大数据知识宝典（Hive篇）

注：本文主要摘录于尚硅谷大数据的学习资料，仅作学习记录，请勿用于商业用途。​​​​​

---

Hive部分

---

1. Hive 其他命令操作

1 ）退出 hive 窗口：

hive(default)>exit;

hive(default)>quit;

在新版的 oracle 中没区别了，在以前的版本是有的：

exit: 先隐性提交数据，再退出；

quit: 不提交数据，退出；

2 ）在 hive cli 命令窗口中如何查看 hdfs 文件系统

hive(default)> dfs -ls /;

3 ）在 hive cli 命令窗口中如何查看 hdfs 本地系统

hive(default)> ! ls /opt/module/datas;

4 ）查看在 hive 中输入的所有历史命令

（ 1 ）进入到当前用户的根目录 /root 或 /home/data

（ 2 ）查看 . hivehistory 文件

[@hadoop102 ~ ]$ cat .hivehistory

 

5）Hive强制删除数据库

如果数据库不为空，可以采用 cascade 命令，强制删除

hive> drop database db_hive cascade ;

 

Hive创建表
 1）建表语法
 CREATE [EXTERNAL] TABLE [IF NOT EXISTS] table_name 
 [(col_name data_type [COMMENT col_comment], ...)] 
 [COMMENT table_comment] 
 [PARTITIONED BY (col_name data_type [COMMENT col_comment], ...)] 
 [CLUSTERED BY (col_name, col_name, ...) 
 [SORTED BY (col_name [ASC|DESC], ...)] INTO num_buckets BUCKETS] 
 [ROW FORMAT row_format] 
 [STORED AS file_format] 
 [LOCATION hdfs_path]
 2）字段解释说明：
 （1）CREATE TABLE 创建一个指定名字的表。如果相同名字的表已经存在，则抛出
 异常；用户可以用 IF NOT EXISTS 选项来忽略这个异常。
 （2）EXTERNAL 关键字可以让用户创建一个外部表，在建表的同时指定一个指向实际
 数据的路径（LOCATION），Hive 创建内部表时，会将数据移动到数据仓库指向的路
 径；若创建外部表，仅记录数据所在的路径，不对数据的位置做任何改变。在删除表的
 时候，内部表的元数据和数据会被一起删除，而外部表只删除元数据，不删除数据。
 （3）COMMENT：为表和列添加注释。
 （4）PARTITIONED BY 创建分区表
 （5）CLUSTERED BY 创建分桶表
 （6）SORTED BY 不常用
 （7）ROW FORMAT 
 DELIMITED [FIELDS TERMINATED BY char] [COLLECTION ITEMS 
 TERMINATED BY char] 
      [MAP KEYS TERMINATED BY char] [LINES TERMINATED BY char]
  | SERDE serde_name [WITH SERDEPROPERTIES (property_name=property_value, 
 property_name=property_value, ...)]
 用户在建表的时候可以自定义 SerDe 或者使用自带的 SerDe。如果没有指定 ROW 
 FORMAT 或者 ROW FORMAT DELIMITED，将会使用自带的 SerDe。在建表的时候，用户
 还需要为表指定列，用户在指定表的列的同时也会指定自定义的 SerDe，Hive 通过 SerDe
 确定表的具体的列的数据。
 （8）STORED AS 指定存储文件类型
 常用的存储文件类型：SEQUENCEFILE（二进制序列文件）、TEXTFILE（文本）、
 RCFILE（列式存储格式文件）
 如果文件数据是纯文本，可以使用 STORED AS TEXTFILE。如果数据需要压缩，
 使用 STORED AS SEQUENCEFILE。

（9）LOCATION ：指定表在 HDFS 上的存储位置。

（10）LIKE 允许用户复制现有的表结构，但是不复制数据。

 

管理表

1 ）理论

默认创建的表都是所谓的管理表，有时也被称为内部表。因为这种表， Hive 会（或多

或少地）控制着数据的生命周期。 Hive 默认情况下会将这些表的数据存储在由配置项

hive.metastore.warehouse.dir( 例如， /user/hive/warehouse) 所定义的目录的子目录下。 当我们

删除一个管理表时， Hive 也会删除这个表中数据。 管理表不适合和其他工具共享数据。

2 ）案例实操

（ 1 ）普通创建表

create table if not exists student2(

id int, name string

)

row format delimited fields terminated by '\t'

stored as textfile

location '/user/hive/warehouse/student2';

