面试专区|【70道Hive高频题整理(附答案背诵版)】_hive高频面试题

简述什么是Hive？

Hive是一个基于Hadoop的数据仓库工具，它可以将结构化的数据文件映射为一张数据库表，并提供简单的SQL查询功能，可以将SQL语句转换为MapReduce任务进行运行。Hive定义了简单的SQL查询语言称为HiveQL，该语言允许熟悉SQL的用户查询数据。同时，Hive提供了一个元数据存储，存储了所有表的元数据信息。

应用场景举例：假设我们有一个电商网站，每天都会产生大量的交易数据，我们需要分析这些数据以了解销售情况、用户行为等信息。我们可以用Hive来建立这些数据的仓库，使用HiveQL查询这些数据，比如统计每天的销售总额、每个商品的销售额等。这样我们可以快速地获取到需要的信息，并基于这些信息做出决策。

第二题：Hive的数据类型有哪些？

Hive支持的数据类型包括：

1. 基本类型：如int、float、double、string、boolean等；
2. 集合类型：如array、map、struct等；
3. 复杂类型：如uniontype、array< struct>、map<string,struct>等；
4. 用户自定义类型。

应用场景举例：假设我们有一个用户信息表，表中有一个字段叫做“地址”，该地址由省、市、区、街道等多个部分组成。我们可以使用Hive的复杂类型来定义这个字段，比如定义一个map类型，其中key为地址的组成部分，value为对应的值，这样我们就可以在一个字段中存储整个地址信息。

简述Hive的优缺点 ？

Hive的优点：

1. 易于使用：Hive提供了一个类似于SQL的查询语言，称为HiveQL，这使得数据分析变得非常简单。
2. 处理大数据：Hive是基于Hadoop的数据仓库工具，能够处理大规模数据。
3. 可扩展性：Hive可以扩展到多个节点，以处理更多数据。
4. 数据整合：Hive可以轻松地将来自不同源的数据整合到一个数据仓库中。
5. 数据安全：Hive支持数据加密和用户权限管理，确保数据的安全性。

Hive的缺点：

1. 性能问题：对于实时查询或低延迟查询，Hive可能不是最佳选择，因为它的查询性能可能不如其他一些工具。
2. 不支持所有SQL功能：虽然HiveQL提供了很多SQL功能，但它并不支持所有的SQL特性。
3. 数据同步问题：在多节点环境中，数据的同步可能是一个问题。
4. 不支持联接类型：Hive在处理表之间的联接时可能不如其他数据库系统高效。
5. 不支持索引：为了提高查询性能，许多数据库系统使用索引，但Hive并不支持这一特性。

以上就是对Hive优缺点的简要概述，如果你需要更详细的解释或者有其他问题，欢迎随时提问。

简述Hive的作用 ？

Hive是一个基于Hadoop的数据仓库工具，它可以用来处理和分析大规模数据。Hive提供了类似于SQL的查询语言HiveQL，用户可以使用HiveQL编写查询来分析数据。Hive的作用包括：

1. 数据仓库：Hive可以用来存储和管理大规模数据，并提供数据查询和分析功能。
2. 数据处理：Hive支持各种数据处理操作，如数据过滤、连接、聚合等，可以帮助用户快速处理和分析数据。
3. 数据转换：Hive可以用来转换数据格式，将数据从一种格式转换为另一种格式，方便用户进行数据分析和利用。
4. 数据报表：Hive可以用来生成各种报表，帮助用户了解数据的分布和趋势，为决策提供支持。

应用场景举例：

1. 电商网站：电商网站可以使用Hive来分析用户购买行为、商品销售情况等，从而制定营销策略和优化产品。
2. 金融行业：银行、证券等金融机构可以使用Hive来分析客户交易行为、风险评估等，从而提高风控水平和业务效益。
3. 社交媒体：社交媒体可以使用Hive来分析用户行为、舆情热点等，从而优化产品功能和提高用户体验。

简述Hive 架构原理 ？

Hive是基于Hadoop的数据仓库工具，用于处理和分析大数据。Hive通过构建元数据、查询语言、编译器、执行程序和驱动程序等组件，提供了一种类似SQL的查询语言HiveQL，用于查询和管理大数据。

