Hive相关操作总结

最新推荐文章于 2022-02-15 17:23:37 发布

江畔独步

最新推荐文章于 2022-02-15 17:23:37 发布

阅读量528

点赞数

分类专栏： Hive 文章标签： hive big data hadoop

本文链接：https://blog.csdn.net/liuwei0376/article/details/105049654

版权

Hive 专栏收录该内容

18 篇文章 0 订阅

订阅专栏

一. 打开Hive

1.1 beeline方式

beeline -u "jdbc:hive2://${hive_server2_host}:${hive_server2_port}" -n $HADOOP_USER_NAME -f $job

命令行方式:
[david_admin@server111-111-22-11 ~]$ beeline
Java HotSpot(TM) 64-Bit Server VM warning: ignoring option MaxPermSize=512M; support was removed in 8.0
Java HotSpot(TM) 64-Bit Server VM warning: ignoring option MaxPermSize=512M; support was removed in 8.0
WARNING: Use "yarn jar" to launch YARN applications.
Java HotSpot(TM) 64-Bit Server VM warning: ignoring option MaxPermSize=512M; support was removed in 8.0
SLF4J: Class path contains multiple SLF4J bindings.
SLF4J: Found binding in [jar:file:/opt/cloudera/parcels/CDH-6.1.0-1.cdh6.1.0.p0.770702/jars/log4j-slf4j-impl-2.8.2.jar!/org/slf4j/impl/StaticLoggerBinder.class]
SLF4J: Found binding in [jar:file:/opt/cloudera/parcels/CDH-6.1.0-1.cdh6.1.0.p0.770702/jars/slf4j-log4j12-1.7.25.jar!/org/slf4j/impl/StaticLoggerBinder.class]
SLF4J: See http://www.slf4j.org/codes.html#multiple_bindings for an explanation.
SLF4J: Actual binding is of type [org.apache.logging.slf4j.Log4jLoggerFactory]
Beeline version 2.1.1-cdh6.1.0 by Apache Hive

beeline> !connect jdbc:hive2://111.111.22.11:10000 -n deploy_man
Connecting to jdbc:hive2://111.111.22.11:10000
Connected to: Apache Hive (version 2.1.1-cdh6.1.0)
Driver: Hive JDBC (version 2.1.1-cdh6.1.0)
Transaction isolation: TRANSACTION_REPEATABLE_READ
0: jdbc:hive2://111.111.22.11:10000> 

0: jdbc:hive2://111.111.22.11:10000> select * from app_visit_info;
INFO  : Compiling command(queryId=hive_20200323163246_979dec7e-a598-4bea-8f65-af1517da0903): select * from app_visit_info
INFO  : Semantic Analysis Completed
INFO  : Returning Hive schema: Schema(fieldSchemas:[FieldSchema(name:app_visit_info.uid, type:string, comment:null), FieldSchema(name:app_visit_info.appname, type:string, comment:null), FieldSchema(name:app_visit_info.visit_cnt, type:bigint, comment:null), FieldSchema(name:app_visit_info.visit_day, type:string, comment:null)], properties:null)
INFO  : Completed compiling command(queryId=hive_20200323163246_979dec7e-a598-4bea-8f65-af1517da0903); Time taken: 0.583 seconds
INFO  : Executing command(queryId=hive_20200323163246_979dec7e-a598-4bea-8f65-af1517da0903): select * from app_visit_info
INFO  : Completed executing command(queryId=hive_20200323163246_979dec7e-a598-4bea-8f65-af1517da0903); Time taken: 0.0 seconds
INFO  : OK
+---------------------+-------------------------+---------------------------+---------------------------+
| app_visit_info.uid  | app_visit_info.appname  | app_visit_info.visit_cnt  | app_visit_info.visit_day  |
+---------------------+-------------------------+---------------------------+---------------------------+
| 1                   | 豆瓣                      | 1                         | 20180507                  |
| 1                   | 喜马拉雅                    | 2                         | 20180507                  |
| 1                   | 知乎                      | 3                         | 20180507                  |
| 1                   | 网易云音乐                   | 4                         | 20180507                  |
| 1                   | 京东                      | 5                         | 20180507                  |
| 1                   | 拼多多                     | 6                         | 20180507                  |
| 1                   | 网易云课堂                   | 7                         | 20180507                  |
| 2                   | 豆瓣                      | 7                         | 20180507                  |
| 2                   | 喜马拉雅                    | 6                         | 20180507                  |
| 1                   | 网易云音乐                   | 5                         | 20180508                  |
| 1                   | 京东                      | 4                         | 20180508                  |
| 1                   | 拼多多                     | 2                         | 20180508                  |
| 1                   | 网易云课堂                   | 6                         | 20180508                  |
| 1                   | 中国mooc                  | 15                        | 20180508                  |
+---------------------+-------------------------+---------------------------+---------------------------+
43 rows selected (0.786 seconds)