（ 2 ）根据查询结果创建表（查询的结果会添加到新创建的表中）

create table if not exists student3

as select id, name from student;

（ 3 ）根据已经存在的表结构创建表 dept.txt

emp.txt

create table if not exists student4 like student;

（ 4 ）查询表的类型

hive (default)> desc formatted student2;

Table Type: MANAGED_TABLE

 

外部表

1 ）理论

因为表是外部表，所以  Hive 并非认为其完全拥有这份数据。 删除该表并不会删除掉这

份数据，不过描述表的元数据信息会被删除掉。

2 ）管理表和外部表的使用场景：

每天将收集到的网站日志定期流入 HDFS 文本文件。在外部表（原始日志表）的基础

上做大量的统计分析，用到的中间表、结果表使用内部表存储，数据通过 SELECT+INSERT

进入内部表。

 

分区表

分区表实际上就是对应一个 HDFS 文件系统上的独立的文件夹，该文件夹下是该分区

所有的数据文件。 Hive 中的分区就是分目录，把一个大的数据集根据业务需要分割成小的

数据集。在查询时通过 WHERE 子句中的表达式选择查询所需要的指定的分区，这样的查

询效率会提高很多。

5 ）增加分区

创建单个分区

hive (default)> alter table dept_partition add partition(month='201706') ;

同时创建多个分区

hive (default)>

alter table dept_partition add partition(month='201705') partition(month='201704');（自己备注：没有逗号）

6 ）删除分区

删除单个分区

hive (default)> alter table dept_partition drop partition (month='201704');

同时删除多个分区

hive (default)> alter table dept_partition drop partition (month='201705'), partition (month='201706'); （自己备注：有逗号）

7 ）查看分区表有多少分区

hive>show partitions dept_partition;

8 ）查看分区表结构

hive>desc formatted dept_partition;

DML 数据操作

5.1 数据导入

5.1.1 向表中装载数据（ Load ）

1 ）语法

hive>load data [local] inpath '/opt/module/datas/student.txt' [overwrite] into table student

[partition (partcol1=val1,…)];

（ 1 ） load data: 表示加载数据

（ 2 ） local: 表示从本地加载数据到 hive 表；否则从 HDFS 加载数据到 hive 表

（ 3 ） inpath: 表示加载数据的路径

（ 4 ） into table: 表示加载到哪张表

（ 5 ） student: 表示具体的表

（ 6 ） overwrite: 表示覆盖表中已有数据，否则表示追加

（ 7 ） partition: 表示上传到指定分区

2 ）实操案例

（ 0 ）创建一张表

hive (default)> create table student(id string, name string) row format delimited fields

terminated by '\t';

（ 1 ）加载本地文件到 hive

hive (default)> load data local inpath '/opt/module/datas/student.txt' into table

default.student;

（ 2 ）加载 HDFS 文件到 hive 中

上传文件到 HDFS

hive (default)> dfs -put /opt/module/datas/student.txt /user/atguigu/hive;

加载 HDFS 上数据

hive (default)> load data inpath '/user/atguigu/hive/student.txt' into table default.student;

（ 3 ）加载数据覆盖表中已有的数据

上传文件到 HDFS

hive (default)> dfs -put /opt/module/datas/student.txt /user/atguigu/hive;

加载数据覆盖表中已有的数据

hive (default)> load data inpath '/user/atguigu/hive/student.txt' overwrite into table

default.student;

 

5.1.2 通过查询语句向表中插入数据（ Insert ）

1 ）创建一张分区表

hive (default)> create table student(id string, name string) partitioned by (month string) row

format delimited fields terminated by '\t';

2 ）基本插入数据

hive (default)>

insert

into table student partition(month='201709')

values('1004','wangwu');

3 ）基本模式插入（根据单张表查询结果）

hive (default)> insert overwrite table student partition(month='201708')

select id, name from student where month='201709';

4 ）多插入模式（根据多张表查询结果）

hive (default)> from student

insert overwrite table student partition(month='201707')

select id, name where month='201709'

insert overwrite table student partition(month='201706')

select id, name where month='201709';