Hive的架构原理可以分为以下几个部分：

1. 元数据存储：Hive使用关系型数据库存储元数据，例如MySQL或PostgreSQL。元数据包括数据库、表、列和分区等的信息。
2. 查询语言：HiveQL是一种类似SQL的查询语言，用于编写查询和数据分析语句。HiveQL可以将复杂的查询分解为多个简单的子任务，这些子任务可以在Hadoop集群上并行执行。
3. 编译器：Hive的编译器负责将HiveQL查询语句转化为MapReduce、Tez或Spark等执行计划的中间表示形式。编译器还会对查询语句进行语义分析和优化，以提高查询性能。
4. 执行程序：Hive的执行程序根据编译器生成的执行计划，在Hadoop集群上并行执行查询任务。执行程序可以与不同的计算框架（如MapReduce、Tez或Spark）集成，以提高数据处理效率。
5. 驱动程序：Hive的驱动程序负责与用户交互，接收用户的查询请求并返回结果。驱动程序还负责监控查询的执行状态，并在必要时重新调整执行计划以提高性能。

在应用场景方面，Hive可以用于处理和分析大规模数据集，例如数据仓库、商业智能和机器学习等领域。通过使用Hive，用户可以快速地编写和分析数据，而无需了解底层的数据处理细节。

简述Hive和关系数据库比较 ？

Hive和关系数据库（如MySQL、Oracle等）在数据存储和处理上有一些不同之处。以下是它们之间的一些比较：

1. 数据存储：关系数据库将数据存储在关系型表格中，每个表格由行和列组成，并使用主键和外键约束来维护数据完整性。而Hive是基于Hadoop的数据仓库工具，它将数据存储在HDFS中，以表的形式组织数据，但Hive的表是映射到HDFS的文件和目录结构上。
2. 数据处理：关系数据库使用SQL语言进行数据的查询和处理，可以进行复杂的数据操作和计算。而Hive使用HiveQL语言，它是基于SQL的查询语言，但与传统的SQL略有不同，HiveQL支持更多的数据操作和计算功能。
3. 扩展性：关系数据库在扩展性方面可能受到限制，特别是在处理大量数据时，可能会遇到性能瓶颈。而Hive基于Hadoop，可以利用Hadoop集群进行分布式处理，因此在处理大规模数据时具有更好的扩展性。
4. 数据格式：关系数据库可以支持多种数据格式，如CSV、JSON、XML等。而Hive默认使用CSV格式，但也可以使用其他格式，如Parquet和ORC等列式存储格式。
5. ACID属性：关系数据库支持ACID属性，即原子性、一致性、隔离性和持久性，这使得关系数据库在处理事务时具有更高的可靠性和一致性。而Hive不支持ACID属性，因此在处理事务时可能存在一些限制和问题。

总之，Hive和关系数据库各有优缺点，选择使用哪种工具取决于具体的应用场景和需求。如果需要处理大规模数据并利用分布式计算资源，Hive是一个很好的选择。如果需要维护数据的完整性和一致性，并执行复杂的事务操作，关系数据库可能更加适合。

简述什么是Hive 管理表和外部表 ？

Hive中的管理表和外部表是两种不同类型的表，它们在数据存储、管理和访问方式上有一些区别。

管理表（也称为内部表）是Hive中默认的表类型。当你在Hive中创建一个表，并指定一个存储位置时，Hive会为这个表创建一个管理表。管理表的数据存储在Hive默认的文件系统（通常是HDFS）中的指定目录下，元数据存储在Hive自己的元数据存储库中。管理表由Hive完全管理，这意味着当你删除一个管理表时，Hive会同时删除该表的元数据和存储的数据。管理表适合存储大量的数据，并且可以通过HiveQL进行查询和管理。

外部表是指向HDFS中现有数据的表。当你创建一个外部表时，你只需要指定HDFS中数据的路径，而不是创建新的数据文件。与内部表不同，外部表的元数据也存储在Hive的元数据存储库中，但数据存储在HDFS中的指定位置，由Hadoop而不是Hive进行管理。这意味着，当你删除一个外部表时，只会删除该表的元数据，而不会删除实际的数据。外部表适合用于访问已经在HDFS中存在的数据，并且可以通过HiveQL进行查询和管理。

总之，管理表和外部表的主要区别在于数据的存储和管理方式。管理表由Hive完全管理，适合存储大量数据，而外部表则指向现有数据，由Hadoop而不是Hive进行管理。