脚本使用方式:
[david_admin@server111-111-22-11 ~]$ beeline -u "jdbc:hive2://111.111.22.11:10000" -n deploy_man -f test.sql 
Java HotSpot(TM) 64-Bit Server VM warning: ignoring option MaxPermSize=512M; support was removed in 8.0
Java HotSpot(TM) 64-Bit Server VM warning: ignoring option MaxPermSize=512M; support was removed in 8.0
WARNING: Use "yarn jar" to launch YARN applications.
Java HotSpot(TM) 64-Bit Server VM warning: ignoring option MaxPermSize=512M; support was removed in 8.0
SLF4J: Class path contains multiple SLF4J bindings.
SLF4J: Found binding in [jar:file:/opt/cloudera/parcels/CDH-6.1.0-1.cdh6.1.0.p0.770702/jars/log4j-slf4j-impl-2.8.2.jar!/org/slf4j/impl/StaticLoggerBinder.class]
SLF4J: Found binding in [jar:file:/opt/cloudera/parcels/CDH-6.1.0-1.cdh6.1.0.p0.770702/jars/slf4j-log4j12-1.7.25.jar!/org/slf4j/impl/StaticLoggerBinder.class]
SLF4J: See http://www.slf4j.org/codes.html#multiple_bindings for an explanation.
SLF4J: Actual binding is of type [org.apache.logging.slf4j.Log4jLoggerFactory]
Connecting to jdbc:hive2://111.111.22.11:10000
Connected to: Apache Hive (version 2.1.1-cdh6.1.0)
Driver: Hive JDBC (version 2.1.1-cdh6.1.0)
Transaction isolation: TRANSACTION_REPEATABLE_READ
0: jdbc:hive2://111.111.22.11:10000> select 'Start testing....';
INFO  : Compiling command(queryId=hive_20200323162006_6f713abe-5209-4d0f-ab91-d9e64af714c7): select 'Start testing....'
INFO  : Semantic Analysis Completed
INFO  : Returning Hive schema: Schema(fieldSchemas:[FieldSchema(name:_c0, type:string, comment:null)], properties:null)
INFO  : Completed compiling command(queryId=hive_20200323162006_6f713abe-5209-4d0f-ab91-d9e64af714c7); Time taken: 0.371 seconds
INFO  : Executing command(queryId=hive_20200323162006_6f713abe-5209-4d0f-ab91-d9e64af714c7): select 'Start testing....'
INFO  : Completed executing command(queryId=hive_20200323162006_6f713abe-5209-4d0f-ab91-d9e64af714c7); Time taken: 0.001 seconds
INFO  : OK
+--------------------+
|        _c0         |
+--------------------+
| Start testing....  |
+--------------------+
1 row selected (0.496 seconds)

1.1 hive命令行方式打开hiveserver2 thrift服务

nohup ${HIVE_BIN_PATH}/hive --service hiveserver2  &

二. 导入数据

我们在hive的使用过程中, 一般第一步需将待分析数据进行导入.一般有4种导入方式, 不同的导入方式在效率上也不一样.
- 从本地文件系统中导入
- 从HDFS中导入
- 从其他Hive表中导入
- 建表的同时,导入数据

从本地文件系统中导入

①.建表
create table if not exists load_data_local_test(
id int,
name string)
row format delimited
fields terminated by '\u0001 ’
lines terminated by ‘\n’;
.
②. 导入本地数据
load data local inpath ‘/home/cdh610/hive_test/load_data_local_test.txt’ into table load_data_local;
注意:
本地系统导入数据大Hive表中时，本地文件的路径必须使用绝对路径.
数据导入验证:
1: select * from default.load_data_local_test;
2: hadoop fs -ls /dw/default/load_data_local_test;

