Hive综述
Hive提供了一门简单的基于SQL的查询语言HQL，使得熟悉SQL的使用者可以很容易的执行随机查询和数据分析。同时HQL也支持传统的MapReduce编程模式，以扩展语言内建的功能，实现复杂的数据分析逻辑。
对于大多数查询，Hive编译器将产生多个map-reduce job，并将job提交到由参数mapred.job.tracker指定的map-reduce集群。Hadoop也允许在用户所在的本地机器运行map-reduce job，这对于运行在小数据集上的查询非常有效，这种情况下本地模式比集群模式查询速度明显更快，相反地，本地模式启动一个reducer，因此在大数据集上将变得更慢。Hive 0.7之后，可以通过命令SET mapred.job.tracker=local指定以本地模式运行Hive查询job，此时参数mapred.local.dir应该指向一个有效的本地路径，否则Hive job在分配本地磁盘空间的时候会抛出一个异常。在Hive 0.7之后，也支持自动的以本地模式运行map-reduce job，默认情况下是该功能是关闭的，通过命令SET hive.exec.mode.local.auto=true开启自动本地模式。自动本地模式开启时，Hive将分析map-reduce 查询job的输入数据大小，map tasks数量，reduce数量，如果job输入数据小于hive.exec.mode.local.auto.inputbytes.max（默认是128MB），map tasks数量小于hive.exe.mode.local.auto.tasks.max（默认是4），reduce tasks数量为1或者0，如上任何一个条件满足时，Hive将启用本地模式运行Hive查询job。注意因为Hadoop server节点和Hive client本地机器运行环境的差别（比如JVM版本，软件包版本差异），在运行本地模式时可能会出现未预料的异常。而且本地模式运行job是在Hive client的子JVM中执行，可以通过参数hive.mapred.local.mem指定子JVM可以使用的最大内存，默认值为0，表示由Hadoop决定子JVM能够使用的最大内存。
Hive采用log4j记录日志，默认日志不会显示在命令行界面中。Hive 0.13.0之前版本的记录级别是WARN，从0.13.0之后记录级别是INFO。日志被保存在/tmp/<user name>/hive.log目录下。可以通过文件./conf/hive-log4j.properties中参数hive.log.dir配置一个新的日志保存路径。日志可以通过在启动Hive client时设置参数，如bin/hive --hiveconf hive.root.logger=INFO,console在命令行显示日志，通过SET命令设置该参数不起作用，因为该参数是在创建Hive client时候初始化的。
Hive命令
可以通过命令,例如：CREATE TABLE invites (foo INT, bar STRING) PARTITIONED BY (ds STRING)，创建Hive tables。PARTITIONED BY中指定的列是虚拟列，其并不保存在数据块中，而是保存在该数据块所在的数据分片路径中。默认情况下，表格采用文本输入格式，以^A为定界符。创建表时可以采用关键词row format delimited fields terminated by '\t'，指定字段之间采用'\t'分割。表中的每一个字段支持COMMENT关键词（后接单引号字符串），为该字段添加注释。可以通过命令SHOW TABLES ‘in*’，显示Hive中的所有匹配正则表达式的表；DESCRIBE invites，显示表invites中的列。Hive表的表名可以重命名，列可以增加或者替换，例如命令：ALTER TABLE events RENAME TO sniff。当采用REPLACE COLUMNS替换所有已经存在的列时，并不会改变表中的数据，只是改变了表的schema。alter table命令还支持ADD COLUMNS操作：可以采用命令DROP TABLE invites，删除表。
Hive表的元数据信息保存在内置的数据库中，数据库在磁盘中的位置由配置参数javax.jdo.option.ConnectionURL决定，默认的地址是./metastore_db。默认情况下，metadata一次只能有一个用户访问。元数据可以保存在任何支持JPOX的数据库中，由javax.jdo.option.ConnectionURL和javax,jdo.option. ConnectionDriverName设置数据库的地址和驱动类。将来元数据可以由单独的server保存，使得多个节点能访问元数据。
Hive使用命令LOAD DATA LOCAL INPATH ‘./example.txt’ OVERWRITE INTO TABLE invites，将包含三列以^A分隔的本地文件example.txt加载到表invites中。LOCAL关键词表名是本地文件，如果没有该关键字，默认是从HDFS中加载。OVERWRITE关键词，表明已经存在的表将会被覆盖，如果没有该关键字，默认是将数据加载到表中。加载数据的时候也可以指定PARTITION，例如PARTITION (ds='2008-0815’)。
Hive支持SQL查询语句，select a.foo from table invites where a.ds=’2008-08-15’ group by a.foo。where关键词后面可以接一个或者多个逻辑表达式，group by关键词表示将查询结果中某一列相同的记录分成一组。Hive也支持将查询的结果保存到文件（local或者hdfs），例如命令：insert overwrite local directory '/tmp/out' select url from url_titles；Hive也支持将查询结果插入另一个表中，例如命令：insert overwrite table urls select url from url_titles。命令中的overwrite和local关键词如果没有，分别表示写hdfs文件，和不重建新的表格。Hive支持两个表之间的join操作，例如命令：from pokes t1 join invites t2 on (t1.bar = t2.bar) insert overwrite table events select t1.bar, t1.foo, t2.foo。Hive支持一次查询产生多个查询结果并分别保存到不同的表或者文件中，例如命令：from src insert table dest1 select src.* where src.key < 100
insert directory '/tmp/hdfsout' select src.value where src.key > 300;
Hive streaming支持用户自定义map和reduce操作函数，对查询产生的记录进行MapReduce变换操作。例如命令：insert table u_data_new select transform (userid, movieid, rating, unixtime) using 'python weekmapper.py' as (userid, movidid, rating, weekday) from u_data。
HQL细节点汇总
1. left semi join比inner join更高效，一旦左表中的记录在右表中找到匹配的记录，Hive就会立即停止扫描
2. 无on条件的join是计算两个表的笛卡尔积，结果行数等于左表行数乘以右表行数，设置属性hive.mapred.mode值为strict，Hive会阻止用户执行耗时的笛卡尔积查询
3. map-side join：在大表join小表时，可以将小表完全放到内存中，Hive可以在大表的map操作中执行连接过程。Hive v0.7之前需要显式添加标记，之后的版本通过设置属性hive.auto.convert.join为true（默认为false），启动该优化，并可以通过属性hive.mapjoin.smalltable.filesize设置小表的大小（单位为字节）。当join操作的表都是按照on语句中的键进行分桶时，且一张表的分桶个数是另一张表的若干倍，Hive也可以在map阶段按照分桶数据进行连接，同样该功能需要设置参数hive.optimize.bucketmapjoin为true时才可以开启优化；特殊地，如果连接操作的两个表分桶数量相同，且按照分桶键值进行连接，此时Hive可以执行一个更快的分类合并连接，需要设置如下属性才能开启，set hive.input.format=org.apache.hadoop.hive.ql.io.BucketizedHiveInputFormat; set hive.optimize.bucketmapjoin=true; set hive.optimize.bucketmapjoin.sortmerge=true。
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
