARCH 1800
  dept_20200402.log
  30 SALES 1900
  40 OPERATIONS 1700
  dept_20200403.log
  50 TEST 2000
  60 DEV 1900
  （2）加载数据
  hive (default)> load data local inpath ‘/opt/module/hive/datas/dept_20200401.log’ into table dept_partition partition(day=‘20200401’);
  hive (default)> load data local inpath ‘/opt/module/hive/datas/dept_20200402.log’ into table dept_partition partition(day=‘20200402’);
  hive (default)> load data local inpath ‘/opt/module/hive/datas/dept_20200403.log’ into table dept_partition partition(day=‘20200403’);
  注意：分区表加载数据时，必须指定分区
- 查询分区表中数据
  
  单分区查询
  hive (default)> select * from dept_partition where day=‘20200401’;
  多分区联合查询
  hive (default)> select * from dept_partition where day=‘20200401’
  union
  select * from dept_partition where day=‘20200402’
  union
  select * from dept_partition where day=‘20200403’;
  hive (default)> select * from dept_partition where day=‘20200401’ or
  day=‘20200402’ or day=‘20200403’ ;
- 增加分区
  
  创建单个分区
  hive (default)> alter table dept_partition add partition(day=‘20200404’) ;
  同时创建多个分区
  hive (default)> alter table dept_partition add partition(day=‘20200405’) partition(day=‘20200406’);
- 删除分区
  
  删除单个分区
  hive (default)> alter table dept_partition drop partition (day=‘20200406’);
  同时删除多个分区
  hive (default)> alter table dept_partition drop partition (day=‘20200404’), partition(day=‘20200405’);
- 查看分区表有多少分区：show partitions dept_partition;
- 查看分区表结构：desc formatted dept_partition;
2 二级分区
- 创建二级分区表
  
  create table dept_partition2(
  deptno int, dname string, loc string
  )
  partitioned by (day string, hour string)
  row format delimited fields terminated by ‘\t’;
- 正常的加载数据
  
  hive (default)> load data local inpath ‘/opt/module`/hive/datas/dept_20200401.log’ into table
  dept_partition2 partition(day=‘20200401’, hour=‘12’);
- 查询分区数据
  
  select * from dept_partition2 where day=‘20200401’ and hour=‘12’;
- 把数据直接上传到分区目录上，让分区表和数据产生关联的三种方式
  - 方式一：上传数据后修复
    
    上传数据
    hive (default)> dfs -mkdir -p
    /user/hive/warehouse/mydb.db/dept_partition2/day=20200401/hour=13;
    hive (default)> dfs -put /opt/module/datas/dept_20200401.log /user/hive/warehouse/mydb.db/dept_partition2/day=20200401/hour=13;
    查询数据（查询不到刚上传的数据）
    hive (default)> select * from dept_partition2 where day=‘20200401’ and hour=‘13’;
    执行修复命令
    hive> msck repair table dept_partition2;
    再次查询数据
    hive (default)> select * from dept_partition2 where day=‘20200401’ and hour=‘13’;
  - 方式二：上传数据后添加分区
    
    上传数据
    hive (default)> dfs -mkdir -p
    /user/hive/warehouse/mydb.db/dept_partition2/day=20200401/hour=14;
    hive (default)> dfs -put /opt/module/hive/datas/dept_20200401.log /user/hive/warehouse/mydb.db/dept_partition2/day=20200401/hour=14;
    执行添加分区
    hive (default)> alter table dept_partition2 add partition(day=‘201709’,hour=‘14’);
    查询数据
    hive (default)> select * from dept_partition2 where day=‘20200401’ and hour=‘14’;
  - 方式三：创建文件夹后load数据到分区
    
    创建目录
    hive (default)> dfs -mkdir -p
    /user/hive/warehouse/mydb.db/dept_partition2/day=20200401/hour=15;
    上传数据
    hive (default)> load data local inpath ‘/opt/module/hive/datas/dept_20200401.log’ into table
    dept_partition2 partition(day=‘20200401’,hour=‘15’);
    查询数据
    hive (default)> select * from dept_partition2 where day=‘20200401’ and hour=‘15’;
3 动态分区

关系型数据库中，对分区表Insert数据时候，数据库自动会根据分区字段的值，将数据插入到相应的分区中，Hive中也提供了类似的机制，即动态分区(Dynamic Partition)，只不过，使用Hive的动态分区，需要进行相应的配置。
- 1）开启动态分区参数设置
  
  （1）开启动态分区功能（默认true，开启）
  hive.exec.dynamic.partition=true
  （2）设置为非严格模式（动态分区的模式，默认strict，表示必须指定至少一个分区为静态分区，nonstrict模式表示允许所有的分区字段都可以使用动态分区。）
  hive.exec.dynamic.partition.mode=nonstrict
  （3）在所有执行MR的节点上，最大一共可以创建多少个动态分区。默认1000
  hive.exec.max.dynamic.partitions=1000
  （4）在每个执行MR的节点上，最大可以创建多少个动态分区。该参数需要根据实际的数据来设定。比如：源数据中包含了一年的数据，即day字段有365个值，那么该参数就需要设置成大于365，如果使用默认值100，则会报错。
  hive.exec.max.dynamic.partitions.pernode=100
  （5）整个MR Job中，最大可以创建多少个HDFS文件。默认100000
  hive.exec.max.created.files=100000
  （6）当有空分区生成时，是否抛出异常。一般不需要设置。默认false
  hive.error.on.empty.partition=false
- 创建目标分区表：create table dept_partition_dy(id int, name string) partitioned by (loc int) row format delimited fields terminated by ‘\t’;
- 设置动态分区：set hive.exec.dynamic.partition.mode = nonstrict;
  hive (default)> insert into table dept_partition_dy partition(loc) select deptno, dname, loc from dept;
- 查看目标分区表的分区情况：show partitions dept_partition;

2 分桶表

分区提供一个隔离数据和优化查询的便利方式。不过，并非所有的数据集都可形成合理的分区。对于一张表或者分区，Hive 可以进一步组织成桶，也就是更为细粒度的数据范围划分。
分桶是将数据集分解成更容易管理的若干部分的另一个技术。
分区针对的是数据的存储路径；分桶针对的是数据文件。

1 分桶表基本操作
- 创建分桶表
  
  create table stu_bucket(id int, name string)
  clustered by(id)
  into 4 buckets
  row format delimited fields terminated by ‘\t’;
- 导入数据
  
  数据准备
  1001 ss1
  1002 ss2
  1003 ss3
  1004 ss4
  1005 ss5
  1006 ss6
  1007 ss7
  1008 ss8
  1009 ss9
  1010 ss10
  1011 ss11
  1012 ss12
  1013 ss13
  1014 ss14
  1015 ss15
  1016 ss16
  导入数据到分桶表中，load的方式
  hive (default)> load data inpath ‘/student.txt’ into table stu_bucket;
  insert方式将数据导入分桶表
  hive(default)>insert into table stu_buck select * from student_insert ;
- 查看表结构：desc formatted stu_bucket;
  Num Buckets: 4
- 分桶规则
  
  根据结果可知：Hive的分桶采用对分桶字段的值进行哈希，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
2 分桶表操作需要注意的事项
- （1）reduce的个数设置为-1,让Job自行决定需要用多少个reduce或者将reduce的个数设置为大于等于分桶表的桶数
- （2）从hdfs中load数据到分桶表中，避免本地文件找不到问题
- （3）不要使用本地模式

3 抽样查询

对于非常大的数据集，有时用户需要使用的是一个具有代表性的查询结果而不是全部结果。Hive可以通过对表进行抽样来满足这个需求。
语法: TABLESAMPLE(BUCKET x OUT OF y)
查询表stu_buck中的数据。
hive (default)> select * from stu_buck tablesample(bucket 1 out of 4 on id);

注意：x的值必须小于等于y的值，否则
FAILED: SemanticException [Error 10061]: Numerator should not be bigger than denominator in sample clause for table stu_buck

8.函数

order by : 全局排序或者窗口函数中排序.

distribute by : 分区
sort by : 区内排序
cluster by : 分区排序
partition by : 窗口函数中分区
partitioned by : 建表指定分区字段
clustered by : 建表指定分桶字段
from->where->group by->having->select->order by->limit

1 系统内置函数

1）查看系统自带的函数：show functions;
2）显示自带的函数的用法：show function upper;
3）详细显示自带的函数的用法：show function extended upper;

