大数据技术之Hive(五)

七 、函数

7.1 系统自带的函数

1)查看系统自带的函数

hive> show functions;

2)显示自带的函数的用法

hive> desc function upper;

3)详细显示自带的函数的用法

hive> desc function extended upper;

7.2 自定义函数

1)Hive 自带了一些函数,比如:max/min 等,但是数量有限,自己可以通过自定义 UDF

来方便的扩展。

2)当 Hive 提供的内置函数无法满足你的业务处理需要时,此时就可以考虑使用用户自定义

函数(UDF:user-defined function)。

3)根据用户自定义函数类别分为以下三种:

(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 explore()

4)官方文档地址

https://cwiki.apache.org/confluence/display/Hive/HivePlugins

5)编程步骤:

(1)继承 org.apache.hadoop.hive.ql.UDF

(2)需要实现 evaluate 函数;evaluate 函数支持重载;

(3)在 hive 的命令行窗口创建函数

  a)添加 jar

  add jar linux_jar_path

  b)创建 function,

  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;

6)注意事项

(1)UDF 必须要有返回类型,可以返回 null,但是返回类型不能为 void;

7.3 自定义 UDF 函数开发案例

1)创建一个 java 工程,并创建一个 lib 文件夹

2)将 hive 的 jar 包解压后,将 apache-hive-1.2.1-bin\lib 文件下的 jar 包都拷贝到 java 工程中。

3)创建一个类

package com.atguigu.hive;
import org.apache.hadoop.hive.ql.exec.UDF;
public class Lower extends UDF {
public String evaluate (final String s) {
if (s == null) {
return null;
}
return s.toString().toLowerCase();
}
}

4)打成 jar 包上传到服务器/opt/module/jars/udf.jar

5)将 jar 包添加到 hive 的 classpath

hive (default)> add jar /opt/module/datas/udf.jar; 

6)创建临时函数与开发好的 java class 关联

hive (default)> create temporary function my_lower as "com.atguigu.hive.Lower"; 

7)即可在 hql 中使用自定义的函数 strip

hive (default)> select ename, my_lower(ename) lowername from emp;

八 、压缩和存储

8.1 Hadoop 源码编译支持 Snappy 压缩
可直接使用别人编译好的
8.2 Hadoop 压缩配置

8.2.1 MR 支持的压缩编码
这里写图片描述
为了支持多种压缩/解压缩算法,Hadoop 引入了编码/解码器,如下表所示
这里写图片描述
这里写图片描述
压缩性能的比较
这里写图片描述
http://google.github.io/snappy/

On a single core of a Core i7 processor in 64-bit mode, Snappy compresses at about 250 MB/sec or more and decompresses at about 500 MB/sec or more.

8.2.2 压缩参数配置

要在 Hadoop 中启用压缩,可以配置如下参数(mapred-site.xml 文件中):
这里写图片描述
这里写图片描述

8.3 开启 Map 输出阶段压缩

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。具体配置如下:

案例实操:

1)开启 hive 中间传输数据压缩功能

hive (default)>set hive.exec.compress.intermediate=true;

2)开启 mapreduce 中 map 输出压缩功能

hive (default)>set mapreduce.map.output.compress=true;

3)设置 mapreduce 中 map 输出数据的压缩方式

hive (default)>set mapreduce.map.output.compress.codec=org.apache.hadoop.io.compress.SnappyCodec;

4)执行查询语句

hive (default)> select count(ename) name from emp;

8.4 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,这样默认的输出就是非压缩的纯文本文件了。用户可以通过在查询语句或执行脚本中

设置这个值为 true,来开启输出结果压缩功能。

案例实操:

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/datas/distribute-result' select * from emp distribute by deptno sort by empno desc;

8.5 文件存储格式

Hive 支持的存储数的格式主要有:TEXTFILE 、SEQUENCEFILE、ORC、PARQUET。

8.5.1 列式存储和行式存储

这里写图片描述

上图左边为逻辑表,右边第一个为行式存储,第二个为列式存储。

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。

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。

8.5.2 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(系

统自动检查,执行查询时自动解压),但使用这种方式,hive 不会对数据进行切分,从而无

法对数据进行并行操作。

8.5.3 Orc 格式

Orc (Optimized Row Columnar)是 hive 0.11 版里引入的新的存储格式。

可以看到每个 Orc 文件由 1 个或多个 stripe 组成,每个 stripe250MB 大小,这个 Stripe

实际相当于 RowGroup 概念,不过大小由 4MB->250MB,这样应该能提升顺序读的吞吐率。

每个 Stripe 里有三部分组成,分别是 Index Data,Row Data,Stripe Footer:

这里写图片描述

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。

8.5.4 Parquet 格式

Parquet 是面向分析型业务的列式存储格式,由 Twitter 和 Cloudera 合作开发,2015 年 5

月从 Apache 的孵化器里毕业成为 Apache 顶级项目。

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。

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。Parquet 文件的格式如下图所示。

这里写图片描述

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。

8.5.5 主流文件存储格式对比实验

从存储文件的压缩比和查询速度两个角度对比。

存储文件的压缩比测试:

0)测试数据

log.data

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/datas/log.data' into table log_text ;

(3)查看表中数据大小

dfs -du -h /user/hive/warehouse/log_text;
18.1 M  /user/hive/warehouse/log_text/log.data

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 ;

(2)向表中加载数据

insert into table log_orc select * from log_text ;

(3)查看表中数据大小


dfs -du -h /user/hive/warehouse/log_orc/ ;
2.8 M   /user/hive/warehouse/log_orc/000000_0

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

insert into table log_parquet select * from log_text ;

(3)查看表中数据大小

dfs -du -h /user/hive/warehouse/log_parquet/ ;
13.1 M  /user/hive/warehouse/log_parquet/000000_0

存储文件的压缩比总结:
ORC > Parquet > textFile

存储文件的查询速度测试:

1)TextFile

hive (default)> select count(*) from log_text;

_c0
100000
Time taken: 21.54 seconds, Fetched: 1 row(s)

2)ORC

hive (default)> select count(*) from log_orc;

_c0
100000
Time taken: 20.867 seconds, Fetched: 1 row(s)

3)Parquet

hive (default)> select count(*) from log_parquet;

_c0
100000
Time taken: 22.922 seconds, Fetched: 1 row(s)

存储文件的查询速度总结:

ORC > TextFile > Parquet

8.6 存储和压缩结合

官网:https://cwiki.apache.org/confluence/display/Hive/LanguageManual+ORC

ORC 存储方式的压缩:
这里写图片描述

1)创建一个非压缩的的 ORC 存储方式
(1)建表语句

create table log_orc_none(
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");

(2)插入数据

insert into table log_orc_none select * from log_text ;

(3)查看插入后数据

dfs -du -h /user/hive/warehouse/log_orc_none/ ;
7.7 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 table log_orc_snappy select * from log_text ;

(3)查看插入后数据

dfs -du -h /user/hive/warehouse/log_orc_snappy/ ;
3.8 M   /user/hive/warehouse/log_orc_snappy/000000_0

3)上一节中默认创建的 ORC 存储方式,导入数据后的大小为

2.8 M /user/hive/warehouse/log_orc/000000_0

比 Snappy 压缩的还小。原因是 orc 存储文件默认采用 ZLIB 压缩。比 snappy 压缩的小。

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。

©️2020 CSDN 皮肤主题: 编程工作室 设计师: CSDN官方博客 返回首页
实付0元
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、C币套餐、付费专栏及课程。

余额充值