从HDFS中导入

①.建表
create table if not exists load_data_hdfs_test(
id int,
name string)
row format delimited
fields terminated by '\u0001 ’
lines terminated by ‘\n’;
.
②. 本地创建load_data_hdfs_test.txt,并导入到hdfs中: hadoop fs -put ./load_data_hdfs.txt /dw
.
③. 导入本地数据
load data inpath ‘/dw/load_data_hdfs_test.txt’ into table load_data_hdfs_test;
注意:
从hdfs文件系统导入数据成功后，会把hdfs文件系统中原位置的load_data_hdfs.txt文件删除掉.
数据导入验证:
1: select * from default.load_data_hdfs_test;
2: hadoop fs -ls /dw/default/load_data_hdfs_test;

从其他Hive表中导入

①.导入的前提
源表和 目标表 都已经存在.
②.创建目标表
create table if not exists load_data_from_other_hive_table_test(
id int,
name string)
row format delimited
fields terminated by '\u0001 ’
lines terminated by ‘\n’;
.
③. 导入本地数据
insert into table load_data_from_other_hive_table_test select * from load_data_hdfs_test;

建表的同时,导入数据

这种方式的创建表的表结构来自于select查询语句的查询字段。
create table load_data_from_select_other_hive_table_test as select * from load_data_hdfs_test;

三. Hive 优化

3.1JOIN优化

Join查找操作的基本原则：应该将条目少的表/子查询放在 Join 操作符的左边。原因是在 Join 操作的 Reduce 阶段，位于 Join 操作符左边的表的内容会被加载进内存，将条目少的表放在左边，可以有效减少发生内存溢出错误的几率。

①. 多表JOIN与MR生成个数的关系?

Join查找操作中如果存在多个join，且所有参与join的表中其参与join的key都相同，则会将所有的join合并到一个mapred程序中。

-- 在一个mapre程序中执行join (根据如上原理, 因表a,b,c 在join关联时,使用了相同的key字段)
SELECT a.val, b.val, c.val FROM a JOIN b ON (a.key = b.key1) JOIN c ON (c.key = b.key1);  

-- 在两个mapre程序中执行join (根据如上原理, 因表a,b,c 在join关联时, b与a使用了key1字段; b与c使用了key2字段关联).
-- 可以以["学生", "选课","课程"]这3个经典的表作为类比, 选课表与学生通过student_id进行关联, 而与课程表 通过course_id进行关联.
SELECT a.val, b.val, c.val FROM a JOIN b ON (a.key = b.key1) JOIN c ON (c.key = b.key2);

②、大小表join问题

1、小表join大表，小表在前(left join, right join相反)
在两个表进行连接时，用小表来驱动大表可以提高系统的执行效率。
两表连接时，先执行的是两个表的笛卡尔积，接着是 on 的条件筛选，然后是 join 类型进行外部行的添加。
如果是 inner join，没有什么差别；
如果是 left join，就应该把大表放在后面；
如果是 right join，就应该把大表放在前面。

2、map side  join
map-side join 是一种特殊类型的join。如果join 有一个较小的表 ，这个小表可以加载到in-memory构成hash map，直接在map/reduce 过程中的map阶段完成join

明确指定 mapjoin  ： 
select  /*+ MAPJOIN(b) */  a.xx ,b.xx  
from a join b on a.xx = b.xx
（相当于指定表b(小表)为缓存表）
备注：1. 如果join 是 full / right outer  join类型  就不能使用 map-side了，因为左右两个表都需要被streamed.

和map join相关的Hive参数为:
- hive.join.emit.interval  
- hive.mapjoin.size.key  
- hive.mapjoin.cache.numrows

③、join操作中的where和on条件执行顺序与效率问题?

由于join操作是在where操作之前执行，所以当你在执行join时，where条件并不能起到减少join数据的作用.