2 常用内置函数

1 空字段赋值：NAL

1）函数说明
NVL：给值为NULL的数据赋值，它的格式是NVL( value，default_value)。它的功能是如果value为NULL，则NVL函数返回default_value的值，否则返回value的值，如果两个参数都为NULL ，则返回NULL。
2）数据准备：采用员工表
3）查询：如果员工的comm为NULL，则用-1代替
hive (default)> select comm,nvl(comm, -1) from emp;
OK
comm _c1
NULL -1.0
300.0 300.0
500.0 500.0
NULL -1.0
1400.0 1400.0
NULL -1.0
NULL -1.0
NULL -1.0
NULL -1.0
0.0 0.0
NULL -1.0
NULL -1.0
NULL -1.0
NULL -1.0
4）查询：如果员工的comm为NULL，则用领导id代替
hive (default)> select comm, nvl(comm,mgr) from emp;
OK
comm _c1
NULL 7902.0
300.0 300.0
500.0 500.0
NULL 7839.0
1400.0 1400.0
NULL 7839.0
NULL 7839.0
NULL 7566.0
NULL NULL
0.0 0.0
NULL 7788.0
NULL 7698.0
NULL 7566.0
NULL 7782.0
2 CASE WHEN THEN ELSE END

1）数据准备
name
dept_id
sex
悟空
A
男
大海
A
男
宋宋
B
男

凤姐
A
女
婷姐
B
女
婷婷
B
女
2）需求
求出不同部门男女各多少人。结果如下：
dept_Id 男女
A 2 1
B 1 2
3）创建本地emp_sex.txt，导入数据
[atguigu@hadoop102 datas]$ vi emp_sex.txt
悟空 A 男
大海 A 男
宋宋 B 男
凤姐 A 女
婷姐 B 女
婷婷 B 女
4）创建hive表并导入数据
create table emp_sex(
name string,
dept_id string,
sex string)
row format delimited fields terminated by “\t”;
load data local inpath ‘/opt/module/hive/datas/emp_sex.txt’ into table emp_sex;
5）按需求查询数据
select
dept_id,
sum(case sex when ‘男’ then 1 else 0 end) male_count,
sum(case sex when ‘女’ then 1 else 0 end) female_count
from
emp_sex
group by
dept_id;
3 行转列：CONCAT()

1）相关函数说明
CONCAT(string A/col, string B/col…)：返回输入字符串连接后的结果，支持任意个输入字符串;
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;
注意: CONCAT_WS must be “string or array
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。
）按需求查询数据
SELECT t1.c_b , CONCAT_WS(”|",collect_set(t1.name))
FROM (
SELECT NAME ,CONCAT_WS(‘,’,constellation,blood_type) c_b
FROM person_info
)t1
GROUP BY t1.c_b
4 列转行：LATERAL VIEW EXPLODE()

函数说明
EXPLODE(col)：将hive一列中复杂的array或者map结构拆分成多行。
LATERAL VIEW
用法：LATERAL VIEW udtf(expression) tableAlias AS columnAlias
解释：用于和split, explode等UDTF一起使用，它能够将一列数据拆成多行数据，在此基础上可以对拆分后的数据进行聚合。
按需求查询数据
SELECT movie,category_name
FROM movie_info
lateral VIEW
explode(split(category,“,”)) movie_info_tmp AS category_name ;
5 窗口函数（开窗函数）：OVER()

1）相关函数说明
OVER()：指定分析函数工作的数据窗口大小，这个数据窗口大小可能会随着行的改变而变化。
CURRENT ROW：当前行
n PRECEDING：往前n行数据
n FOLLOWING：往后n行数据
UNBOUNDED：起点，
UNBOUNDED PRECEDING 表示从前面的起点，
UNBOUNDED FOLLOWING表示到后面的终点
LAG(col,n,default_val)：往前第n行数据
LEAD(col,n, default_val)：往后第n行数据
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。注意：n必须为int类型。
按需求查询数据
（1）查询在2017年4月份购买过的顾客及总人数
select name,count(*) over ()
from business
where substring(orderdate,1,7) = ‘2017-04’
group by name;
（2）查询顾客的购买明细及月购买总额
select name,orderdate,cost,sum(cost) over(partition by month(orderdate)) from
business;
（3）将每个顾客的cost按照日期进行累加
select name,orderdate,cost,
sum(cost) over() as sample1,–所有行相加
sum(cost) over(partition by name) as sample2,–按name分组，组内数据相加
sum(cost) over(partition by name order by orderdate) as sample3,–按name分组，组内数据累加
sum(cost) over(partition by name order by orderdate rows between UNBOUNDED PRECEDING and current row ) as sample4 ,–和sample3一样,由起点到当前行的聚合
sum(cost) over(partition by name order by orderdate rows between 1 PRECEDING and current row) as sample5, --当前行和前面一行做聚合
sum(cost) over(partition by name order by orderdate rows between 1 PRECEDING AND 1 FOLLOWING ) as sample6,–当前行和前边一行及后面一行
sum(cost) over(partition by name order by orderdate rows between current row and UNBOUNDED FOLLOWING ) as sample7 --当前行及后面所有行
from business;
rows必须跟在Order by 子句之后，对排序的结果进行限制，使用固定的行数来限制分区中的数据行数量
（4）查看顾客上次的购买时间
select name,orderdate,cost,
lag(orderdate,1,‘1900-01-01’) over(partition by name order by orderdate ) as time1, lag(orderdate,2) over (partition by name order by orderdate) as time2
from business;
（5）查询前20%时间的订单信息
select * from (
select name,orderdate,cost, ntile(5) over(order by orderdate) sorted
from business
) t
where sorted = 1;
总结:
over(): 会为每条数据都开启一个窗口. 默认的窗口大小就是当前数据集的大小.
over(partition by …) : 会按照指定的字段进行分区，将分区字段的值相同的数据划分到相同的区。
每个区中的每条数据都会开启一个窗口.每条数据的窗口大小默认为当前分区数据集的大小.
over(order by …) : 会在窗口中按照指定的字段对数据进行排序.
会为每条数据都开启一个窗口,默认的窗口大小为从数据集开始到当前行.

over(partition by … order by …) :会按照指定的字段进行分区，将分区字段的值相同的数据划分到相同的区,
在每个区中会按照指定的字段进行排序.
会为每条数据都开启一个窗口,默认的窗口大小为当前分区中从数据集开始到当前行.
over(partition by … order by … rows between … and …) : 指定每条数据的窗口大小.
6 Rank()排序

1）函数说明
RANK() 排序相同时会重复，总数不会变
DENSE_RANK() 排序相同时会重复，总数会减少
ROW_NUMBER() 会根据顺序计算
按需求查询数据
select name,
subject,
score,
rank() over(partition by subject order by score desc) rp,
dense_rank() over(partition by subject order by score desc) drp,
row_number() over(partition by subject order by score desc) rmp
from score;
7 其他常用函数

一、常用日期函数
1. unix_timestamp:返回当前或指定时间的时间戳
  select unix_timestamp();
  select unix_timestamp(“2020-10-28”,‘yyyy-MM-dd’);
2. from_unixtime：将时间戳转为日期格式
  select from_unixtime(1603843200);
3. current_date：当前日期
  select current_date;
4. current_timestamp：当前的日期加时间
  select current_timestamp;
5. to_date：抽取日期部分
  select to_date(‘2020-10-28 12:12:12’);
6. year：获取年
  select year(‘2020-10-28 12:12:12’);
7. month：获取月
  select month(‘2020-10-28 12:12:12’);
8. day：获取日
  select day(‘2020-10-28 12:12:12’);
9. hour：获取时
  select hour(‘2020-10-28 12:13:14’);
10. minute：获取分
  select minute(‘2020-10-28 12:13:14’);
11. second：获取秒
  select second(‘2020-10-28 12:13:14’);
12. weekofyear：当前时间是一年中的第几周
  select weekofyear(‘2020-10-28 12:12:12’);
13. dayofmonth：当前时间是一个月中的第几天
  select dayofmonth(‘2020-10-28 12:12:12’);
14. months_between：两个日期间的月份
  select months_between(‘2020-04-01’,‘2020-10-28’);
15. add_months：日期加减月
  select add_months(‘2020-10-28’,-3);
16. datediff：两个日期相差的天数
  select datediff(‘2020-11-04’,‘2020-10-28’);
17. date_add：日期加天数
  select date_add(‘2020-10-28’,4);
18. date_sub：日期减天数
  select date_sub(‘2020-10-28’,-4);
19. last_day：日期的当月的最后一天
  select last_day(‘2020-02-30’);
20. date_format(): 格式化日期
  select date_format(‘2020-10-28 12:12:12’,‘yyyy/MM/dd HH:mm:ss’);
二、常用取整函数
21. round：四舍五入
select round(3.14);
select round(3.54);
1. ceil：向上取整
  select ceil(3.14);
  select ceil(3.54);
floor：向下取整
23. select floor(3.14);
select floor(3.54);

