1 企业级调优
1.1 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
没有生成 MR 任务的
hive (default)> explain select * from emp;
OK
Explain
Plan optimized by CBO.
Stage-0
Fetch Operator
limit:-1
Select Operator [SEL_1]
Output:["_col0","_col1","_col2","_col3","_col4","_col5","_col6","_col7"]
TableScan [TS_0]
Output:["empno","ename","job","mgr","hiredate","sal","comm","deptno"]
Time taken: 3.189 seconds, Fetched: 10 row(s)
有生成 MR 任务的
hive (default)> explain select deptno, avg(sal) avg_sal from emp group by deptno;
OK
Explain
Plan optimized by CBO.
Vertex dependency in root stage
Reducer 2 <- Map 1 (SIMPLE_EDGE)
Stage-0
Fetch Operator
limit:-1
Stage-1
Reducer 2 vectorized
File Output Operator [FS_12]
Select Operator [SEL_11] (rows=1 width=7030)
Output:["_col0","_col1"]
Group By Operator [GBY_10] (rows=1 width=7030)
Output:["_col0","_col1","_col2"],aggregations:["sum(VALUE._col0)","count(VALUE._col1)"],keys:KEY._col0
<-Map 1 [SIMPLE_EDGE] vectorized
SHUFFLE [RS_9]
PartitionCols:_col0
Group By Operator [GBY_8] (rows=1 width=7030)
Output:["_col0","_col1","_col2"],aggregations:["sum(sal)","count(sal)"],keys:deptno
Select Operator [SEL_7] (rows=1 width=7030)
Output:["sal","deptno"]
TableScan [TS_0] (rows=1 width=7030)
default@emp,emp,Tbl:COMPLETE,Col:NONE,Output:["sal","deptno"]
Time taken: 1.893 seconds, Fetched: 25 row(s)
（2）查看详细执行计划
hive (default)> explain extended select * from emp;
hive (default)> explain extended select deptno, avg(sal) avg_sal from emp group by deptno;
1.2 Fetch 抓取
Fetch抓取是指 ，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。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。
<property>
<name>hive.fetch.task.conversion</name>
<value>more</value>
<description>
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 haveany 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)
</description>
</property>
案例实操：
（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。
hive (default)> set hive.fetch.task.conversion=none;
hive (default)> select * from emp;
hive (default)> select ename from emp;
hive (default)> select ename from emp limit 3;
（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;
1.3 本地模式
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。
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;
案例实操
（1）关闭本地模式 （默认是关闭的 ），并执行查询语句
hive (default)> select count(*) from emp group by deptno;
OK
_c0
3
5
6
1
Time taken: 8.67 seconds, Fetched: 4 row(s)
（2）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 count(*) from emp group by deptno;
OK
_c0
3
5
6
1
Time taken: 9.457 seconds, Fetched: 4 row(s)
1.4 表的优化
1.4.1 小表大表Join（MapJOIN）
将key 相对分散，并且数据量小的表放在join 的左边，可以使用map join 让小的维度表先进内存。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区别。
1. 需求介绍
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， 默认为true
hive (default)> set hive.auto.convert.join = true;
（2）大表小表的阈值设置（默认25M 以下认为是小表）：
hive (default)> set hive.mapjoin.smalltable.filesize = 25000000;
3. MapJoin 工作机制
4. 建大表、小表和 JOIN 后表的语句
// 创建大表
hive (default)> 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';
OK
Time taken: 0.193 seconds
// 创建小表
hive (default)> 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';
OK
Time taken: 0.162 seconds
// 创建 join 后的表
hive (default)> 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';
OK
Time taken: 0.127 seconds
5. 分别向大表和小表中导入数据