5.1.3 查询语句中创建表并加载数据（ As Select ）

根据查询结果创建表（查询的结果会添加到新创建的表中）

create table if not exists student3

as select id, name from student;

5.1.4 创建表时通过 Location 指定加载数据路径

1 ）创建表，并指定在 hdfs 上的位置

hive (default)> create table if not exists student5(

id int, name string

)

row format delimited fields terminated by '\t'

location '/user/hive/warehouse/student5';

2 ）上传数据到 hdfs 上

hive (default)> dfs -put /opt/module/datas/student.txt /user/hive/warehouse/student5;

3 ）查询数据

hive (default)> select * from student5;

5.1.5 Import 数据到指定 Hive 表中

先用 export 导出后，再将数据导入。

hive (default)>

import

table student2 partition(month='201709')

from

'/user/hive/warehouse/export/student';

5.2 数据导出

5.2.1 Insert 导出

1 ）将查询的结果导出到本地

hive (default)> insert overwrite local directory '/opt/module/datas/export/student'

select * from student;

2 ）将查询的结果格式化导出到本地

hive (default)> insert overwrite local directory '/opt/module/datas/export/student1'

ROW FORMAT DELIMITED FIELDS TERMINATED BY '\t'

COLLECTION ITEMS TERMINATED BY '\n'

select * from student;

3 ）将查询的结果导出到 HDFS 上 ( 没有 local)

hive (default)> insert overwrite directory '/user/atguigu/hive/warehouse/student2'

ROW FORMAT DELIMITED FIELDS TERMINATED BY '\t'

COLLECTION ITEMS TERMINATED BY '\n'

select * from student;

5.2.2 Hadoop 命令导出到本地

hive (default)> dfs -get /user/hive/warehouse/student/month=201709/000000_0

/opt/module/datas/export/student3.txt;

5.2.3 Hive Shell 命令导出

基本语法：（ hive -f/-e 执行语句或者脚本 > file ）

[hadoop102 hive]$

bin/hive -e 'select * from default.student;' > /opt/module/datas/export/student4.txt;

5.2.4 Export 导出到 HDFS 上

hive (default)> export table default.student to '/user/hive/warehouse/export/student';

5.2.5 Sqoop 导出

5.3 清除表中数据（ Truncate ）

注意： Truncate 只能删除管理表，不能删除外部表中数据。

hive (default)> truncate table student;

 

六 查询

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

[WITH CommonTableExpression (, CommonTableExpression)*] (Note: Only available

starting with Hive 0.13.0)

SELECT [ALL | DISTINCT] select_expr, select_expr, ...

FROM table_reference

[WHERE where_condition]

[GROUP BY col_list]

[ORDER BY col_list]

[CLUSTER BY col_list

| [DISTRIBUTE BY col_list] [SORT BY col_list]

]

[LIMIT number]

6.2.2 Like 和 RLike

1 ）使用 LIKE 运算选择类似的值

2 ）选择条件可以包含字符或数字 :

% 代表零个或多个字符 ( 任意个字符 ) 。

_ 代表一个字符。

3 ） RLIKE 子句是 Hive 中这个功能的一个扩展，其可以通过 Java 的正则表达式 这个更强大

的语言来指定匹配条件。

4 ）案例实操

（ 1 ）查找以 2 开头薪水的员工信息

hive (default)> select * from emp where sal LIKE '2%';

（ 2 ）查找第二个数值为 2 的薪水的员工信息

hive (default)> select * from emp where sal LIKE '_2%';

（ 3 ）查找薪水中含有 2 的员工信息

hive (default)> select * from emp where sal RLIKE '[2]';

6.3.2 Having 语句

1 ） having 与 where 不同点

（ 1 ） where 针对表中的列发挥作用，查询数据； having 针对查询结果中的列发挥作用，

筛选数据。

（ 2 ） where 后面不能写分组函数，而 having 后面可以使用分组函数。

（ 3 ） having 只用于 group by 分组统计语句。

2 ）案例实操：

（ 1 ）求每个部门的平均薪水大于 2000 的部门

求每个部门的平均工资

hive (default)> select deptno, avg(sal) from emp group by deptno;

求每个部门的平均薪水大于 2000 的部门

hive (default)> select deptno, avg(sal) avg_sal from emp group by deptno having avg_sal >