三、常用字符串操作函数
24. upper：转大写
select upper(‘low’);
1. lower：转小写
  select lower(‘low’);
2. length：长度
  select length(“atguigu”);
3. trim：前后去空格
  select trim(" atguigu ");
4. lpad：向左补齐，到指定长度
  select lpad(‘atguigu’,9,‘g’);
5. rpad：向右补齐，到指定长度
  select rpad(‘atguigu’,9,‘g’);
6. regexp_replace：使用正则表达式匹配目标字符串，匹配成功后替换！
  SELECT regexp_replace(‘2020/10/25’, ‘/’, ‘-’);
四、集合操作
31. size：集合中元素的个数
select size(friends) from test3;
1. map_keys：返回map中的key
  select map_keys(children) from test3;
2. map_values: 返回map中的value
  select map_values(children) from test3;
3. array_contains: 判断array中是否包含某个元素
  select array_contains(friends,‘bingbing’) from test3;
4. sort_array：将array中的元素排序
  select sort_array(friends) from test3;
五、多维分析
36. grouping sets:多维分析

3 自定义函数

1.需求内置南墅无法满足你的业务需求时，自带的函数有限
2.自定义函数类别三种
- （1）UDF（User-Defined-Function）一进一出
- （2）UDAF（User-Defined Aggregation Function）聚集函数，多进一出。类似于：count/max/min
- （3）UDTF（User-Defined Table-Generating Functions）一进多出。如lateral view explode()
3.编程步骤：
- （1）继承Hive提供的类
  - org.apache.hadoop.hive.ql.udf.generic.GenericUDF
  - org.apache.hadoop.hive.ql.udf.generic.GenericUDTF;
- （2）实现类中的抽象方法
- （3）在hive的命令行窗口创建函数
  - 添加jar：add jar linux_jar_path
  - create [temporary] function [dbname.]function_name AS class_name;
- （4）在hive的命令行窗口删除函数
  - drop [temporary] function [if exists] [dbname.]function_name;

4 自定义UDF函数

0）需求:
- 自定义一个UDF实现计算给定字符串的长度，例如：
- hive(default)> select my_len(“abcd”);
- 4
1）创建一个Maven工程Hive
2）导入依赖
org.apache.hive hive-exec 3.1.2
3）创建一个类

package com.atguigu.hive;

import org.apache.hadoop.hive.ql.exec.UDFArgumentException;
import org.apache.hadoop.hive.ql.exec.UDFArgumentLengthException;
import org.apache.hadoop.hive.ql.exec.UDFArgumentTypeException;
import org.apache.hadoop.hive.ql.metadata.HiveException;
import org.apache.hadoop.hive.ql.udf.generic.GenericUDF;
import org.apache.hadoop.hive.serde2.objectinspector.ObjectInspector;
import org.apache.hadoop.hive.serde2.objectinspector.primitive.PrimitiveObjectInspectorFactory;

/**
- 自定义UDF函数，需要继承GenericUDF类
- 需求: 计算指定字符串的长度
  /
  public class MyStringLength extends GenericUDF {
  /*
  *
  - @param arguments 输入参数类型的鉴别器对象
  - @return 返回值类型的鉴别器对象
  - @throws UDFArgumentException
    */
    @Override
    public ObjectInspector initialize(ObjectInspector[] arguments) throws UDFArgumentException {
    // 判断输入参数的个数
    if(arguments.length !=1){
    throw new UDFArgumentLengthException(“Input Args Length Error!!!”);
    }
    // 判断输入参数的类型
    if(!arguments[0].getCategory().equals(ObjectInspector.Category.PRIMITIVE)){
    throw new UDFArgumentTypeException(0,“Input Args Type Error!!!”);
    }
    //函数本身返回值为int，需要返回int类型的鉴别器对象
    return PrimitiveObjectInspectorFactory.javaIntObjectInspector;
    }
  /**
  - 函数的逻辑处理
  - @param arguments 输入的参数
  - @return 返回值
  - @throws HiveException
    */
    @Override
    public Object evaluate(DeferredObject[] arguments) throws HiveException {
    if(arguments[0].get() == null){
    return 0 ;
    }
    return arguments[0].get().toString().length();
    }
  @Override
  public String getDisplayString(String[] children) {
  return “”;
  }
  }
4）打成jar包上传到服务器/opt/module/hive/datas/myudf.jar
5）将jar包添加到hive的classpath：add jar /opt/module/hive/datas/myudf.jar;
6）创建临时函数与开发好的java class关联：create temporary function my_len as “com.atguigu.hive. MyStringLength”;
7）即可在hql中使用自定义的函数：select ename,my_len(ename) ename_len from emp;

5 自定义UDTF函数

0）需求
- 自定义一个UDTF实现将一个任意分割符的字符串切割成独立的单词，例如：
- hive(default)> select myudtf(“hello,world,hadoop,hive”, “,”);

1）代码实现

package com.atguigu.udtf;

import org.apache.hadoop.hive.ql.exec.UDFArgumentException;
import org.apache.hadoop.hive.ql.metadata.HiveException;
import org.apache.hadoop.hive.ql.udf.generic.GenericUDTF;
import org.apache.hadoop.hive.serde2.objectinspector.ObjectInspector;
import org.apache.hadoop.hive.serde2.objectinspector.ObjectInspectorFactory;
import org.apache.hadoop.hive.serde2.objectinspector.StructObjectInspector;
import org.apache.hadoop.hive.serde2.objectinspector.primitive.PrimitiveObjectInspectorFactory;

import java.util.ArrayList;
import java.util.List;

public class MyUDTF extends GenericUDTF {

private ArrayList<String> outList = new ArrayList<>();

@Override
public StructObjectInspector initialize(StructObjectInspector argOIs) throws UDFArgumentException {


    //1.定义输出数据的列名和类型
    List<String> fieldNames = new ArrayList<>();
    List<ObjectInspector> fieldOIs = new ArrayList<>();

    //2.添加输出数据的列名和类型
    fieldNames.add("lineToWord");
    fieldOIs.add(PrimitiveObjectInspectorFactory.javaStringObjectInspector);

    return ObjectInspectorFactory.getStandardStructObjectInspector(fieldNames, fieldOIs);
}

@Override
public void process(Object[] args) throws HiveException {
    
    //1.获取原始数据
    String arg = args[0].toString();

    //2.获取数据传入的第二个参数，此处为分隔符
    String splitKey = args[1].toString();

    //3.将原始数据按照传入的分隔符进行切分
    String[] fields = arg.split(splitKey);

    //4.遍历切分后的结果，并写出
    for (String field : fields) {

        //集合为复用的，首先清空集合
        outList.clear();

        //将每一个单词添加至集合
        outList.add(field);

        //将集合内容写出
        forward(outList);
    }
}

@Override
public void close() throws HiveException {

}
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47

}

2）打成jar包上传到服务器/opt/module/hive/data/myudtf.jar
3）将jar包添加到hive的classpath下
4）创建临时函数与开发好的java class关联
5）使用自定义的函数

9.压缩和存储

1 Hadoop压缩配置

1 MR支持的压缩编码
2 压缩参数配置

2 开启Map输出阶段压缩：可以减少job中map和Reduce task间数据传输量。

（1）开启hive中间传输数据压缩功能：set hive.exec.compress.intermediate=true;
（2）开启mapreduce中map输出压缩功能：set mapreduce.map.output.compress=true;
（3）设置mapreduce中map输出数据的压缩方式：set mapreduce.map.output.compress.codec=org.apache.hadoop.io.compress.SnappyCodec;
（4）执行查询语句：select count(ename) name from emp;

3 开启Reduce输出阶段压缩

当Hive将输出写入到表中时，输出内容同样可以进行压缩。属性hive.exec.compress.output控制着这个功能。用户可能需要保持默认设置文件中的默认值false，

（1）开启hive最终输出数据压缩功能
hive (default)>set hive.exec.compress.output=true;
（2）开启mapreduce最终输出数据压缩
hive (default)>set mapreduce.output.fileoutputformat.compress=true;
（3）设置mapreduce最终数据输出压缩方式
hive (default)> set mapreduce.output.fileoutputformat.compress.codec = org.apache.hadoop.io.compress.SnappyCodec;
（4）设置mapreduce最终数据输出压缩为块压缩
hive (default)> set mapreduce.output.fileoutputformat.compress.type=BLOCK;
（5）测试一下输出结果是否是压缩文件
hive (default)> insert overwrite local directory ‘/opt/module/hive/datas/distribute-result’ select * from emp distribute by deptno sort by empno desc;