hive (default)> load data local inpath '/opt/module/hive-3.1.2/data/bigtable' into table bigtable;
Loading data to table default.bigtable
OK
Time taken: 27.455 seconds
hive (default)> load data local inpath '/opt/module/hive-3.1.2/data/smalltable' into table smalltable;
Loading data to table default.smalltable
OK
Time taken: 1.51 seconds
6. 小表 JOIN 大表语句
hive (default)> 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;
Loading data to table default.jointable
OK
b.id b.t b.uid b.keyword b.url_rank b.click_num b.click_url
Time taken: 97.527 seconds
7. 大表 JOIN小表语句
hive (default)> 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;
Loading data to table default.jointable
OK
b.id b.t b.uid b.keyword b.url_rank b.click_num b.click_url
Time taken: 94.968 seconds
1.4.2 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。例如 key 对应的字段为空，操作如下：
（1）配置历史服务器
配置mapred site.xml
<!--历史服务器端地址-->
<property>
<name>mapreduce.jobhistory.address</name>
<value>hadoop102:10020</value>
</property>
<!--历史服务器web端地址-->
<property>
<name>mapreduce.jobhistory.webapp.address</name>
<value>hadoop102:19888</value>
</property>
启动历史服务器
sbin/mr-jobhistory daemon.sh start historyserver
查看jobhistory
http://hadoop102:19888/jobhistory
（2）创建原始数据空 id 表
hive (default)> 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';
OK
Time taken: 0.151 seconds
（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-3.1.2/data/nullid' into table nullidtable;
Loading data to table default.nullidtable
OK
Time taken: 11.346 seconds
（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;
OK
n.id n.t n.uid n.keyword n.url_rank n.click_num n.click_url
Time taken: 182.221 seconds
（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;
OK
n.id n.t n.uid n.keyword n.url_rank n.click_num n.click_url
Time taken: 152.913 seconds
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。例如：
不随机分布空 null 值：
（1）设置 5 个 reduce 个数
hive (default)> set mapreduce.job.reduces = 5;
（2）JOIN 两张表
hive (default)> insert overwrite table jointable
> select n.* from nullidtable n left join bigtable b on n.id = b.id;
结果：如下图所示，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
hive (default)> 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;
（4）结果：如下图所示
3. SMB(Sort Merge Bucket join)
（1）创建第二张大表
hive (default)> 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';
OK
Time taken: 0.368 seconds
hive (default)> load data local inpath '/opt/module/hive-3.1.2/data/bigtable' into table bigtable2;
测试大表直接 JOIN
hive (default)> 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;
OK
b.id b.t b.uid b.keyword b.url_rank b.click_num b.click_url
Time taken: 396.839 seconds
（2）创建分桶表 1,桶的个数不要超过可用 CPU 的核数
hive (default)> 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';
OK
Time taken: 0.537 seconds
hive (default)> load data local inpath
> '/opt/module/hive-3.1.2/data/bigtable' into table
> bigtable_buck1;
（3） 创建分桶表 2，桶的个数不要超过可用 CPU 的核数
hive (default)> 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';
hive (default)> load data local inpath
> '/opt/module/hive-3.1.2/data/bigtable' into table
> bigtable_buck2;
（4）设置参数
hive (default)> set hive.optimize.bucketmapjoin = true;
hive (default)> set hive.optimize.bucketmapjoin.sortedmerge = true;
hive (default)> set hive.input.format=org.apache.hadoop.hive.ql.io.BucketizedHiveInputFormat;
（5）测试
hive (default)> 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;