2000;

6.4.7 多表连接

注意：连接 n 个表，至少需要 n-1 个连接条件。例如：连接三个表，至少需要两个连

接条件。

3 ）多表连接查询

hive (default)>SELECT e.ename, d.deptno, l. loc_name

FROM emp e

JOIN dept d

ON d.deptno = e.deptno

JOIN location l

ON d.loc = l.loc;

大多数情况下， Hive 会对每对 JOIN 连接对象启动一个 MapReduce 任务。本例中会首

先启动一个 MapReduce job 对表 e 和表 d 进行连接操作，然后会再启动一个 MapReduce job

将第一个 MapReduce job 的输出和表 l; 进行连接操作。

注意：为什么不是表 d 和表 l 先进行连接操作呢？这是因为 Hive 总是按照从左到右的

顺序执行的。

6.4.8 笛卡尔积

1 ）笛卡尔集会在下面条件下产生 :

（ 1 ）省略连接条件

（ 2 ）连接条件无效

（ 3 ）所有表中的所有行互相连接

2 ）案例实操

hive (default)> select empno, deptno from emp, dept;

FAILED: SemanticException Column deptno Found in more than One Tables/Subqueries

6.5 排序

6.5.1 全局排序（ Order By ）

Order By ：全局排序，一个 MapReduce

1 ）使用 ORDER BY 子句排序

ASC （ ascend ） : 升序（默认）

DESC （ descend ） : 降序

2 ） ORDER BY 子句在 SELECT 语句的结尾。

3 ）案例实操

（ 1 ）查询员工信息按工资升序排列

hive (default)> select * from emp order by sal;

（ 2 ）查询员工信息按工资降序排列

hive (default)> select * from emp order by sal desc ;

6.5.2 按照别名排序

按照员工薪水的 2 倍排序

hive (default)> select ename, sal*2 twosal from emp order by twosal ;

6.5.3 多个列排序

按照部门和工资升序排序

hive (default)> select ename, deptno, sal from emp order by deptno, sal ;

6.5.4 每个 MapReduce 内部排序（ Sort By ）

Sort By ：每个 MapReduce 内部进行排序，对全局结果集来说不是排序。

1 ）设置 reduce 个数

hive (default)> set mapreduce.job.reduces=3;

2 ）查看设置 reduce 个数

hive (default)> set mapreduce.job.reduces;

3 ）根据部门编号降序查看员工信息

hive (default)> select * from emp sort by empno desc;

4 ）将查询结果导入到文件中（按照部门编号降序排序）

hive (default)> insert overwrite local directory '/opt/module/datas/sortby-result' select *

from emp sort by deptno desc;

6.5.5 分区排序（ Distribute By ）

Distribute By ：类似 MR 中 partition ，进行分区，结合 sort by 使用。

注意， Hive 要求 DISTRIBUTE BY 语句要写在 SORT BY 语句之前。

对于 distribute by 进行测试，一定要分配多 reduce 进行处理，否则无法看到 distribute by

的效果。

案例实操：

（ 1 ）先按照部门编号分区，再按照员工编号降序排序。 student.txt

hive (default)> set mapreduce.job.reduces=3;

hive (default)> insert overwrite local directory '/opt/module/datas/distribute-result' select *

from emp distribute by deptno sort by empno desc;

6.5.6 Cluster By

当 distribute by 和 sorts by 字段相同时，可以使用 cluster by 方式。

cluster by 除了具有 distribute by 的功能外还兼具 sort by 的功能。但是排序 只能是倒序排

序， 不能指定排序规则为 ASC 或者 DESC 。

1 ）以下两种写法等价

select * from emp cluster by deptno;

select * from emp distribute by deptno sort by deptno;

注意：按照部门编号分区，不一定就是固定死的数值，可以是 20 号和 30 号部门分到一

个分区里面去。

6.6 分桶及抽样查询

6.6.1 分桶表数据存储

分区针对的是数据的存储路径；分桶针对的是数据文件。

分区提供一个隔离数据和优化查询的便利方式。不过，并非所有的数据集都可形成合理

的分区，特别是之前所提到过的要确定合适的划分大小这个疑虑。

分桶是将数据集分解成更容易管理的若干部分的另一个技术。

（ 1 ）创建分桶表

create table stu_buck(id int, name string)

clustered by(id)

into 4 buckets

row format delimited fields terminated by '\t';