4 文件存储格式

1 列式存储和行式存储
- 如图所示：左边为逻辑表，右边第一个为行式存储，第二个为列式存储。
- 1）行存储的特点
  - 查询满足条件的一整行数据的时候，列存储则需要去每个聚集的字段找到对应的每个列的值，行存储只需要找到其中一个值，其余的值都在相邻地方，所以此时行存储查询的速度更快。
- 2）列存储的特点
  - 因为每个字段的数据聚集存储，在查询只需要少数几个字段的时候，能大大减少读取的数据量；每个字段的数据类型一定是相同的，列式存储可以针对性的设计更好的设计压缩算法。
- TEXTFILE和SEQUENCEFILE的存储格式都是基于行存储的；
  ORC和PARQUET是基于列式存储的
2 TextFile格式
- 默认格式，数据不做压缩，磁盘开销大，数据解析开销大。可结合Gzip、Bzip2使用，但使用Gzip这种方式，hive不会对数据进行切分，从而无法对数据进行并行操作。
3 Orc格式

Orc (Optimized Row Columnar)是Hive 0.11版里引入的新的存储格式。
如下图所示可以看到每个Orc文件由1个或多个stripe组成，每个stripe一般为HDFS的块大小，每一个stripe包含多条记录，这些记录按照列进行独立存储，对应到Parquet中的row group的概念。每个Stripe里有三部分组成，分别是Index Data，Row Data，Stripe Footer：
- 1）Index Data：一个轻量级的index，默认是每隔1W行做一个索引。这里做的索引应该只是记录某行的各字段在Row Data中的offset。
- 2）Row Data：存的是具体的数据，先取部分行，然后对这些行按列进行存储。对每个列进行了编码，分成多个Stream来存储。
- 3）Stripe Footer：存的是各个Stream的类型，长度等信息。
- 每个文件有一个File Footer，这里面存的是每个Stripe的行数，每个Column的数据类型信息等；
- 每个文件的尾部是一个PostScript，这里面记录了整个文件的压缩类型以及FileFooter的长度信息等。在读取文件时，会seek到文件尾部读PostScript，从里面解析到File Footer长度，再读FileFooter，从里面解析到各个Stripe信息，再读各个Stripe，即从后往前读。
4 Parquet格式
- Parquet文件是以二进制方式存储的，所以是不可以直接读取的，文件中包括该文件的数据和元数据，因此Parquet格式文件是自解析的。
- （1）行组(Row Group)：每一个行组包含一定的行数，在一个HDFS文件中至少存储一个行组，类似于orc的stripe的概念。
- （2）列块(Column Chunk)：在一个行组中每一列保存在一个列块中，行组中的所有列连续的存储在这个行组文件中。一个列块中的值都是相同类型的，不同的列块可能使用不同的算法进行压缩。
- （3）页(Page)：每一个列块划分为多个页，一个页是最小的编码的单位，在同一个列块的不同页可能使用不同的编码方式。
- 通常情况下，在存储Parquet数据的时候会按照Block大小设置行组的大小，由于一般情况下每一个Mapper任务处理数据的最小单位是一个Block，这样可以把每一个行组由一个Mapper任务处理，增大任务执行并行度。
- 上图展示了一个Parquet文件的内容，一个文件中可以存储多个行组，文件的首位都是该文件的Magic Code，用于校验它是否是一个Parquet文件，Footer length记录了文件元数据的大小，通过该值和文件长度可以计算出元数据的偏移量，文件的元数据中包括每一个行组的元数据信息和该文件存储数据的Schema信息。除了文件中每一个行组的元数据，每一页的开始都会存储该页的元数据，在Parquet中，有三种类型的页：数据页、字典页和索引页。数据页用于存储当前行组中该列的值，字典页存储该列值的编码字典，每一个列块中最多包含一个字典页，索引页用来存储当前行组下该列的索引，目前Parquet中还不支持索引页。
5 主流文件存储格式对比实验
- 1）TextFile
  
  （1）创建表，存储数据格式为TEXTFILE
  create table log_text (
  track_time string,
  url string,
  session_id string,
  referer string,
  ip string,
  end_user_id string,
  city_id string
  )
  row format delimited fields terminated by ‘\t’
  stored as textfile;
  （2）向表中加载数据
  hive (default)> load data local inpath ‘/opt/module/hive/datas/log.data’ into table log_text ;
  
  （3）查看表中数据大小
  hive (default)> dfs -du -h /user/hive/warehouse/log_text;
  
  18.13 M /user/hive/warehouse/log_text/log.data
  
  （1）TextFile
  hive (default)> insert overwrite local directory ‘/opt/module/hive/datas/log_text’ select substring(url,1,4) from log_text ;
  No rows affected (10.522 seconds)
- 2）ORC
  
  （1）创建表，存储数据格式为ORC
  create table log_orc(
  track_time string,
  url string,
  session_id string,
  referer string,
  ip string,
  end_user_id string,
  city_id string
  )
  row format delimited fields terminated by ‘\t’
  stored as orc
  tblproperties(“orc.compress”=“NONE”); – 设置orc存储不使用压缩
  （2）向表中加载数据
  hive (default)> insert into table log_orc select * from log_text ;
  
  （3）查看表中数据大小
  hive (default)> dfs -du -h /user/hive/warehouse/log_orc/ ;
  
  7.7 M /user/hive/warehouse/log_orc/000000_0
  
  （2）ORC
  hive (default)> insert overwrite local directory ‘/opt/module/hive/datas/log_orc’ select substring(url,1,4) from log_orc ;
  No rows affected (11.495 seconds)
- 3）Parquet
  
  （1）创建表，存储数据格式为parquet
  create table log_parquet(
  track_time string,
  url string,
  session_id string,
  referer string,
  ip string,
  end_user_id string,
  city_id string
  )
  row format delimited fields terminated by ‘\t’
  stored as parquet ;
  
  （2）向表中加载数据
  hive (default)> insert into table log_parquet select * from log_text ;
  
  （3）查看表中数据大小
  hive (default)> dfs -du -h /user/hive/warehouse/log_parquet/ ;
  
  13.1 M /user/hive/warehouse/log_parquet/000000_0
  
  （3）Parquet
  hive (default)> insert overwrite local directory ‘/opt/module/hive/datas/log_parquet’ select substring(url,1,4) from log_parquet ;
  
  No rows affected (11.445 seconds)
- 存储文件的对比总结：
  ORC > Parquet > textFile
  存储文件的查询速度总结：
  查询速度相近。

5 存储和压缩结合

ORC存储方式的压缩：
1）创建一个ZLIB压缩的ORC存储方式

（1）建表语句
create table log_orc_zlib(
track_time string,
url string,
session_id string,
referer string,
ip string,
end_user_id string,
city_id string
)
row format delimited fields terminated by ‘\t’
stored as orc
tblproperties(“orc.compress”=“ZLIB”);
（2）插入数据
insert into log_orc_zlib select * from log_text;

（3）查看插入后数据
hive (default)> dfs -du -h /user/hive/warehouse/log_orc_zlib/ ;

2.78 M /user/hive/warehouse/log_orc_none/000000_0
2）创建一个SNAPPY压缩的ORC存储方式

（1）建表语句
create table log_orc_snappy(
track_time string,
url string,
session_id string,
referer string,
ip string,
end_user_id string,
city_id string
)
row format delimited fields terminated by ‘\t’
stored as orc
tblproperties(“orc.compress”=“SNAPPY”);

（2）插入数据
insert into log_orc_snappy select * from log_text;

（3）查看插入后数据
hive (default)> dfs -du -h /user/hive/warehouse/log_orc_snappy/ ;
3.75 M /user/hive/warehouse/log_orc_snappy/000000_0
ZLIB比Snappy压缩的还小。原因是ZLIB采用的是deflate压缩算法。比snappy压缩的压缩率高。
3）创建一个SNAPPY压缩的parquet存储方式

（1）建表语句
create table log_parquet_snappy(
track_time string,
url string,
session_id string,
referer string,
ip string,
end_user_id string,
city_id string
)
row format delimited fields terminated by ‘\t’
stored as parquet
tblproperties(“parquet.compression”=“SNAPPY”);

（2）插入数据
insert into log_parquet_snappy select * from log_text;

（3）查看插入后数据
hive (default)> dfs -du -h /user/hive/warehouse/log_parquet_snappy / ;
6.39 MB /user/hive/warehouse/ log_parquet_snappy /000000_0
4）存储方式和压缩总结：在实际的项目开发当中，hive表的数据存储格式一般选择：orc或parquet。压缩方式一般选择snappy，lzo。

10.企业级调优

1 执行计划（Explain）

1）基本语法
- EXPLAIN [EXTENDED | DEPENDENCY | AUTHORIZATION] query
2）案例实操
- （1）查看下面这条语句的执行计划：
  内容中有map operator tree reduce operator。。。说明有MR任务生成
  - explain select * from emp;
- （2）查看详细执行计划
  - explain extended select * from emp;