1.4.3 Group By
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。
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。
开启 Map 端聚合参数设置
（1）是否在 Map 端进行聚合，默认为 True
hive (default)> set hive.map.aggr = true;
（2）在 Map 端进行聚合操作的条目数目
hive (default)> 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）
hive (default)> set hive.groupby.skewindata = true;
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。
Stage-Stage-1: Map: 1 Reduce: 5 Cumulative CPU: 21.7 sec HDFS Read: 37846 HDFS Write: 495 SUCCESS
Total MapReduce CPU Time Spent: 21 seconds 700 msec
OK
deptno
10
20
30
50
Time taken: 119.241 seconds, Fetched: 4 row(s)
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: 18.73 sec HDFS Read: 35806 HDFS Write: 552 SUCCESS
Stage-Stage-2: Map: 1 Reduce: 5 Cumulative CPU: 14.54 sec HDFS Read: 22374 HDFS Write: 495 SUCCESS
Total MapReduce CPU Time Spent: 33 seconds 270 msec
OK
deptno
10
20
30
50
Time taken: 104.013 seconds, Fetched: 4 row(s)
1.4.4 Count(Distinct) 去重统计
数据量小的时候无所谓，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 。
案例实操
（1）创建一张大表
hive (default)> create table bigtable (id bigint, times bigint, uid string,
> keyword string, url_rank int, click_num int, click_url string)
> row format delimited fields terminated by '\t';
OK
Time taken: 0.221 seconds
（2）加载数据
hive (default)> load data local inpath '/opt/module/hive-3.1.2/data/bigtable' into table bigtable;
Loading data to table default.bigtable
OK
Time taken: 11.977 seconds
（3）设置 5个 reduce 个数
hive (default)> 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: 5 Cumulative CPU: 21.11 sec HDFS Read: 129179350 HDFS Write: 580 SUCCESS
Stage-Stage-2: Map: 1 Reduce: 1 Cumulative CPU: 4.07 sec HDFS Read: 8535 HDFS Write: 105 SUCCESS
Total MapReduce CPU Time Spent: 25 seconds 180 msec
OK
_c0
99947
Time taken: 96.086 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: 29.09 sec HDFS Read: 129191861 HDFS Write: 2033820 SUCCESS
Stage-Stage-2: Map: 1 Reduce: 5 Cumulative CPU: 19.62 sec HDFS Read: 2053225 HDFS Write: 580 SUCCESS
Stage-Stage-3: Map: 1 Reduce: 1 Cumulative CPU: 3.58 sec HDFS Read: 8543 HDFS Write: 105 SUCCESS
Total MapReduce CPU Time Spent: 52 seconds 290 msec
OK
_c0
99947
Time taken: 154.433 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。
1.4.5 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 。
1.4.6 行列过滤
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：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：
（1）测试先关联两张表，再用 where 条件过滤
hive (default)> select o.id from bigtable b
> join bigtable o on o.id = b.id
> where o.id <= 10;
Time taken: 53.697 seconds, Fetched: 1081 row(s)
（2）通过子查询后，再关联表
hive (default)> select b.id from bigtable b
> join (select id from bigtable where id <= 10) o on b.id = o.id;
Time taken: 50.658 seconds, Fetched: 1081 row(s)
1.5 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。
针对上面的问题 2 和 3 ，我们需要采取两种方式来解决：即减少 map 数和增加 map 数；
1.5.1 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;
Hadoop job information for Stage-1: number of mappers: 7; number of reducers: 1
1.5.2 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。
hive (default)> set hive.input.format = org.apache.hadoop.hive.qi.io.CombineHiveInputFormat;
（2）在 Map-Reduce 的任务结束时合并小文件的设置：
在 map-only 任务结束时合并小文件，默认 true
hive (default)> set hive.merge.mapfiles = true;