2 ）创建分桶表时，数据通过子查询的方式导入

需要设置一个属性

hive (default)> set hive.enforce.bucketing=true;

hive (default)> set mapreduce.job.reduces= -1 ;

hive (default)>insert into table stu_buck

select id, name from stu cluster by(id);

6.6.2 分桶抽样查询

对于非常大的数据集，有时用户需要使用的是一个具有代表性的查询结果而不是全部结

果。 Hive 可以通过对表进行抽样来满足这个需求。

查询表 stu_buck 中的数据。

hive (default)> select * from stu_buck tablesample (bucket 1 out of 4 on id);

注： tablesample 是抽样语句，语法： TABLESAMPLE(BUCKET x OUT OF y) 。

y 必须是 table 总 bucket 数的倍数或者因子。 hive 根据 y 的大小，决定抽样的比例。例

如， table 总共分了 4 份，当 y=2 时，抽取 (4/2=)2 个 bucket 的数据，当 y=8 时，抽取 (4/8=)1/2

个 bucket 的数据。

x 表示从哪个 bucket 开始抽取 。例如， table 总 bucket 数为 4 ， tablesample(bucket 4 out of

4) ，表示总共抽取（ 4/4= ） 1 个 bucket 的数据，抽取第 4 个 bucket 的数据。

注意： x 的值必须小于等于 y 的值，否则

FAILED: SemanticException [Error 10061]: Numerator should not be bigger than

denominator in sample clause for table stu_buck

6.6.3 数据块抽样

Hive 提供了另外一种按照百分比进行抽样的方式，这种是基于行数的，按照输入路径

下的数据块百分比进行的抽样。

hive (default)> select * from stu tablesample (0.1 percent) ;

提示：这种抽样方式不一定适用于所有的文件格式。另外，这种抽样的最小抽样单元是

一个 HDFS 数据块。因此，如果表的数据大小小于普通的块大小 128M 的话，那么将会返回

所有行。

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 ；

8.2 Hadoop 压缩配置
8.2.1 MR 支持的压缩编码
压缩格式 工具 算法 文件扩展名 是否可切分
DEFAULT 无 DEFAULT .deflate 否
Gzip gzip DEFAULT .gz 否
bzip2 bzip2 bzip2 .bz2 是
LZO lzop LZO .lzo 是
Snappy 无 Snappy .snappy 否

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
压缩格式 对应的编码/解码器
DEFLATE org.apache.hadoop.io.compress.DefaultCodec
gzip org.apache.hadoop.io.compress.GzipCodec
bzip2 org.apache.hadoop.io.compress.BZip2Codec
LZO com.hadoop.compression.lzo.LzopCodec
Snappy org.apache.hadoop.io.compress.SnappyCodec
压缩性能的比较
压缩算法 原始文件大小 压缩文件大小 压缩速度 解压速度
gzip 8.3GB 1.8GB 17.5MB/s 58MB/s
bzip2 8.3GB 1.1GB 2.4MB/s 9.5MB/s
LZO 8.3GB 2.9GB 49.3MB/s 74.6MB/s
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.

8.3 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

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 ：

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。

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。

存储文件的查询速度总结：

ORC > TextFile > Parquet

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 。

 

9.1 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 。

 

9.3 表的优化

9.3.1 小表、大表 Join

将 key 相对分散，并且数据量小的表放在 join 的左边，这样可以有效减少内存溢出错误

发生的几率；再进一步，可以使用 Group 让小的维度表（ 1000 条以下的记录条数）先进内

存。在 map 端完成 reduce 。

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明显区别。

9.3.2 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.

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。

select n.* from nullidtable n full join ori o on

case when n.id is null then concat('hive', rand()) else n.id end = o.id;

9.3.3 MapJoin

如果不指定 MapJoin 或者不符合 MapJoin 的条件，那么 Hive 解析器会将 Join 操作转换

成 Common Join ，即：在 Reduce 阶段完成 join 。容易发生数据倾斜。可以用 MapJoin 把小

表全部加载到内存在 map 端进行 join ，避免 reducer 处理。

1 ）开启 MapJoin 参数设置：

（ 1 ）设置自动选择 Mapjoin

set hive.auto.convert.join = true; 默认为 true

（ 2 ）大表小表的阀值设置（默认 25M 一下认为是小表）：

set hive.mapjoin.smalltable.filesize=25000000;

9.3.4 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。

1 ）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.map.aggr = true

（ 2 ）在 Map 端进行聚合操作的条目数目

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.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。

9.3.5 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.

