当前位置:   article > 正文

hive一次加载多个文件_Hive总结

hive add jar多个

Hive总结

一、Hive架构

1.架构图

da6cfd0533328033cfe8db7c479403e9.png

2.Hive架构解析

1)用户接口

CLI:cli即shell命令。CLI最常用CLI启动的时候会同时启动 一个Hive 副本

Client: Client是Hive的客户端,用户连接HiveServer,并指出Hive Server 所在的节点以及在该节点启动它

WUI:WUI是通过浏览器启动Hive

2)元数据

Hive将元数据存储在数据库中,如mysql、derby。Hive的元数据信息包 括,表的名字、表的列、分区机器及其属性、表的属性、表的目录等

3)Driver

解释器、编译器、优化器完成HQL的查询语句从词法分析、语法分析、 编译、优化以及查询计划的生成。生成的计划存储在HDFS中,并在MR 中调用执行,Hive的数据存储在HDFS中,大部分的查询计算由MR完成

4)注意事项

Hive会不会转换为MR取决于是否用了聚合函数

二、Hive数据倾斜问题优化

1.现象

当Hive放生数据倾斜的时候,我们在使用HQL运行mr的时候可以发现,map是100%,而reduce卡在99%

2.当Hive发生数据倾斜的时候我应该怎么办呢?

第一种方案,数据倾斜五分就是key的数据量非常不均匀,我们可以开启map聚合的参数(hive.map.aggr=ture),开启之后会把数据现在map端进行聚合,当reduce端聚合的时候就只需要聚合map端聚合完的参数就可以了

第二种是当大表和小表进行JOIN的时候,也可能导致数据倾斜。为了解决这个问题,考虑使用到mapjoin,mapjoin会把小表全部读入内存中,在map阶段直接拿另外一个表的数据和在内存中表的数据进行匹配,由于mapjion是在map端进行了join操作,省去了reduce的运行,所以效率会快很多

第三种是当大表和大表join的时候发生数据倾斜,具体操作室建立一个numbers表,其值只有一列int 行,比如从1到10(具体值可根据倾斜程度确定),然后放大B表10倍,再取模join

三、分区

1.Hive静态分区

就是在不开启动态分区的条件下都是静态分区,使用方式就是HQL

2. Hive动态分区

1)参数设置

· 开启动态分区

启用动态分区功能 hive> set hive.exec.dynamic.partition=true;

注:hive2.x该参数默认为true,1.x为false

· 模式设置(严选模式/非严选模式)

设置这个参数为nostrict

hive> set hive.exec.dynimac.partiton.mode=nostrict

默认情况下是strict

2)动态分区的相关参数

hive.exec.max.dynimac.partition.pernode 这个参数表示每个mr执行的节点上,能创建的最大分区数量(默认100)

hive.exec.max.dynimac.partition 这个参数表示所有mr执行的节点上,能创建的最大分区数量(默认1000)

hive.exec.max.creat.files 这个参数代表所有mr job能创建文件的最大数量

3)动态分区加载数据的方法

第一步:创建原数据表

第二部:load data加载数据到原数据表

第三部:使用from into table inset into table select 。。。。加载数据

4)静态分区与动态分区的区别

静态分区是手动指定分区的,动态分区是根据数据来判断

5)静态分区结合动态分区使用

动静结合使用的话,静态分区值必须在动态分区值的前面

四、Hive SQL

1.外部表和内部表

区别在于删除的时候只删除元数据,而内部表删除的时候连数据都给删除了

2.Hive DDL

定义:Hive的数据定义语言 (LanguageManual DDL)

1)建表语句

· 创建普通的表: create table abc( id int ) row format delimited fields terminated by ',' stored as textFile

· 创建带有分区的表:create table abc( id int ) partitioned by (dt String) row format delimited fields terminated by ','

· 创建外表:create external table abc( id int ) row format delimited fields terminated by ',' location'/home/hive/text.text';

3.Hive DML

定义:Hive数据操作语言(LanguageManual DML)

1)操作语句

HDFS上导入数据:load data inpath 'filePath' into table table_name;