在 map-reduce 任务结束时合并小文件，默认 false
hive (default)> set hive.merge.mapredfiles = true;
合并文件的大小，默认 256M
hive (default)> 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
hive (default)> set hive.merge.smallfiles.avgsize = 16777216;
1.5.3 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 256 MB
hive (default)> set hive.exec.reducers.bytes.per.reducer = 256000000;
（2）每个任务最大的 reduce 数，默认为 1009
hive (default)> set 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
hive (default)> 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。
1.6 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。
hive (default)> set hive.exec.parallel = true; // 打开任务并行执行
hive (default)> 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。
1.7 严格模式
Hive 可以通过设置防止一些危险操作：
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。
2 Hive 实战
2.1 需求描述
统计硅谷影音视频网站的常规指标，各种Top N 指标：
1 统计视频观看数 Top10
2 统计视频类别热度 Top10
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
4 统计视频观看数 Top50 所关联视频的所属类别 排序
5 统计每个类别中的视频热度 Top10, 以 Music 为例
6 统计每个类别视频观看数 Top10
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
2.2 数据结构
1. 视频表
2. 用户表
2.3 准备工作
2.3.1 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
1. 创建原始数据表
（1）gulivideo_ori
hive (default)> create table gulivideo_ori(
> videoId string,
> uploader string,
> age int,
> category array<string>,
> length int,
> views int,
> rate float,
> ratings int,
> comments int,
> relatedId array<string>)
> row format delimited fields terminated by "\t"
> collection items terminated by "&"
> stored as textfile;
OK
Time taken: 0.131 seconds
（2）创建原始数据表 : gulivideo_user_ori
hive (default)> create table gulivideo_user_ori(
> uploader string,
> videos int,
> friends int)
> row format delimited
> fields terminated by "\t"
> stored as textfile;
OK
Time taken: 0.131 seconds
2. 创建 orc 存储格式带 snappy 压缩的表：
（1）gulivideo_orc
hive (default)> create table gulivideo_orc(
> videoId string,
> uploader string,
> age int,
> category array<string>,
> length int,
> views int,
> rate float,
> ratings int,
> comments int,
> relatedId array<string>)
> row format delimited fields terminated by '\t'
> collection items terminated by '&'
> stored as orc
> tblproperties("orc.compress"="snappy");
OK
Time taken: 0.144 seconds
（2）gulivideo_user_orc
hive (default)> 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");
OK
Time taken: 0.127 seconds
（3）向 ori 表插入数据
hive (default)> load data local inpath "/opt/module/hive-3.1.2/data/video" into table gulivideo_ori;
Loading data to table default.gulivideo_ori
OK
Time taken: 4.183 seconds
hive (default)> load data local inpath "/opt/module/hive-3.1.2/data/user.txt" into table gulivideo_user_ori;
Loading data to table default.gulivideo_user_ori
OK
Time taken: 6.083 seconds
（4）向 orc 表插入数据
hive (default)> insert into table gulivideo_orc select * from gulivideo_ori;
hive (default)> insert into table gulivideo_user_orc select * from gulivideo_user_ori;
2.3.2 安装 Tez 引擎
Tez 是 一个 Hive 的运行引擎，性能优于 MR 。
用 Hive 直接编写 MR 程序，假设有四个有依赖关系的 MR 作业 ，上图中，绿色是Reduce Task ，云状表示写屏蔽，需要将中间结果持久化写到 HDFS 。
Tez可以将多个有依赖的作业转换为一个作业，这样只需写一次 HDFS ，且中间节点较少，从而大大提升作业的计算性能 。
（1）将 tez 安装包拷贝到集群，并解压 tar 包
[Tom@hadoop102 software]$ mkdir /opt/module/tez
[Tom@hadoop102 software]$ tar -zxvf /opt/software/tez-0.10.1-SNAPSHOT-minimal.tar.gz -C /opt/module/tez
（2）上传 tez 依赖到 HDFS
[Tom@hadoop102 software]$ hadoop fs -mkdir /tez