对于带WHERE条件的JOIN语句，例如：
执行顺序是，首先完成2表JOIN，然后再通过WHERE条件进行过滤，这样在JOIN过程中可能会输出大量结果，再对这些结果进行过滤，比较耗时。
左连接时，左表中出现的JOIN字段都保留，右表没有连接上的都为空。
SELECT a.val, b.val FROM a LEFT OUTER JOIN b ON (a.key=b.key)
WHERE a.ds='2009-07-07' AND b.ds='2009-07-07'

可以进行优化，将WHERE条件放在ON里面，例如：
SELECT a.val, b.val FROM a LEFT OUTER JOIN b
ON (a.key=b.key AND b.ds='2009-07-07' AND a.ds='2009-07-07')

这样，在JOIN的过程中，就对不满足条件的记录进行了预先过滤，可能会有更好的表现。

④、关于表stream化?
在join操作的每一个mapred程序中，hive都会把出现在join语句中相对靠后的表的数据stream化，相对靠前的变的数据缓存在内存中。

当然，也可以手动指定stream化的表：

SELECT /*+ STREAMTABLE(a) */ a.val, b.val, c.val FROM a JOIN b ON (a.key = b.key1) JOIN c ON (c.key = b.key1)

3.2 Group by 优化

Map端聚合，首先在map端进行初步聚合，最后在reduce端得出最终结果，相关参数：

hive.map.aggr = true (是否在 Map 端进行聚合，默认为 True)
hive.groupby.mapaggr.checkinterval = 100000 (在 Map 端进行聚合操作的条目数目)

数据倾斜聚合优化，设置参数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 的输出结果集合会随机分布到 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。

3.3 合并小文件

文件数目过多，会给 HDFS 带来压力，并且会影响处理效率，可以通过合并 Map 和 Reduce 的结果文件来消除这样的影响：

hive.merge.mapfiles = true (是否和并 Map 输出文件，默认为 True)
hive.merge.mapredfiles = false (是否合并 Reduce 输出文件，默认为 False)
hive.merge.size.per.task = 256*1000*1000 (合并文件的大小)

3.4 Hive实现(not) in

通过left outer join进行查询,（假设B表中包含另外的一个字段 key1
select a.key from a left outer join b on a.key=b.key where b.key1 is null
通过left semi join 实现 in
SELECT a.key, a.val FROM a LEFT SEMI JOIN b on (a.key = b.key)
Left semi join 的限制：join条件中右边的表只能出现在join条件中。

3.5 排序优化

Order by 实现全局排序，一个reduce实现，效率低
Sort by 实现部分有序，单个reduce输出的结果是有序的，效率高，通常和DISTRIBUTE BY关键字一起使用（DISTRIBUTE BY关键字可以指定map 到 reduce端的分发key）
CLUSTER BY col1 等价于DISTRIBUTE BY col1 SORT BY col1

3.6 使用分区

Hive中的每个分区都对应hdfs上的一个目录，分区列也不是表中的一个实际的字段，而是一个或者多个伪列，在表的数据文件中实际上并不保存分区列的信息与数据。Partition关键字中排在前面的为主分区（只有一个），后面的为副分区
静态分区：静态分区在加载数据和使用时都需要在sql语句中指定
案例：(stat_date=‘20120625’,province=‘hunan’)
动态分区：使用动态分区需要设置hive.exec.dynamic.partition参数值为true，默认值为false，在默认情况下，hive会假设主分区时静态分区，副分区使用动态分区；如果想都使用动态分区，需要设置set hive.exec.dynamic.partition.mode=nostrick，默认为strick
案例：(stat_date=‘20120625’,province)

3.7 Distinct 使用

Hive支持在group by时对同一列进行多次distinct操作，却不支持在同一个语句中对多个列进行distinct操作。

3.8 Hql使用自定义的mapred脚本

注意事项：在使用自定义的mapred脚本时，关键字MAP REDUCE 是语句SELECT TRANSFORM ( … )的语法转换，并不意味着使用MAP关键字时会强制产生一个新的map过程，使用REDUCE关键字时会产生一个red过程。
自定义的mapred脚本可以是hql语句完成更为复杂的功能，但是性能比hql语句差了一些，应该尽量避免使用，如有可能，使用UDTF函数来替换自定义的mapred脚本