· 从别的表中导入:insert into table table_name1 [patition(dt '.....', value)] select id,name from table_name2

· 多重数据插入:from table_name1 t1,table_name2 t2 insert overwrite table table_name3 [patition(col1=val1,col2=val2)] select t1.id, t2.id, .....................;

五、Hive优化

1.优化一:本地模式

· 开启本地模式 hive> set hive.exec.mode.local.auto=true

· 需要注意的是:hive.exec.mode.local.auto.inputbytes.max 这个参数默认 是128M,这个值表示了当加载文件的值大于这个值的时候,该配置仍 会以集 群来运行;默认就是集群运行的;当项目上线的时候开启; 使 用本地模式 的话,小数据小表可以避免提交时间的延迟

2.优化二:并行计算

· 开启并行计算 hive> set hive.exec.parallel=true

· 相关参数 hive.exec.parallel.thread.number(一次sql计算中允许并执行的 job 数量)

· 需要注意的是,并行计算会加大集群的压力

3.优化三:严格模式

· 开启严格模式 hive> set hive.mapred.mode = strict

· 主要是防止一群sql查询将集群压力大大增加

· 同时它也有一些限制:1、对于分区表,必须添加where对于分区字段的 条件过滤 1、orderby语句必须包含limit输出限制 3、限制执行笛卡尔积 查询

4.优化四:排序

· order by 对于查询结果做全排序,只允许有一个reduce处理

· 需要注意的是:当数据过大的时候谨慎使用,在严选模式下需要结合limit 来使用

· sort by 是对单个reduce的数据进行排序

· 只会在每个reducer 中对数据进行排序,也就是执行局部排序过程,只 能保证每个reducer的输出数据都是有序的(但并非全局有序)

· distribut by 是分区排序经常结合sort by一起使用

· cluster by 相当于distribut br + sort by

· cluster by 默认是倒序排序,不能用asc和desc来指定排序规则;可以通 过distribute by clumn sort by clumn asc|desc方式来指定排序方式

5.优化五:JOIN

· join时将小表放在join的左边

· mapjoin:在map端进行join(可以省略shuffle和reduce提高性能)

1)实现方式1:mapJoin标记

sql方式,在sql语句中添加mapjoin标记(mapjoin hint) select /*+mapjoin(smalltable)*/smalltable.key ,bigTable.value from smallTable join bigTable on smallTable.key=bigTable.key

2)实现方式2:开启自动的mapjoin

参数配置: 自动对小表进行mapjoin

hive> set hive.auto.convert.join=true

相关参数

· hive.mapjoin.smalltable.filesize这个值是大表和小表的判定阀值,小于这 个值就会被放入内存

· hive.ignore.mapjoin.hint 默认为true,是够忽略mapjoin hint

· hive.aotu.caonvert.join.noconditionaltask 默认为true,将普通的join转 换为mapjoin的时候是否将多个mapjoin转为一个mapjoin

· hive.aotu.caonvert.join.noconditionaltask.size 将多个mapjoin转为一个 mapjoin的最大值

6.优化六:聚合

开启map聚合 hive> set hive.map.aggr=true

相关参数

· hive.groupby.mapaggr.checkinterval: map端group by执行聚合时处理的多少行数据(默认:100000)

· hive.map.aggr.hash.min.reduction: 进行聚合的最小比例(预先对100000条数据做聚合,若聚合之后的数据量 /100000的值大于该配置0.5,则不会聚合)

· hive.map.aggr.hash.percentmemory:map端聚合使用的内存的最大值

· hive.map.aggr.hash.force.flush.memory.threshold: map端做聚合操作是hash表的最大可用内容,大于该值则会触发flush

· hive.groupby.skewindata :是否对GroupBy产生的数据倾斜做优化,默认为false

7.优化七:控制Hive中map和reduce的数量

Map数量相关的参数

· mapred.max.split.size:一个split的最大值,即每个map处理文件的最大值

· mapred.min.split.size.per.node:一个节点上split的最小值

· mapred.min.split.size.per.rack:一个机架上split的最小值

Reduce数量相关的参数

· mapred.reduce.tasks: 强制指定reduce任务的数量

· hive.exec.reducers.bytes.per.reducer 每个reduce任务处理的数据量

· hive.exec.reducers.max 每个任务最大的reduce数 [Map数量 >= Reduce数量 ]

8.优化八:JVM的重用

适用场景: 1、小文件个数过多 2、task个数过多

· 通过 set mapred.job.reuse.jvm.num.tasks=n; 来设置(n为task插槽个数)

缺点:设置开启之后,task插槽会一直占用资源,不论是否有task运行,直 到所有的task即整个job全部执行完成时,才会释放所有的task插槽资源!