2 Fetch抓取

1）什么是Fetch抓取
- Hive中对某些情况的查询可以不必使用MapReduce计算。例如：SELECT * FROM employees;在这种情况下，Hive可以简单地读取employee对应的存储目录下的文件，然后输出查询结果到控制台。
2）案例实操
- （0）在hive-default.xml.template文件中hive.fetch.task.conversion默认是more，老版本hive默认是minimal，该属性修改为more以后，在全局查找、字段查找、limit查找等都不走mapreduce。
  hive.fetch.task.conversion more Expects one of [none, minimal, more]. Some select queries can be converted to single FETCH task minimizing latency. Currently the query should be single sourced not having any subquery and should not have any aggregations or distincts (which incurs RS), lateral views and joins. 0. none : disable hive.fetch.task.conversion 1. minimal : SELECT STAR, FILTER on partition columns, LIMIT only 2. more : SELECT, FILTER, LIMIT only (support TABLESAMPLE and virtual columns)
- （1）把hive.fetch.task.conversion设置成none，然后执行查询语句，都会执行mapreduce程序。
- （2）把hive.fetch.task.conversion设置成more，然后执行查询语句，如下查询方式都不会执行mapreduce程序。
  
  hive (default)> set hive.fetch.task.conversion=more;
  hive (default)> select * from emp;
  hive (default)> select ename from emp;
  hive (default)> select ename from emp limit 3;

3 本地模式

1）本地模式介绍

大多数的Hadoop Job是需要Hadoop提供的完整的可扩展性来处理大数据集的。不过，有时Hive的输入数据量是非常小的。在这种情况下，为查询触发执行任务消耗的时间可能会比实际job的执行时间要多的多。对于大多数这种情况，Hive可以通过本地模式在单台机器上处理所有的任务。对于小数据集，执行时间可以明显被缩短。
2）案例实操
- （0）用户可以通过设置hive.exec.mode.local.auto的值为true，来让Hive在适当的时候自动启动这个优化。
  
  set hive.exec.mode.local.auto=true; //开启本地mr
  //设置local mr的最大输入数据量，当输入数据量小于这个值时采用local mr的方式，默认为134217728，即128M
  set hive.exec.mode.local.auto.inputbytes.max=50000000;
  //设置local mr的最大输入文件个数，当输入文件个数小于这个值时采用local mr的方式，默认为4
  set hive.exec.mode.local.auto.input.files.max=10;
- （1）开启本地模式，并执行查询语句
  
  hive (default)> set hive.exec.mode.local.auto=true;
  hive (default)> select * from emp cluster by deptno;
  Time taken: 1.328 seconds, Fetched: 14 row(s)
- （2）关闭本地模式，并执行查询语句
  
  hive (default)> set hive.exec.mode.local.auto=false;
  hive (default)> select * from emp cluster by deptno;
  Time taken: 20.09 seconds, Fetched: 14 row(s)

4 表的优化

1 小表大表Join(MapJoin)
- 0）大小表join
  
  将key相对分散，并且数据量小的表放在join的左边，这样可以有效减少内存溢出错误发生的几率；再进一步，可以使用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join。
  实际测试发现：新版的hive已经对小表JOIN大表和大表JOIN小表进行了优化。小表放在左边和右边已经没有明显区别。
- 1）需求
  - 测试大表JOIN小表和小表JOIN大表的效率
- 2）开启MapJoin参数设置
  - （1）设置自动选择Mapjoin：set hive.auto.convert.join = true; 默认为true
  - （2）大表小表的阈值设置（默认25M以下认为是小表）：set hive.mapjoin.smalltable.filesize = 25000000;
- 3）MapJoin工作机制
  - 如图：
- 4）建大表、小表和JOIN后表的语句
  
  // 创建大表
  create table bigtable(id bigint, t bigint, uid string, keyword string, url_rank int, click_num int, click_url string) row format delimited fields terminated by ‘\t’;
  
  // 创建小表
  create table smalltable(id bigint, t bigint, uid string, keyword string, url_rank int, click_num int, click_url string) row format delimited fields terminated by ‘\t’;
  
  // 创建join后表的语句
  create table jointable(id bigint, t bigint, uid string, keyword string, url_rank int, click_num int, click_url string) row format delimited fields terminated by ‘\t’;
- 5）分别向大表和小表中导入数据
  
  分别向大表和小表中导入数据
  hive (default)> load data local inpath ‘/opt/module/hive/datas/bigtable’ into table bigtable;
  hive (default)>load data local inpath ‘/opt/module/hive/datas/smalltable’ into table smalltable;
- 6）小表JOIN大表语句
  
  insert overwrite table jointable
  select b.id, b.t, b.uid, b.keyword, b.url_rank, b.click_num, b.click_url
  from smalltable s
  join bigtable b
  on b.id = s.id;
  
  Time taken: 35.921 seconds
  No rows affected (44.456 seconds)
- 7）执行大表JOIN小表语句
  
  insert overwrite table jointable
  select b.id, b.t, b.uid, b.keyword, b.url_rank, b.click_num, b.click_url
  from bigtable b
  join smalltable s
  on s.id = b.id;
  
  Time taken: 34.196 seconds
  No rows affected (26.287 seconds)
2 大表Join大表
- 1）空KEY过滤
  
  有时join超时是因为某些key对应的数据太多，而相同key对应的数据都会发送到相同的reducer上，从而导致内存不够。此时我们应该仔细分析这些异常的key，很多情况下，这些key对应的数据是异常数据，我们需要在SQL语句中进行过滤。
  - （1）配置历史服务器
    mapreduce.jobhistory.address hadoop102:10020 mapreduce.jobhistory.webapp.address hadoop102:19888 启动历史服务器 sbin/mr-jobhistory-daemon.sh start historyserver 查看jobhistory http://hadoop102:19888/jobhistory
  - （2）创建原始数据表、空id表、合并后数据表
    
    // 创建空id表
    create table nullidtable(id bigint, t bigint, uid string, keyword string, url_rank int, click_num int, click_url string) row format delimited fields terminated by ‘\t’;
  - （3）分别加载原始数据和空id数据到对应表中
    
    hive (default)> load data local inpath ‘/opt/module/hive/datas/nullid’ into table nullidtable;
  - （4）测试不过滤空id
    
    hive (default)> insert overwrite table jointable select n.* from nullidtable n
    left join bigtable o on n.id = o.id;
  - （5）测试过滤空id
    
    hive (default)> insert overwrite table jointable select n.* from (select * from nullidtable where id is not null ) n left join bigtable o on n.id = o.id;
- 2）空key转换
  
  有时虽然某个key为空对应的数据很多，但是相应的数据不是异常数据，必须要包含在join的结果中，此时我们可以表a中key为空的字段赋一个随机的值，使得数据随机均匀地分不到不同的reducer上
  - 不随机分布空null值：
    - （1）设置5个reduce个数：set mapreduce.job.reduces = 5;
    - （2）JOIN两张表：insert overwrite table jointable
      select n.* from nullidtable n left join bigtable b on n.id = b.id;
    - 结果：可以看出来，出现了数据倾斜，某些reducer的资源消耗远大于其他reducer。
  - 随机分布空null值
    - （1）设置5个reduce个数：set mapreduce.job.reduces = 5;
    - （2）JOIN两张表：insert overwrite table jointable
      select n.* from nullidtable n full join bigtable o on
      nvl(n.id,rand()) = o.id;
    - 结果：可以看出来，消除了数据倾斜，负载均衡reducer的资源消耗
- 3）SMB(Sort Merge Bucket join)
  - （1）创建第二张大表
    
    create table bigtable2(
    id bigint,
    t bigint,
    uid string,
    keyword string,
    url_rank int,
    click_num int,
    click_url string)
    row format delimited fields terminated by ‘\t’;
    load data local inpath ‘/opt/module/data/bigtable’ into table bigtable2;
    测试大表直接JOIN
    insert overwrite table jointable
    select b.id, b.t, b.uid, b.keyword, b.url_rank, b.click_num, b.click_url
    from bigtable s
    join bigtable2 b
    on b.id = s.id;
  - （2）创建分桶表1,桶的个数不要超过可用CPU的核数
    
    create table bigtable_buck1(
    id bigint,
    t bigint,
    uid string,
    keyword string,
    url_rank int,
    click_num int,
    click_url string)
    clustered by(id)
    sorted by(id)
    into 6 buckets
    row format delimited fields terminated by ‘\t’;
    
    insert into bigtable_buck1 select * from bigtable;
  - （3）创建分通表2,桶的个数不要超过可用CPU的核数
    
    create table bigtable_buck2(
    id bigint,
    t bigint,
    uid string,
    keyword string,
    url_rank int,
    click_num int,
    click_url string)
    clustered by(id)
    sorted by(id)
    into 6 buckets
    row format delimited fields terminated by ‘\t’;
    
    insert into bigtable_buck2 select * from bigtable;
  - （4）设置参数
    
    set hive.optimize.bucketmapjoin = true;
    set hive.optimize.bucketmapjoin.sortedmerge = true;
    set hive.input.format=org.apache.hadoop.hive.ql.io.BucketizedHiveInputFormat;
  - （5）测试
    
    insert overwrite table jointable
    select b.id, b.t, b.uid, b.keyword, b.url_rank, b.click_num, b.click_url
    from bigtable_buck1 s
    join bigtable_buck2 b
    on b.id = s.id;
3 Group By
- 问题描述：默认情况下，Map阶段同一Key数据分发给一个reduce，当一个key数据过大时就倾斜了。
- 解决方案：并不是所有的聚合操作都需要在Reduce端完成，很多聚合操作都可以先在Map端进行部分聚合，最后在Reduce端得出最终结果。
  - 1）开启Map端聚合参数设置
    