简述Hive内部表和外部表的区别 ？

Hive内部表和外部表的区别主要表现在以下几个方面：

1. 存储位置：内部表的数据和元数据都存储在Hive的存储路径下，即位于HDFS上。而外部表的数据则可以存放在HDFS、HBase、本地文件系统等位置，不在Hive管理的路径下，而是在指定的路径下。
2. 数据管理：内部表的数据由Hive进行管理、维护、删除和新建。对于数据的删除操作是彻底删除数据，包括在HDFS上的数据和Hive中的元数据。而外部表只管理数据的元数据信息，对于数据删除时并不会删除实际数据，只会删除元数据。
3. 数据访问权限：由于内部表的数据和元数据都存储在Hive中，因此Hive对于内部表有完全的访问权限，可以实现对表的一系列操作。而外部表只是对外部存储系统中数据的元数据进行管理，因此不能对数据进行全部的操作。
4. 数据导入导出：内部表和外部表在导入和导出数据方面具有不同的特点。对于内部表，导入数据通常是将数据从外部存储系统中导入到Hive管理的路径下，使用LOAD DATA语句来实现。导出数据则是将Hive中的数据导出成文件，使用INSERT OVERWRITE语句来实现。而对于外部表，导入数据通常是将数据直接存储到外部存储系统中，使用命令行工具或其他数据导入工具来实现。导出数据则是将外部存储系统中的数据导出到其他地方。

总的来说，Hive的内部表和外部表在存储位置、数据管理、访问权限和数据导入导出等方面都有较大的差异。用户可以根据实际需求选择适合的表类型来处理和分析大规模数据。

为什么内部表的删除，就会将数据全部删除，而外部表只删除表结构? 为什么用外部表更好 ？

Hive中的内部表和外部表在删除时表现出不同的行为，主要是因为它们的数据存储和管理方式不同。

内部表的数据存储在Hive自身的文件系统（通常是HDFS）中，而外部表的数据则存储在外部文件系统（如HDFS或其他存储系统）中。当删除内部表时，Hive会删除与该表相关的元数据信息以及存储在自身文件系统中的数据。这是因为内部表和其数据都是由Hive自身管理的。

相比之下，外部表仅删除表结构，而不删除实际数据。这是因为外部表的数据存储在外部文件系统中，并不由Hive管理。仅当删除外部表时，与该表相关的元数据信息会被删除，但存储在外部文件系统中的实际数据不会被影响。

使用外部表的好处在于它提供了更高的灵活性和安全性。由于数据存储在外部文件系统中，用户可以随时对外部表进行删除、创建或修改操作，而不用担心影响底层数据。此外，由于数据不直接由Hive管理，因此用户可以更加自由地管理和控制数据的访问和修改，提高了数据的安全性。

综上所述，Hive中内部表的删除会同时删除数据和元数据信息，而外部表仅删除元数据信息，实际数据不受影响。使用外部表可以提供更高的灵活性和安全性，因为用户可以更加自由地管理和控制数据的访问和修改，同时避免了直接操作底层数据可能带来的风险。

简述Hive建表语句？创建表时使用什么分隔符 ？

Hive建表语句的基本语法如下：

CREATE TABLE table_name (
   column1 data_type,
   column2 data_type,
   ...
)
ROWFORMAT DELIMITED
FIELDS TERMINATED BY 'field_delimiter';
1
2
3
4
5
6
7

其中，table_name是表的名称，column1、column2等是表的列名，data_type是列的数据类型。ROWFORMAT DELIMITED指定了行格式和分隔符，FIELDS TERMINATED BY 'field_delimiter'指定了字段的分隔符。

创建表时使用的分隔符通常是特定的字符或字符串，用于将每行数据分割成不同的字段。Hive默认使用单字节分隔符来加载文本数据，例如逗号、制表符、空格等等。在创建表的时候，可以通过指定FIELDS TERMINATED BY子句来指定字段的分隔符。例如，如果使用制表符作为分隔符，可以将其指定为FIELDS TERMINATED BY '\t'。

除了默认的文本文件格式，Hive还支持其他文件格式，如Parquet和ORC等列式存储格式。这些格式通常使用特定的分隔符来表示不同字段的值。例如，Parquet使用二进制格式存储数据，并通过特定的字段描述符来表示不同字段的类型和值。在创建表的时候，可以选择不同的文件格式来优化数据的存储和查询性能。