六、Hive函数

1.函数自定义

1)UDF (常用) 一进一出

http://blog.csdn.net/duan19056/article/details/17917253

<1>UDF 函数可以直接应用于 select 语句,对查询结构做格式化处理后,再 输出内容。

<2>编写 UDF 函数的时候需要注意一下几点:

a)自定义 UDF 需要继承 org.apache.hadoop.hive.ql.UDF。

b)需要实现 evaluate 函数,evaluate 函数支持重载。

<3>步骤

a)把程序打包放到目标机器上去;

b)进入 hive 客户端,添加 jar 包:hive>add jar /jar/udf_test.jar;(清除缓存 时记得删除jar包delete jar /*)

c)创建临时函数:hive>CREATE TEMPORARY FUNCTION add_example AS 'hive.udf.Add';

d)查询 HQL 语句:

SELECT add_example(8, 9) FROM scores;

SELECT add_example(scores.math, scores.art) FROM scores;

SELECT add_example(6, 7, 8, 6.8) FROM scores;

e)销毁临时函数:hive> DROP TEMPORARY FUNCTION add_example;

2)UDAF聚集函数,多进一出

多行进一行出,如 sum()、min(),用在 group by 时

<1>必须继承org.apache.hadoop.hive.ql.exec.UDAF(函数类继承)

org.apache.hadoop.hive.ql.exec.UDAFEvaluator(内部类 Eval uator 实现 UDAFEvaluator 接口)

<2>Evaluator 需要实现 init、iterate、terminatePartial、merge、t erminate 这 几个函数

· init():类似于构造函数,用于 UDAF 的初始化

· iterate():接收传入的参数,并进行内部的轮转,返回 boolean

· terminatePartial():无参数,其为 iterate 函数轮转结束后,返回轮转数据, 类似于 hadoop 的 Combinermerge():接收 terminatePartial 的返回结果, 进行数据 merge 操作,其返回类型为 boolean

·terminate():返回最终的聚集函数结果

3)UDTF,一进多出

一进多出,如 lateralview explore()

使用方式 :在HIVE会话中add自定义函数的jar 文件,然后创建 function 继 而使用函数; 这些函数都是针对单元格值的,并不是针对行的。

七、Hive数据储存

Hive没有专门的存储结构,数据表,视图,元数据等等都可以;而且也没有专门的数据存储格式,textFile、RCFile都可以的;

Hive只需要在创建表的时候告诉Hive数据中的列分隔符和行分隔符,Hive就可以解析数据。

那么分割符都有那些呢,默认的话是列分隔符“ctrl+A”

默认行分隔符是“/n”

八、Hive表

1.Hive表常用的存储格式

textfile 默认格式 行存储

sequencefile 二进制文件 行存储

rcfile 按行分块 按列存储

orc 按行分块 按列存储

2.Hive索引(了解)

一个表上创建索引创建一个索引使用给定的列表的列作为键

3.Hive工作原理

首先用户先将任务交给Diver

接着编译器获得这个用户的plan,并根据这个用户的任务去metaStore获取需要的Hive元数据信息

然后进行对任务的编译,将HQL先后转换为抽象语法树、查询块、逻辑计划、最后转为物理计划(mapreduce),最终选择最优方案提交给Diver

Diver将这个最优方案转交给excutionengion执行,将获得的元数据信息交给jobTracker或者sourceManager执行该任务

最终这个任务会直接读取HDFS中的文件进行操作,取得并返回结果

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/笔触狂放9/article/detail/718857
推荐阅读
相关标签
  

闽ICP备14008679号