    当选项设定为 true，生成的查询计划会有两个MR Job。第一个MR Job中，Map的输出结果会随机分布到Reduce中，每个Reduce做部分聚合操作，并输出结果，这样处理的结果是相同的Group By Key有可能被分发到不同的Reduce中，从而达到负载均衡的目的；第二个MR Job再根据预处理的数据结果按照Group By Key分布到Reduce中（这个过程可以保证相同的Group By Key被分布到同一个Reduce中），最后完成最终的聚合操作。
    hive (default)> select deptno from emp group by deptno;
    Stage-Stage-1: Map: 1 Reduce: 5 Cumulative CPU: 23.68 sec HDFS Read: 19987 HDFS Write: 9 SUCCESS
    Total MapReduce CPU Time Spent: 23 seconds 680 msec
    OK
    deptno
    10
    20
    30
    优化以后
    hive (default)> set hive.groupby.skewindata = true;
    hive (default)> select deptno from emp group by deptno;
    Stage-Stage-1: Map: 1 Reduce: 5 Cumulative CPU: 28.53 sec HDFS Read: 18209 HDFS Write: 534 SUCCESS
    Stage-Stage-2: Map: 1 Reduce: 5 Cumulative CPU: 38.32 sec HDFS Read: 15014 HDFS Write: 9 SUCCESS
    Total MapReduce CPU Time Spent: 1 minutes 6 seconds 850 msec
    OK
    deptno
    10
    20
    30
    - （1）是否在Map端进行聚合，默认为True：set hive.map.aggr = true
    - （2）在Map端进行聚合操作的条目数目：set hive.groupby.mapaggr.checkinterval = 100000
    - （3）有数据倾斜的时候进行负载均衡（默认是false）：set hive.groupby.skewindata = true
4 Count(Distinct) 去重统计
- 问题描述：数据量大的情况下，由于COUNT DISTINCT操作需要用一个Reduce Task来完成，这一个Reduce需要处理的数据量太大，就会导致整个Job很难完成，一般COUNT DISTINCT使用先GROUP BY再COUNT的方式替换,但是需要注意group by造成的数据倾斜问题.
- 解决方案：
  - （1）创建一张大表
    
    hive (default)> create table bigtable(id bigint, time bigint, uid string, keyword
    string, url_rank int, click_num int, click_url string) row format delimited
    fields terminated by ‘\t’;
  - （2）加载数据
    
    load data local inpath ‘/opt/module/datas/bigtable’ into table bigtable;
  - （3）设置5个reduce个数：set mapreduce.job.reduces = 5;
  - （4）执行去重id查询
    
    hive (default)> select count(distinct id) from bigtable;
    Stage-Stage-1: Map: 1 Reduce: 1 Cumulative CPU: 7.12 sec HDFS Read: 120741990 HDFS Write: 7 SUCCESS
    Total MapReduce CPU Time Spent: 7 seconds 120 msec
    OK
    c0
    100001
    Time taken: 23.607 seconds, Fetched: 1 row(s)
  - （5）采用GROUP by去重id
    
    hive (default)> select count(id) from (select id from bigtable group by id) a;
    Stage-Stage-1: Map: 1 Reduce: 5 Cumulative CPU: 17.53 sec HDFS Read: 120752703 HDFS Write: 580 SUCCESS
    Stage-Stage-2: Map: 1 Reduce: 1 Cumulative CPU: 4.29 sec2 HDFS Read: 9409 HDFS Write: 7 SUCCESS
    Total MapReduce CPU Time Spent: 21 seconds 820 msec
    OK
    _c0
    100001
    Time taken: 50.795 seconds, Fetched: 1 row(s)
  - 虽然会多用一个Job来完成，但在数据量大的情况下，这个绝对是值得的。
5 笛卡尔积
- 尽量避免笛卡尔积，join的时候不加on条件，或者无效的on条件，Hive只能使用1个reducer来完成笛卡尔积。
6 行列过滤
- 优化方案：
  - 列处理
    - 列处理：在SELECT中，只拿需要的列，如果有分区，尽量使用分区过滤，少用SELECT *。
  - 行处理
    - 行处理：在分区剪裁中，当使用外关联时，如果将副表的过滤条件写在Where后面，那么就会先全表关联，之后再过滤，比如：
- 测试：
  - 1）测试先关联两张表，再用where条件过滤：select o.id from bigtable b
    join bigtable o.id = b.id
    where o.id <= 10;
    Time taken: 34.406 seconds, Fetched: 100 row(s)
  - 2）通过子查询后，再关联表：select b.id from bigtable b
    join (select id from bigtable where id <= 10 ) o on b.id = o.id;
    Time taken: 30.058 seconds, Fetched: 100 row(s)
7 分区
8 分桶

5 合理设置Map及Reduce数

1）通常情况下，作业会通过input的目录产生一个或者多个map任务。
- 主要的决定因素有：input的文件总个数，input的文件大小，集群设置的文件块大小。
2）是不是map数越多越好？
- 答案是否定的。如果一个任务有很多小文件（远远小于块大小128m），则每个小文件也会被当做一个块，用一个map任务来完成，而一个map任务启动和初始化的时间远远大于逻辑处理的时间，就会造成很大的资源浪费。而且，同时可执行的map数是受限的。
3）是不是保证每个map处理接近128m的文件块，就高枕无忧了？
- 答案也是不一定。比如有一个127m的文件，正常会用一个map去完成，但这个文件只有一个或者两个小字段，却有几千万的记录，如果map处理的逻辑比较复杂，用一个map任务去做，肯定也比较耗时。
1 复杂文件增加Map数
- 当input的文件都很大，任务逻辑复杂，map执行非常慢的时候，可以考虑增加Map数，来使得每个map处理的数据量减少，从而提高任务的执行效率。
  
  增加map的方法为：根据
  computeSliteSize(Math.max(minSize,Math.min(maxSize,blocksize)))=blocksize=128M公式，调整maxSize最大值。让maxSize最大值低于blocksize就可以增加map的个数。
  案例实操：
  1）执行查询
  hive (default)> select count() from emp;
  Hadoop job information for Stage-1: number of mappers: 1; number of reducers: 1
  2）设置最大切片值为100个字节
  hive (default)> set mapreduce.input.fileinputformat.split.maxsize=100;
  hive (default)> select count() from emp;
2 小文件进行合并
- 1）在map执行前合并小文件，减少map数
  
  CombineHiveInputFormat具有对小文件进行合并的功能（系统默认的格式）。HiveInputFormat没有对小文件合并功能。
  set hive.input.format= org.apache.hadoop.hive.ql.io.CombineHiveInputFormat;
- 2）在Map-Reduce的任务结束时合并小文件
  
  在map-only任务结束时合并小文件，默认true
  SET hive.merge.mapfiles = true;
  在map-reduce任务结束时合并小文件，默认false
  SET hive.merge.mapredfiles = true;
  合并文件的大小，默认256M
  SET hive.merge.size.per.task = 268435456;
  当输出文件的平均大小小于该值时，启动一个独立的map-reduce任务进行文件merge
  SET hive.merge.smallfiles.avgsize = 16777216;
3 合理设置Reduce数
- 1）调整reduce个数方法一
  
  （1）每个Reduce处理的数据量默认是256MB
  hive.exec.reducers.bytes.per.reducer=256000000
  （2）每个任务最大的reduce数，默认为1009
  hive.exec.reducers.max=1009
  （3）计算reducer数的公式
  N=min(参数2，总输入数据量/参数1)
- 2）调整reduce个数方法二
  
  在hadoop的mapred-default.xml文件中修改
  设置每个job的Reduce个数
  set mapreduce.job.reduces = 15;
- 3）reduce个数并不是越多越好
  - （1）过多的启动和初始化reduce也会消耗时间和资源；
  - （2）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；
  - 在设置reduce个数的时候也需要考虑这两个原则：处理大数据量利用合适的reduce数；使单个reduce任务处理数据量大小要合适；