[Tom@hadoop102 software]$ hadoop fs -put /opt/software/tez-0.10.1-SNAPSHOT.tar.gz /tez
（3）新建 tez-site.xml
[Tom@hadoop102 software]$ vim $HADOOP_HOME/etc/hadoop/tez-site.xml
添加如下内容：
<?xml version="1.0" encoding="UTF-8"?>
<?xml-stylesheet type="text/xsl" href="configuration.xsl"?>
<configuration>
<property>
<name>tez.lib.uris</name>
<value>${fs.defaultFS}/tez/tez-0.10.1-SNAPSHOT.tar.gz</value>
</property>
<property>
<name>tez.use.cluster.hadoop-libs</name>
<value>true</value>
</property>
<property>
<name>tez.am.resource.memory.mb</name>
<value>1024</value>
</property>
<property>
<name>tez.am.resource.cpu.vcores</name>
<value>1</value>
</property>
<property>
<name>tez.container.max.java.heap.fraction</name>
<value>0.4</value>
</property>
<property>
<name>tez.task.resource.memory.mb</name>
<value>1024</value>
</property>
<property>
<name>tez.task.resource.cpu.vcores</name>
<value>1</value>
</property>
</configuration>
（4）修改 Hadoop环境变量
[Tom@hadoop102 software]$ vim $HADOOP_HOME/etc/hadoop/shellprofile.d/tez.sh
添加 Tez的 Jar 包相关信息
hadoop_add_profile tez
function _tez_hadoop_classpath
{
hadoop_add_classpath "$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
[Tom@hadoop102 software]$ vim $HIVE_HOME/conf/hive-site.xml
<property>
<name>hive.execution.engine</name>
<value>tez</value>
</property>
<property>
<name>hive.tez.container.size</name>
<value>1024</value>
</property>
（6）解决日志 Jar 包冲突
[Tom@hadoop102 software]$ rm /opt/module/tez/lib/slf4j-log4j12-1.7.10.jar
2.4 业务分析
2.4.1 统计视频观看数 Top10
hive (default)> select videoId, views from gulivideo_orc order by views desc limit 10;
OK
videoid views
dMH0bHeiRNg 42513417
0XxI-hvPRRA 20282464
1dmVU08zVpA 16087899
RB-wUgnyGv0 15712924
QjA5faZF1A8 15256922
-_CSo1gOd48 13199833
49IDp76kjPw 11970018
tYnn51C3X_w 11823701
pv5zWaTEVkI 11672017
D2kJZOfq7zk 11184051
Time taken: 15.721 seconds, Fetched: 10 row(s)
2.4.2 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。
hive (default)> 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;
OK
t1.category_name hot
Music 5375
Entertainment 4557
Comedy 4443
Film 2953
Animation 2953
People 2208
Blogs 2208
News 2070
Politics 2070
Sports 1710
Time taken: 23.159 seconds, Fetched: 10 row(s)
2.4.3 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
hive (default)> 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;
OK
t2.category_name video_sum
Blogs 2
Comedy 6
Entertainment 6
Music 5
People 2
UNA 1
Time taken: 20.196 seconds, Fetched: 6 row(s)
2.4.4 统计视频观看数 Top50 所关联视频的所属类别排序
hive (default)> select category_name, count(*) ct
> from (select explode(category) category_name
> from (select g.category from (select explode(relatedId) related_id
> from (select relatedId, views
> from gulivideo_orc order by views desc limit 50)t1)t2
> join gulivideo_orc g on t2.related_id = g.videoId)t3)t4
> group by category_name order by ct desc;
OK
category_name ct
Comedy 203
Entertainment 181
Music 154
Animation 65
Film 65
People 49
Blogs 49
UNA 19
Politics 14
Travel 14
Sports 14
News 14
Places 14
DIY 10
Howto 10
Games 9
Gadgets 9
Animals 6
Pets 6
Autos 2
Vehicles 2
Time taken: 41.837 seconds, Fetched: 21 row(s)
2.4.5 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。
hive (default)> create table gulivideo_orc_category(
> videoId string,
> uploader string,
> age int,
> category string,
> length int,
> views int,