简述Hive删除语句外部表删除的是什么 ？

在Hive中，当你删除一个外部表时，实际上只会删除该表的元数据，而不会删除实际的数据。这是因为外部表的数据存储在Hive外部的HDFS中，由Hadoop而不是Hive进行管理。因此，当你执行删除外部表的命令时，只会从Hive的元数据存储库中移除表的定义和相关元数据，而不会影响到实际存储在HDFS中的数据。这样可以确保数据的完整性和安全性，因为原始数据不会被误删除或受到影响。

简述Hive导入数据的五种方式是什么?举例说明 ？

Hive导入数据的五种方式包括：

1. 向表中装载数据（Load）：使用LOAD DATA语句将数据加载到Hive表中。例如，从本地文件系统加载数据到Hive表：

LOAD DATA LOCAL INPATH '/home/hdfs/data/test.txt' INTO TABLE test;
1

从HDFS文件系统加载数据覆盖Hive表：

LOAD DATA INPATH '/wcinput/test.txt' OVERWRITE INTO TABLE test;
1

2. 通过查询语句向表中插入数据（Insert）：使用INSERT INTO语句将数据插入到Hive表中。例如，以追加数据的方式插入到表或分区，原有数据不会删除：

INSERT INTO TABLE tablename1 [PARTITION (partcol1=val1, partcol2=val2…)] SELECT_STATEMENT1 FROM from_statement;
1

3. 创建表时加载数据：在创建表的时候，可以直接指定数据的加载路径。例如：

CREATE EXTERNAL TABLE if not exists tablename (id int, name string) ROW FORMAT DELIMITED FIELDS TERMINATED BY '\t' LOCATION '/data/test/';
1

4. 增量导入：表中原有数据不变，新插入的数据增加在后面。这种方式主要用于数据增量导入。
5. Import数据到指定Hive表：先用export导出后，再将数据导入（export和import主要用于两个Hadoop平台集群之间Hive表迁移）。例如：从a集群中导出hive表数据，然后再将其导入到另一个集群的指定Hive表中。

以上是Hive导入数据的五种方式，用户可以根据实际需求选择适合的方式来进行数据导入。

简述row_number()，rank()和dense_rank()的区别 ？

在Hive中，row_number()、rank()和dense_rank()是用于窗口函数（Window Function）的三个常见函数，它们可以用来对数据集中的行进行排序和编号。以下是这三个函数的区别：

1. row_number()：为每一行分配一个唯一的序号，序号从1开始递增。如果两行或多行具有相同的排序值，它们将获得相同的序号。row_number()不会在值之间留下任何“空隙”，即如果某一行的排序值比前一行大，下一行的序号将增加1。
2. rank()：为每一行分配一个排名值，排名值从1开始递增。如果两行或多行具有相同的排序值，它们将获得相同的排名值。与row_number()不同，rank()会在值之间留下空隙。例如，如果有两行并列排名第一，下一行的排名将为3而不是2。
3. dense_rank()：与rank()类似，为每一行分配一个排名值。但是，与rank()不同的是，dense_rank()不会在值之间留下空隙。如果两行或多行具有相同的排序值，它们将获得相同的排名值，并且下一行的排名将增加1。

应用场景示例：

假设有一个包含以下数据的表格，按照分数进行升序排序：

| id | score |
|----|-------|
| 1  | 80    |
| 2  | 85    |
| 3  | 85    |
| 4  | 90    |
1
2
3
4
5
6

使用row_number()函数：

| id | score | row_number() |
|----|-------|--------------|
| 1  | 80    | 1            |
| 2  | 85    | 2            |
| 3  | 85    | 2            |
| 4  | 90    | 3            |
1
2
3
4
5
6

使用rank()函数：

| id | score | rank() |
|----|-------|--------|
| 1  | 80    | 1      |
| 2  | 85    | 2      |
| 3  | 85    | 2      |
| 4  | 90    | 4      |
1
2
3
4
5
6

使用dense_rank()函数：

| id | score | dense_rank() |
|----|-------|--------------|
| 1  | 80    | 1            |
| 2  | 85    | 2            |
| 3  | 85    | 2            |
| 4  | 90    | 3            |
1
2
3
4
5
6