9.3.6 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

9.3.7 行列过滤

列处理：在 SELECT 中，只拿需要的列，如果有，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。

9.3.8 动态分区调整

关系型数据库中，对分区表 Insert 数据时候，数据库自动会根据分区字段的值，将数据

插入到相应的分区中， Hive 中也提供了类似的机制，即动态分区 (Dynamic Partition) ，只不

过，使用 Hive 的动态分区，需要进行相应的配置。

1 ）开启动态分区参数设置

（ 1 ）开启动态分区功能（默认 true ，开启）

hive.exec.dynamic.partition=true

（ 2 ）设置为非严格模式（动态分区的模式，默认 strict ，表示必须指定至少一个分区为

静态分区， nonstrict 模式表示允许所有的分区字段都可以使用动态分区。）

hive.exec.dynamic.partition.mode=nonstrict

（ 3 ）在所有执行 MR 的节点上，最大一共可以创建多少个动态分区。

hive.exec.max.dynamic.partitions=1000

（ 4 ） 在每个执行 MR 的节点上，最大可以创建多少个动态分区。 该参数需要根据实际

的数据来设定。比如：源数据中包含了一年的数据，即 day 字段有 365 个值，那么该参数就

需要设置成大于 365 ，如果使用默认值 100 ，则会报错。

hive.exec.max.dynamic.partitions.pernode=100

（ 5 ）整个 MR Job 中，最大可以创建多少个 HDFS 文件。

hive.exec.max.created.files=100000

（ 6 ）当有空分区生成时，是否抛出异常。一般不需要设置。

hive.error.on.empty.partition=false

9.4 数据倾斜

9.4.1 合理设置 Map 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；

9.4.2 小文件进行合并

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。

set hive.input.format= org.apache.hadoop.hive.ql.io.CombineHiveInputFormat;

9.4.3 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。

9.4.4 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 256MB

hive.exec.reducers.bytes.per.reducer=256000000

（ 2 ）每个任务最大的 reduce 数，默认为 1009

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

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；

9.5 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。

set hive.exec.parallel=true; // 打开任务并行执行

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。

9.6 严格模式

Hive 提供了一个严格模式，可以防止用户执行那些可能意向不到的不好的影响的查询。

通过设置属性 hive.mapred.mode 值为默认是非严格模式 nonstrict 。开启严格模式需要

修改 hive.mapred.mode 值为 strict ，开启严格模式可以禁止 3 种类型的查询。

1 ）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 ）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 ） 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。

9.7 JVM 重用

JVM 重用是 Hadoop 调优参数的内容，其对 Hive 的性能具有非常大的影响，特别是对

于很难避免小文件的场景或 task 特别多的场景，这类场景大多数执行时间都很短。

Hadoop 的默认配置通常是使用派生 JVM 来执行 map 和 Reduce 任务的。这时 JVM 的

启动过程可能会造成相当大的开销，尤其是执行的 job 包含有成百上千 task 任务的情况。 JVM

重用可以使得 JVM 实例在同一个 job 中重新使用 N 次。 N 的值可以在 Hadoop 的

mapred-site.xml 文件中进行配置。通常在 10-20 之间，具体多少需要根据具体业务场景测试

得出。

9.8 推测执行

在分布式集群环境下，因为程序 Bug （包括 Hadoop 本身的 bug ），负载不均衡或者资源

分布不均等原因，会造成同一个作业的多个任务之间运行速度不一致，有些任务的运行速度

可能明显慢于其他任务（比如一个作业的某个任务进度只有 50% ，而其他所有任务已经运

行完毕），则这些任务会拖慢作业的整体执行进度。为了避免这种情况发生， Hadoop 采用

了推测执行（ Speculative Execution ）机制，它根据一定的法则推测出 “ 拖后腿 ” 的任务，并为

这样的任务启动一个备份任务，让该任务与原始任务同时处理同一份数据，并最终选用最先

成功运行完成任务的计算结果作为最终结果。