> rate float,
> ratings int,
> comments int,
> relatedId array<string>)
> stored as orc
> tblproperties("orc.compress"="snappy");
OK
Time taken: 0.944 seconds
hive (default)> insert into table gulivideo_orc_category
> select videoId, uploader, age, category_name, length, views, rate, ratings, comments, relatedId
> from gulivideo_orc lateral view explode(category) category_tmp as category_name;
hive (default)> select videoId, views from gulivideo_orc_category
> where category="Music"
> order by views desc limit 10;
OK
videoid views
QjA5faZF1A8 15256922
tYnn51C3X_w 11823701
pv5zWaTEVkI 11672017
8bbTtPL1jRs 9579911
UMf40daefsI 7533070
HSoVKUVOnfQ 6193057
NINJQ5LRh-0 3794886
FLn45-7Pn2Y 3604114
seGhTWE98DU 3296342
eiiU-Fky18s 3269875
Time taken: 16.568 seconds, Fetched: 10 row(s)
2.4.6 统计每个类别视频观看数 Top3
hive (default)> select category, videoId, views
> from (select category, videoId, views, rank() over(partition by category order by views desc) rk
> from gulivideo_orc_category) t1
> where rk <= 3;
OK
category videoid views
Animals l9l19D2sIHI 1422837
Animals LHyJH1yGKZY 1085020
Animals Qz_nZixWX6Q 1027067
Animation sdUUx5FdySs 5840839
Animation 6B26asyGKDo 5147533
Animation 55YYaJIrmzo 3356163
Autos 46LQd9dXFRU 1262173
Autos pdiuDXwgrjQ 1013697
Autos aCamHfJwSGU 847442
Blogs -_CSo1gOd48 13199833
Blogs D2kJZOfq7zk 11184051
Blogs LB84A3zcmVo 4866739
Comedy dMH0bHeiRNg 42513417
Comedy 0XxI-hvPRRA 20282464
Comedy 49IDp76kjPw 11970018
DIY hut3VRL5XRE 2684989
DIY 6gmP4nk0EOE 1353059
DIY rZb2VlDyYvk 1084141
Entertainment 1dmVU08zVpA 16087899
Entertainment RB-wUgnyGv0 15712924
Entertainment vr3x_RRJdd4 10786529
Film sdUUx5FdySs 5840839
Film 6B26asyGKDo 5147533
Film 55YYaJIrmzo 3356163
Gadgets GxSdKF5Fd38 2468395
Gadgets gPutYwiiE0o 1633482
Gadgets 7wt5FiZQrgM 1399531
Games GxSdKF5Fd38 2468395
Games gPutYwiiE0o 1633482
Games 7wt5FiZQrgM 1399531
Howto hut3VRL5XRE 2684989
Howto 6gmP4nk0EOE 1353059
Howto rZb2VlDyYvk 1084141
Music QjA5faZF1A8 15256922
Music tYnn51C3X_w 11823701
Music pv5zWaTEVkI 11672017
News hr23tpWX8lM 4706030
News qSM_3fyiaxM 2291369
News qdS5lkeN8_8 2091042
People -_CSo1gOd48 13199833
People D2kJZOfq7zk 11184051
People LB84A3zcmVo 4866739
Pets l9l19D2sIHI 1422837
Pets LHyJH1yGKZY 1085020
Pets Qz_nZixWX6Q 1027067
Places bNF_P281Uu4 5231539
Places AlPqL7IUT6M 845180
Places _5QUdvUhCZc 819974
Politics hr23tpWX8lM 4706030
Politics qSM_3fyiaxM 2291369
Politics qdS5lkeN8_8 2091042
Sports q8t7iSGAKik 2735003
Sports 7vL19q8yL54 2527713
Sports P-bWsOK-h98 2268107
Travel bNF_P281Uu4 5231539
Travel AlPqL7IUT6M 845180
Travel _5QUdvUhCZc 819974
UNA aRNzWyD7C9o 8825788
UNA LIhbap3FlGc 2849832
UNA R0049_tDAU8 1204982
Vehicles 46LQd9dXFRU 1262173
Vehicles pdiuDXwgrjQ 1013697
Vehicles aCamHfJwSGU 847442
Time taken: 27.612 seconds, Fetched: 63 row(s)
2.4.7 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
hive (default)> select uploader, videoId, views
> from (select uploader, videoId, views, rank() over(partition by uploader order by views desc) rk
> from (select t1.uploader, videoId, views
> from (select uploader from gulivideo_user_orc order by videos desc limit 10)t1
> join gulivideo_orc g on t1.uploader = g.uploader)t2)t3
> where rk <= 20;
参考：
https://www.bilibili.com/video/BV1EZ4y1G7iL?spm_id_from=333.788.b_636f6d6d656e74.11
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