3.9 UDTF

UDTF将单一输入行转化为多个输出行，并且在使用UDTF时，select语句中不能包含其他的列，UDTF不支持嵌套，也不支持group by 、sort by等语句。如果想避免上述限制，需要使用lateral view语法，案例：
select a.timestamp, get_json_object(a.appevents, ‘ $eventid'), get_json_object(a.appenvets, '$ .eventname’) from log a;
select a.timestamp, b.*
from log a lateral view json_tuple(a.appevent, ‘eventid’, ‘eventname’) b as f1, f2;
其中，get_json_object为UDF函数，json_tuple为UDTF函数。
UDTF函数在某些应用场景下可以大大提高hql语句的性能，如需要多次解析json或者xml数据的应用场景。

3.10 聚合函数count和sum

Count和sum函数可能是在hql语句中使用的最为频繁的两个聚合函数了，但是在hive中count函数在计算distinct value时支持加入条件过滤。

3.11 Hive 中的文件存储格式 & 压缩格式

存储格式

存储格式	说明
TextFile	默认格式，存储方式为行存储，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，压缩后的文件不支持split，Hive不会对数据进行切分，从而无法对数据进行并行操作。并且在反序列化过程中，必须逐个字符判断是不是分隔符和行结束符，因此反序列化开销会比SequenceFile高几十倍。
SequenceFile	SequenceFile是Hadoop API提供的一种二进制文件支持，，存储方式为行存储，其具有使用方便、可分割、可压缩的特点。SequenceFile支持三种压缩选择：NONE，RECORD，BLOCK。Record压缩率低，一般建议使用BLOCK压缩。优势是文件和hadoop api中的MapFile是相互兼容的。
RCfile	存储方式：数据按行分块，每块按列存储。结合了行存储和列存储的优点：首先，RCFile 保证同一行的数据位于同一节点，因此元组重构的开销很低；其次，像列存储一样，RCFile 能够利用列维度的数据压缩，并且能跳过不必要的列读取；
ORCfile	存储方式：数据按行分块每块按照列存储。压缩快快速列存取。效率比rcfile高,是rcfile的改良版本。

总结：相比TEXTFILE和SEQUENCEFILE，RCFILE由于列式存储方式，数据加载时性能消耗较大，但是具有较好的压缩比和查询响应。数据仓库的特点是一次写入、多次读取，因此，整体来看，RCFILE相比其余两种格式具有较明显的优势。

压缩格式:

检查hadoop支持那些压缩格式

[root@${NN_HOST} ~]# hadoop checknative
/opt/cloudera/parcels/CDH-6.1.0-1.cdh6.1.0.p0.770702/bin/…/lib/hadoop/bin/hadoop
20/03/27 15:29:05 INFO bzip2.Bzip2Factory: Successfully loaded & initialized native-bzip2 library system-native
20/03/27 15:29:05 INFO zlib.ZlibFactory: Successfully loaded & initialized native-zlib library
Native library checking:
hadoop: true /opt/cloudera/parcels/CDH-6.1.0-1.cdh6.1.0.p0.770702/lib/hadoop/lib/native/libhadoop.so.1.0.0
zlib: true /lib64/libz.so.1
zstd : true /opt/cloudera/parcels/CDH-6.1.0-1.cdh6.1.0.p0.770702/lib/hadoop/lib/native/libzstd.so.1
snappy: true /opt/cloudera/parcels/CDH-6.1.0-1.cdh6.1.0.p0.770702/lib/hadoop/lib/native/libsnappy.so.1
lz4: true revision:10301
bzip2: true /lib64/libbz2.so.1
openssl: true /lib64/libcrypto.so
ISA-L: true /opt/cloudera/parcels/CDH-6.1.0-1.cdh6.1.0.p0.770702/lib/hadoop/lib/native/libisal.so.2

Hive ORC + SNAPPY
hive常见的几种文件存储格式与压缩方式的结合-------Parquet格式+snappy压缩以及ORC格式+snappy压缩文件的方式

四. 函数解析

4.1 开窗函数over() /统计函数ntile(num)

详见: Hive窗口函数Over和排序函数Rank

4.2 nvl

nvl(T value, T default_value)

Returns default value if value is null else returns value (as of Hive 0.11).
含义是：如果第一个参数为空那么显示第二个参数的值，如果第一个参数的值不为空，则显示第一个参数本来的值。

coalesce(T v1, T v2, …)