6 并行执行

Hive会将一个查询转化成一个或者多个阶段。这样的阶段可以是MapReduce阶段、抽样阶段、合并阶段、limit阶段。或者Hive执行过程中可能需要的其他阶段。默认情况下，Hive一次只会执行一个阶段。不过，某个特定的job可能包含众多的阶段，而这些阶段可能并非完全互相依赖的，也就是说有些阶段是可以并行执行的，这样可能使得整个job的执行时间缩短。不过，如果有更多的阶段可以并行执行，那么job可能就越快完成。
通过设置参数hive.exec.parallel值为true，就可以开启并发执行。不过，在共享集群中，需要注意下，如果job中并行阶段增多，那么集群利用率就会增加。
set hive.exec.parallel=true; //打开任务并行执行
set hive.exec.parallel.thread.number=16; //同一个sql允许最大并行度，默认为8。
当然，得是在系统资源比较空闲的时候才有优势，否则，没资源，并行也起不来。

7 严格模式

1）分区表不使用分区过滤

将hive.strict.checks.no.partition.filter设置为true时，对于分区表，除非where语句中含有分区字段过滤条件来限制范围，否则不允许执行。换句话说，就是用户不允许扫描所有分区。进行这个限制的原因是，通常分区表都拥有非常大的数据集，而且数据增加迅速。没有进行分区限制的查询可能会消耗令人不可接受的巨大资源来处理这个表。
2）使用order by没有limit过滤

将hive.strict.checks.orderby.no.limit设置为true时，对于使用了order by语句的查询，要求必须使用limit语句。因为order by为了执行排序过程会将所有的结果数据分发到同一个Reducer中进行处理，强制要求用户增加这个LIMIT语句可以防止Reducer额外执行很长一段时间。
3）笛卡尔积

将hive.strict.checks.cartesian.product设置为true时，会限制笛卡尔积的查询。对关系型数据库非常了解的用户可能期望在执行JOIN查询的时候不使用ON语句而是使用where语句，这样关系数据库的执行优化器就可以高效地将WHERE语句转化成那个ON语句。不幸的是，Hive并不会执行这种优化，因此，如果表足够大，那么这个查询就会出现不可控的情况。

8 JVM重用

9 压缩

11.hive实战

1 需求描述

统计硅谷影音视频网站的常规指标，各种TopN指标：
– 统计视频观看数Top10
– 统计视频类别热度Top10
– 统计出视频观看数最高的20个视频的所属类别以及类别包含Top20视频的个数
– 统计视频观看数Top50所关联视频的所属类别Rank
– 统计每个类别中的视频热度Top10,以Music为例
– 统计每个类别视频观看数Top10
– 统计上传视频最多的用户Top10以及他们上传的视频观看次数在前20的视频

2 数据结构

1）视频表
2）用户表

3 准备工作

1 ETL
- 通过观察原始数据形式，可以发现，视频可以有多个所属分类，每个所属分类用&符号分割，且分割的两边有空格字符，同时相关视频也是可以有多个元素，多个相关视频又用“\t”进行分割。为了分析数据时方便对存在多个子元素的数据进行操作，我们首先进行数据重组清洗操作。即：将所有的类别用“&”分割，同时去掉两边空格，多个相关视频id也使用“&”进行分割。
- 1）ETL之封装工具类
  
  public class ETLUtil {
  /**
  - 数据清洗方法
    */
    public static String etlData(String srcData){
    StringBuffer resultData = new StringBuffer();
    //1. 先将数据通过\t 切割
    String[] datas = srcData.split(“\t”);
    //2. 判断长度是否小于9
    if(datas.length <9){
    return null ;
    }
    //3. 将数据中的视频类别的空格去掉
    datas[3]=datas[3].replaceAll(" “,”“);
    //4. 将数据中的关联视频id通过&拼接
    for (int i = 0; i < datas.length; i++) {
    if(i < 9){
    //4.1 没有关联视频的情况
    if(i == datas.length-1){
    resultData.append(datas[i]);
    }else{
    resultData.append(datas[i]).append(”\t");
    }
    }else{
    //4.2 有关联视频的情况
    if(i == datas.length-1){
    resultData.append(datas[i]);
    }else{
    resultData.append(datas[i]).append(“&”);
    }
    }
    }
    return resultData.toString();
    }
    }
- 2）ETL之Mapper
  
  /**
  - 清洗谷粒影音的原始数据
  - 清洗规则
  - 1. 将数据长度小于9的清洗掉
  - 1. 将数据中的视频类别中间的空格去掉 People & Blogs
  - 1. 将数据中的关联视频id通过&符号拼接
      */
      public class EtlMapper extends Mapper<LongWritable, Text,Text, NullWritable> {
      private Text k = new Text();
      @Override
      protected void map(LongWritable key, Text value, Context context) throws IOException, InterruptedException {
      //获取一行
      String line = value.toString();
      //清洗
      String resultData = ETLUtil.etlData(line);
      
      if(resultData != null) {
      //写出
      k.set(resultData);
      context.write(k,NullWritable.get());
      }
      }
      }
- 3）ETL之Driver
  
  package com.atguigu.gulivideo.etl;
  
  import org.apache.hadoop.conf.Configuration;
  import org.apache.hadoop.fs.Path;
  import org.apache.hadoop.io.NullWritable;
  import org.apache.hadoop.io.Text;
  import org.apache.hadoop.mapreduce.Job;
  import org.apache.hadoop.mapreduce.lib.input.FileInputFormat;
  import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat;
  
  public class EtlDriver {
  public static void main(String[] args) throws Exception {
  Configuration conf = new Configuration();
  Job job = Job.getInstance(conf);
  job.setJarByClass(EtlDriver.class);
  job.setMapperClass(EtlMapper.class);
  job.setMapOutputKeyClass(Text.class);
  job.setMapOutputValueClass(NullWritable.class);
  job.setOutputKeyClass(Text.class);
  job.setOutputValueClass(NullWritable.class);
  job.setNumReduceTasks(0);
  FileInputFormat.setInputPaths(job,new Path(args[0]));
  FileOutputFormat.setOutputPath(job,new Path(args[1]));
  job.waitForCompletion(true);
  }
  }
- 4）将ETL程序打包为etl.jar 并上传到Linux的 /opt/module/hive/datas 目录下
- 5）上传原始数据到HDFS
  
  hadoop fs -mkdir -p /gulivideo/video
  hadoop fs -mkdir -p /gulivideo/user
  hadoop fs -put gulivideo/user/user.txt /gulivideo/user
  hadoop fs -put gulivideo/video/*.txt /gulivideo/video
- 6）ETL数据
  - hadoop jar etl.jar guliVideo.EtlDriver /gulivideo/video /gulivideo/video/output
2 准备表
- 1）需要准备的表
  - 创建原始数据表：gulivideo_ori，gulivideo_user_ori，
  - 创建最终表：gulivideo_orc，gulivideo_user_orc
- 2）创建原始数据表：
  
  （1）gulivideo_ori
  create table gulivideo_ori(
  videoId string,
  uploader string,
  age int,
  category array,
  length int,
  views int,
  rate float,
  ratings int,
  comments int,
  relatedId array)
  row format delimited fields terminated by “\t”
  collection items terminated by “&”
  stored as textfile;
  （2）创建原始数据表: gulivideo_user_ori
  create table gulivideo_user_ori(
  uploader string,
  videos int,
  friends int)
  row format delimited
  fields terminated by “\t”
  stored as textfile;
- 3）创建orc存储格式带snappy压缩的表：
  