简述请说明hive中 Sort By，Order By，Cluster By，Distrbute By各代表什么意思？

Hive是基于Hadoop的数据仓库工具，它提供了多种用于数据查询和处理的SQL-like语言，其中Sort By、Order By、Cluster By和Distrbute By是Hive中用于数据分发的关键字。

1. Sort By：Sort By用于对数据进行排序，它将数据按照指定的列进行排序，并将结果输出到相应的输出目录中。Sort By可以根据一列或多列进行排序，默认情况下按照升序排序。
2. Order By：Order By与Sort By类似，也是用于对数据进行排序。但是，Order By会强制全局排序，即在整个数据集上进行排序，而不仅仅是每个分区的内部排序。因此，Order By可能会消耗更多的计算资源和时间。
3. Cluster By：Cluster By是Hive中的一个特殊关键字，它结合了Sort By和Distrbute By的功能。Cluster By将数据按照指定的列进行排序和分发，以确保相同的值被分发到同一个节点上。这样可以提高数据的局部性，并减少节点之间的数据传输量。
4. Distrbute By：Distrbute By用于控制数据的分发方式，即如何将数据分布到不同的任务节点上进行计算。默认情况下，Hive会根据每行数据的哈希值将数据分发到不同的节点上，这样可以实现数据的均匀分布。但是，在某些情况下，我们可能希望将具有相同键值的数据分发到同一个节点上，以便进行更高效的处理。这时可以使用Distrbute By关键字来实现。

综上所述，Sort By、Order By、Cluster By和Distrbute By是Hive中用于控制数据分发和处理的四种关键字，它们各自具有不同的用途和特点，可以在查询中根据需要进行选择和使用。

写出Hive中split、coalesce及collect_list函数的用法 ？

好的，我会为你解释这三个函数在Hive中的用法。

1. split函数

split 函数用于将字符串按照指定的分隔符拆分成数组。它的语法如下：

split(string str, string pattern)
1

其中，str 是要拆分的字符串，pattern 是分隔符的模式。

例子：
假设有一个名为 users 的表，其中有一个名为 email 的列，包含用户的电子邮件地址。如果我们想将每个电子邮件地址拆分成单独的地址，可以使用 split 函数：

SELECT split(email, '@') AS email_parts FROM users;
1

这将返回一个包含两个元素的数组：电子邮件地址的前缀和后缀。

2. coalesce函数

coalesce 函数用于返回参数列表中的第一个非空值。它的语法如下：

coalesce(expression1, expression2, ..., expressionN)
1

当参数列表中的某个表达式为 NULL 时，coalesce 函数将返回下一个表达式的值，直到找到第一个非空值为止。如果没有非空值，则返回 NULL。

例子：
假设有一个名为 products 的表，其中有一个名为 price 的列和一个名为 discounted_price 的列。如果某个产品没有折扣价格（即 discounted_price 为 NULL），我们想使用正常的价格，可以使用 coalesce 函数：

SELECT coalesce(discounted_price, price) AS final_price FROM products;
1

这将返回 discounted_price 或 price 中的非空值作为最终价格。

3. collect_list函数

collect_list 函数用于将多行数据中的某一列值聚合在一起形成一个数组。它的语法如下：

collect_list(col)
1

其中，col 是要聚合的列名。

例子：
假设有一个名为 orders 的表，其中有一个名为 product_id 的列，表示订单中的产品。我们想将所有订单中的产品 ID 聚合到一个数组中，可以使用 collect_list 函数：

SELECT collect_list(product_id) AS product_ids FROM orders;
1

这将返回一个包含所有产品 ID 的数组。

简述Hive如何实现分区 ？

Hive的分区是通过在创建表的时候指定分区字段来实现的。分区字段是在表结构中定义的，相当于为表数据按照分区字段进行了分类。每个分区以文件夹的形式单独存在表文件夹的目录下，分区字段的值就作为文件夹的名字。

创建分区的方式是在CREATE TABLE语句后面加上PARTITIONED BY子句，指定分区字段和类型。例如：

CREATE TABLE partitioned_table (id INT, name STRING, date DATE)
PARTITIONED BY (year INT, month INT);
1
2