Returns the first v that is not NULL, or NULL if all v’s are NULL.
coalese函数的作用是的NVL的函数有点相似，其优势是有更多的选项
格式如下：
coalesce(expr1, expr2, expr3…… exprn)
表示可以指定多个表达式的占位符。

案例:

select nvl(null, 2), nvl(null,"defaultValue"), nvl(2,'default');
_c0	_c1	_c2
2	defaultValue	2

select coalesce(1,2,3),coalesce(1,null,3),coalesce(null,1,2), coalesce(null,null,2);
_c0	_c1	_c2	_c3
1	1	1	2

其他sql实现如mysql中, 实现相同功能则使用ifnull函数.

select IFNULL(1,0), IFNULL(0,1), IFNULL(1/0,10), IFNULL(1/0,'YES');  --1,0,10,YES
SELECT IF(1<2, 'RIGHT' ,'WRONG'),IF(1>2,2,3);  --RIGHT,3
SELECT CASE 3 WHEN 1 THEN 'ONE' WHEN 2 THEN 'TWO' ELSE 'MORE' END;  --MORE
SELECT CASE WHEN 1>0 THEN "true" ELSE "false" END;   --true
SELECT CASE BINARY "b" when "a" then 1 when "b" then 2 end;   --2

4.3 with as 语法

在开发中有时候要对临时处理一些数据，但是这些数据又不想放到table里面。
或者整个sql的流程繁冗, 且包含着严格的上下级关系, 不想创建太多的中间表(在流程结束位置还要考虑删除).
这个时候可以考虑with as。
with as是在内存中建立一个临时的table, 之后可以对这个temp table里的数据进行处理。另外其也可以和已存在hive里的其他表进行join关联操作.
注意: with as 后必须跟 sql语句(如select), 单独的with as语法会报语法错误.

由于with as是内存中的table, 所以速度还是比较快的。但如果数据量巨大, 建议不要用with as语法, 这样反而会变得很慢。

案例:
内存中构建数据集, 测试left join.

with a as (
select 
1 as id, a as name
union all 
2 as id, b as name
union all 
3 as id, c as name
), b as (
select 
1 as id, 15 as stock
union all 
2 as id, 50 as stock
) 
select a.*,b.* from a left join   b   on   a.id=b.id;

4.4 split

将字符串转化为数组, 如:

split('a,b,c,d' , ',') ==> ["a","b","c","d"] 

遍历数组元素,下标从0开始,如取'b':
split('a,b,c,d' , ',') [1]

4.5 collect_list

将该字段的值组成一个list, 不做去重处理.

4.6 将分区表数据导入另一张同构新表中

Step 1: 创建同构表
create table ${db_name}.${table_name}_temp like ${db_name}.${table_name};

Step 2: 查询源表数据导入新表
insert overwrite table ${db_name}.${table_name}_temp partition(year,month) select * from ${db_name}.${table_name} where ${conditions};
.
egg: 1=1 and ${col_name} is not null;

Step 3: 删除源表
drop table if exists ${db_name}.${table_name};

Step 4: 临时表重命名为新表
alter table ${db_name}.${table_name}_temp rename to ${db_name}.${table_name};

4.7 在hive表指定位置添加列

-- 选择hive某个数据库
use ${DB_NAME};

-- 增加一列
alter table ${TABLE_NAME} add columns (${NEW_ADD_COLUMN} string);

-- 将增加的列放到某一列后面
alter table ${TABLE_NAME} change column ${NEW_ADD_COLUMN} ${NEW_ADD_COLUMN} string after user_name;

-- 将增加的列放到第一列位置
alter table ${TABLE_NAME} change column ${NEW_ADD_COLUMN} ${NEW_ADD_COLUMN} string first;

1.1 beeline方式

参考列表:
-1. 一起学Hive——详解四种导入数据的方式

江畔独步

关注

0
点赞
踩
1

收藏

觉得还不错? 一键收藏
0
评论
Hive相关操作总结

客户端打开beeline方式beeline -u "jdbc:hive2://${hive_server2_host}:${hive_server2_port}" -n $HADOOP_USER_NAME -f $job命令行方式:[david_admin@server111-111-22-11 ~]$ beelineJava HotSpot(TM) 64-Bit Server ...
复制链接

扫一扫