  （1）gulivideo_orc
  create table gulivideo_orc(
  videoId string,
  uploader string,
  age int,
  category array,
  length int,
  views int,
  rate float,
  ratings int,
  comments int,
  relatedId array)
  stored as orc
  tblproperties(“orc.compress”=“SNAPPY”);
  （2）gulivideo_user_orc
  create table gulivideo_user_orc(
  uploader string,
  videos int,
  friends int)
  row format delimited
  fields terminated by “\t”
  stored as orc
  tblproperties(“orc.compress”=“SNAPPY”);
  （3）向ori表插入数据
  load data inpath “/GuliVideo/etl-video” into table gulivideo_ori;
  load data inpath “/GuliVideo/user” into table gulivideo_user_ori;
  （4）向orc表插入数据
  insert into table gulivideo_orc select * from gulivideo_ori;
  insert into table gulivideo_user_orc select * from gulivideo_user_ori;
3 安装Tez引擎（了解）
- 1）将tez安装包拷贝到集群，并解压tar包
  
  mkdir /opt/module/tez
  tar -zxvf /opt/software/tez-0.10.1-SNAPSHOT-minimal.tar.gz -C /opt/module/tez
- 2）上传tez依赖到HDFS
  
  hadoop fs -mkdir /tez
  hadoop fs -put /opt/software/tez-0.10.1-SNAPSHOT.tar.gz /tez
- 3）新建tez-site.xml
  
  vim $HADOOP_HOME/etc/hadoop/tez-site.xml
  
  添加如下内容：
  <?xml version="1.0" encoding="UTF-8"?> <?xml-stylesheet type="text/xsl" href="configuration.xsl"?> tez.lib.uris ${fs.defaultFS}/tez/tez-0.10.1-SNAPSHOT.tar.gz tez.use.cluster.hadoop-libs true tez.am.resource.memory.mb 1024 tez.am.resource.cpu.vcores 1 tez.container.max.java.heap.fraction 0.4 tez.task.resource.memory.mb 1024 tez.task.resource.cpu.vcores 1
- 4）修改Hadoop环境变量
  
  vim $KaTeX parse error: Expected '}', got 'EOF' at end of input: \dotsadd_classpath "$ HADOOP_HOME/etc/hadoop" after
  hadoop_add_classpath “/opt/module/tez/" after
  hadoop_add_classpath "/opt/module/tez/lib/” after
- 5）修改Hive的计算引擎
  
  vim $HIVE_HOME/conf/hive-site.xml
  
  添加
  
  hive.execution.engine
  tez
  
  hive.tez.container.size
  1024
- 6）解决日志Jar包冲突
  
  rm /opt/module/tez/lib/slf4j-log4j12-1.7.10.jar

4 业务分析

1 统计视频观看数Top10

思路：使用order by按照views字段做一个全局排序即可，同时我们设置只显示前10条。
最终代码：
SELECT
videoId,
views
FROM
gulivideo_orc
ORDER BY
views DESC
LIMIT 10;
2 统计视频类别热度Top10

思路：
（1）即统计每个类别有多少个视频，显示出包含视频最多的前10个类别。
（2）我们需要按照类别group by聚合，然后count组内的videoId个数即可。
（3）因为当前表结构为：一个视频对应一个或多个类别。所以如果要group by类别，需要先将类别进行列转行(展开)，然后再进行count即可。
（4）最后按照热度排序，显示前10条。
最终代码：
SELECT
t1.category_name ,
COUNT(t1.videoId) hot
FROM
(
SELECT
videoId,
category_name
FROM
gulivideo_orc
lateral VIEW explode(category) gulivideo_orc_tmp AS category_name
) t1
GROUP BY
t1.category_name
ORDER BY
hot
DESC
LIMIT 10
3 统计出视频观看数最高的20个视频的所属类别以及类别包含Top20视频的个数

思路：
（1）先找到观看数最高的20个视频所属条目的所有信息，降序排列
（2）把这20条信息中的category分裂出来(列转行)
（3）最后查询视频分类名称和该分类下有多少个Top20的视频
最终代码：
SELECT
t2.category_name,
COUNT(t2.videoId) video_sum
FROM
(
SELECT
t1.videoId,
category_name
FROM
(
SELECT
videoId,
views ,
category
FROM
gulivideo_orc
ORDER BY
views
DESC
LIMIT 20
) t1
lateral VIEW explode(t1.category) t1_tmp AS category_name
) t2
GROUP BY t2.category_name
4 统计视频观看数Top50所关联视频的所属类别排序

代码：
SELECT
t6.category_name,
t6.video_sum,
rank() over(ORDER BY t6.video_sum DESC ) rk
FROM
(
SELECT
t5.category_name,
COUNT(t5.relatedid_id) video_sum
FROM
(
SELECT
t4.relatedid_id,
category_name
FROM
(
SELECT
t2.relatedid_id ,
t3.category
FROM
(
SELECT
relatedid_id
FROM
(
SELECT
videoId,
views,
relatedid
FROM
gulivideo_orc
ORDER BY
views
DESC
LIMIT 50
)t1
lateral VIEW explode(t1.relatedid) t1_tmp AS relatedid_id
)t2
JOIN
gulivideo_orc t3
ON
t2.relatedid_id = t3.videoId
) t4
lateral VIEW explode(t4.category) t4_tmp AS category_name
) t5
GROUP BY
t5.category_name
ORDER BY
video_sum
DESC
) t6
5 统计每个类别中的视频热度Top10，以Music为例

思路：
（1）要想统计Music类别中的视频热度Top10，需要先找到Music类别，那么就需要将category展开，所以可以创建一张表用于存放categoryId展开的数据。
（2）向category展开的表中插入数据。
（3）统计对应类别（Music）中的视频热度。
统计Music类别的Top10（也可以统计其他）
SELECT
t1.videoId,
t1.views,
t1.category_name
FROM
(
SELECT
videoId,
views,
category_name
FROM gulivideo_orc
lateral VIEW explode(category) gulivideo_orc_tmp AS category_name
)t1
WHERE
t1.category_name = “Music”
ORDER BY
t1.views
DESC
LIMIT 10
6 统计每个类别视频观看数Top10

最终代码：
SELECT
t2.videoId,
t2.views,
t2.category_name,
t2.rk
FROM
(
SELECT
t1.videoId,
t1.views,
t1.category_name,
rank() over(PARTITION BY t1.category_name ORDER BY t1.views DESC ) rk
FROM
(
SELECT
videoId,
views,
category_name
FROM gulivideo_orc
lateral VIEW explode(category) gulivideo_orc_tmp AS category_name
)t1
)t2
WHERE t2.rk <=10
7 统计上传视频最多的用户Top10以及他们上传的视频观看次数在前20的视频

思路：
（1）求出上传视频最多的10个用户
（2）关联gulivideo_orc表，求出这10个用户上传的所有的视频，按照观看数取前20
最终代码:
SELECT
t2.videoId,
t2.views,
t2.uploader
FROM
(
SELECT
uploader,
videos
FROM gulivideo_user_orc
ORDER BY
videos
DESC
LIMIT 10
) t1
JOIN gulivideo_orc t2
ON t1.uploader = t2.uploader
ORDER BY
t2.views
DESC
LIMIT 20

附录：常见错误及解决方案

0）如果更换Tez引擎后，执行任务卡住，可以尝试调节容量调度器的资源调度策略

将$HADOOP_HOME/etc/hadoop/capacity-scheduler.xml文件中的

yarn.scheduler.capacity.maximum-am-resource-percent
0.1

Maximum percent of resources in the cluster which can be used to run
application masters i.e. controls number of concurrent running
applications.

改成

yarn.scheduler.capacity.maximum-am-resource-percent
1

Maximum percent of resources in the cluster which can be used to run
application masters i.e. controls number of concurrent running
applications.

1）连接不上mysql数据库

1）导错驱动包，应该把mysql-connector-java-5.1.27-bin.jar导入/opt/module/hive/lib的不是这个包。错把mysql-connector-java-5.1.27.tar.gz导入hive/lib包下。
（2）修改user表中的主机名称没有都修改为%，而是修改为localhost

2）hive默认的输入格式处理是CombineHiveInputFormat，会对小文件进行合并。

hive (default)> set hive.input.format;
hive.input.format=org.apache.hadoop.hive.ql.io.CombineHiveInputFormat
可以采用HiveInputFormat就会根据分区数输出相应的文件。
hive (default)> set hive.input.format=org.apache.hadoop.hive.ql.io.HiveInputFormat;

3）不能执行mapreduce程序

可能是hadoop的yarn没开启。

4）启动mysql服务时，报MySQL server PID file could not be found! 异常。

在/var/lock/subsys/mysql路径下创建hadoop102.pid，并在文件中添加内容：4396

5）报service mysql status MySQL is not running, but lock file (/var/lock/subsys/mysql[失败])异常。

解决方案：在/var/lib/mysql 目录下创建： -rw-rw----. 1 mysql mysql 5 12月 22 16:41 hadoop102.pid 文件，并修改权限为 777。

6）JVM堆内存溢出

描述：java.lang.OutOfMemoryError: Java heap space
解决：在yarn-site.xml中加入如下代码

yarn.scheduler.maximum-allocation-mb
2048

yarn.scheduler.minimum-allocation-mb
2048

yarn.nodemanager.vmem-pmem-ratio
2.1

mapred.child.java.opts
-Xmx1024m

7）虚拟内存限制

在yarn-site.xml中添加如下配置:

yarn.nodemanager.vmem-check-enabled
false

声明：本文内容由网友自发贡献，不代表【wpsshop博客】立场，版权归原作者所有，本站不承担相应法律责任。如您发现有侵权的内容，请联系我们。转载请注明出处：https://www.wpsshop.cn/w/小蓝xlanll/article/detail/643280