上述语句创建了一个分区表，按照year和month两个字段进行分区。

在插入数据时，可以指定分区字段的值，将数据插入到相应的分区中。例如：

INSERT INTO TABLE partitioned_table PARTITION (year=2020, month=10) VALUES (1, 'John', '2020-10-01');
1

上述语句将数据插入到year=2020和month=10的分区中。

Hive还支持动态分区和静态分区。动态分区可以动态加载数据，静态分区则需要手动指定分区值。在创建静态分区时，可以使用单值分区或范围分区的建表方式。单值分区的建表方式比较简单，只需要指定分区键和类型即可；范围分区的建表方式则需要在直接定义列的方式下创建。

总的来说，Hive的分区是一种将数据按照业务需求进行分类的方式，可以提高查询性能和数据管理效率。用户可以根据实际需求选择适合的分区方式来进行数据管理。

由于内容太多，更多内容以链接形势给大家，点击进去就是答案了

16. 简述Hive的两张表关联，使用MapReduce怎么实现 ？

17. 简述Hive有哪些方式保存元数据，各有哪些特点？

18. 简述Hive 的 join 有几种方式，怎么实现 join 的？ ？

19. 简述Hive 中的压缩格式 RCFile、 TextFile、 SequenceFile 各有什么区别？ ？

20. 简述Hive 的 sort by 和 order by 的区别？ ？

21. 简述Hive的函数：UDF、UDAF、UDTF的区别？ ？

22. 简述所有的Hive任务都会有MapReduce的执行吗 ？

23. 简述Hive有索引吗 ？

24. 简述对Hive桶表的理解 ？

25. 简述Hive本地模式 ？

26. 简述Hive表关联查询，如何解决数据倾斜的问题 ？

27. 简述什么是Hive HQL之Fetch抓取 ？

28. 简述Hive并行模式 ？

29. 简述Hive中的优化分类 ？

30. 简述什么是笛卡尔乘积与小表join大表 ？

31. 简述Hive数据去重的两种方式 (distinct和group by) ？

[32. 简述优化调优(Count(Distinct)去重统计] ？

33. 简述Hive的介绍一下有哪些常用函数 ？

34. 简述Hive的数据组织 ？

35. 简述内部表和外部表的使用选择原则 ？

36. 简述分区表和分桶表的区别 ？

37. 简述Hive优化相关措施 ？

38. 简述Hive的数据类型 ？

39. 简述Hive的DDL操作 ？

40. 简述Hive的HSQL转换为MapReduce的过程 ？

41. 简述Hive底层与数据库交互原理 ？

42. 简述ORC、Parquet等列式存储的优点 ？

43. 简述使用过Hive解析JSON串吗 ？

44. 简述Hive导出数据有几种方式？如何导出数据 ？

45. 简述为什么要对数据仓库分层 ？

46. 简述数据建模用的哪些模型 ？

47. 简述Hive和HBase的对比区别 ？

48. 简述Hive 小文件问题及解决 ？

49. 简述 Hive的几种存储方式 ？

50. 简述Hive 动态分区和静态分区的区别 + 使用场景 ？

51. 简述Hive 语句执行顺序 ？

52. 简述Hive中MR(map reduce)、Tez和Spark执行引擎对比 ？

53. 简述为什么任务执行的时候只有一个reduce ？

54. 简述Hive为什么要分桶 ？

55. 简述如何使用分桶 ？

56. 简述Hive如果不用参数调优，在map和reduce端应该做什么 ？

57. 简述Hive的三种自定义函数是什么？实现步骤与流程？它们之间的区别？作用是什么 ？

58. 简述Hive的存储引擎和计算引擎 ？

59. 简述Hive的count的用法 ？

60. 简述Hive的union和union all的区别 ？

61. 简述Hive Join 的原理与机制 ？

62. 简述Hive如何优化join操作 ？

63. 简述什么是Hive的map join ？

64. 简述Hive的开窗函数有哪些 ？

65. 简述Hive存储数据吗 ？

66. 简述row_number，rank，dense_rank的区别 ？

67. 简述Hive count(distinct)有几个reduce，海量数据会有什么问题 ？

68. 简述一条HQL从代码到执行的过程 ？

69. 简述前后函数 lag(expr,n,defval)、lead(expr,n,defval) ？

70. 简述头尾函数：FIRST_VALUE(expr),LAST_VALUE(expr) ？