大数据最佳实践-hive

概述

1） hive 简介
Hive：由 Facebook 开源用于解决海量结构化日志的数据统计工具。
Hive 是基于 Hadoop 的一个数据仓库工具，可以将结构化的数据文件映射为一张表，并 提供类 SQL 查询功能。
2） Hive 本质：将 HQL 转化成 MapReduce 程序
（1）Hive 处理的数据存储在 HDFS
（2）Hive 分析数据底层的实现是 MapReduce
（3）执行程序运行在 Yarn 上

优点
（1）操作接口采用类 SQL 语法，提供快速开发的能力（简单、容易上手）。
（2）避免了去写 MapReduce，减少开发人员的学习成本。
（3）Hive 的执行延迟比较高，因此 Hive 常用于数据分析，对实时性要求不高的场合。
（4）Hive 优势在于处理大数据，对于处理小数据没有优势，因为 Hive 的执行延迟比较 高。
（5）Hive 支持用户自定义函数，用户可以根据自己的需求来实现自己的函数。
1.2.2 缺点
1）Hive 的 HQL 表达能力有限
（1）迭代式算法无法表达
（2）数据挖掘方面不擅长，由于 MapReduce 数据处理流程的限制，效率更高的算法却 无法实现。
2）Hive 的效率比较低
（1）Hive 自动生成的 MapReduce 作业，通常情况下不够智能化
（2）Hive 调优比较困难，粒度较粗

由于 Hive 采用了类似 SQL 的查询语言 HQL(Hive Query Language)，因此很容易将 Hive 理

解为数据库。其实从结构上来看，Hive 和数据库除了拥有类似的查询语言，再无类似之处。 本文将从多个方面来阐述 Hive 和数据库的差异。数据库可以用在 Online 的应用中，但是 Hive 是为数据仓库而设计的，清楚这一点，有助于从应用角度理解 Hive 的特性。

用户接口：Client
CLI（command-line interface）、JDBC/ODBC(jdbc 访问 hive)、WEBUI（浏览器访问 hive）
元数据：Metastore
元数据包括：表名、表所属的数据库（默认是 default）、表的拥有者、列/分区字段、 表的类型（是否是外部表）、表的数据所在目录等；
默认存储在自带的 derby 数据库中，推荐使用 MySQL 存储 Metastore
3）Hadoop
使用 HDFS 进行存储，使用 MapReduce 进行计算。
4）驱动器：Driver
（1）解析器（SQL Parser）：将 SQL 字符串转换成抽象语法树 AST，这一步一般都用第 三方工具库完成，比如 antlr；对 AST 进行语法分析，比如表是否存在、字段是否存在、SQL 语义是否有误。
（2）编译器（Physical Plan）：将 AST 编译生成逻辑执行计划。
（3）优化器（Query Optimizer）：对逻辑执行计划进行优化。
（4）执行器（Execution）：把逻辑执行计划转换成可以运行的物理计划。对于 Hive 来 说，就是 MR/Spark。
Hive 通过给用户提供的一系列交互接口，接收到用户的指令(SQL)，使用自己的 Driver， 结合元数据(MetaStore)，将这些指令翻译成 MapReduce，提交到 Hadoop 中执行，最后，将 执行返回的结果输出到用户交互接口。

查询语言
由于 SQL 被广泛的应用在数据仓库中，因此，专门针对 Hive 的特性设计了类 SQL 的查 询语言 HQL。熟悉 SQL 开发的开发者可以很方便的使用 Hive 进行开发。
1.4.2 数据更新
由于 Hive 是针对数据仓库应用设计的，而数据仓库的内容是读多写少的。因此，Hive 中 不建议对数据的改写，所有的数据都是在加载的时候确定好的。而数据库中的数据通常是需 要经常进行修改的，因此可以使用 INSERT INTO … VALUES 添加数据，使用 UPDATE … SET 修 改数据。
1.4.3 执行延迟
Hive 在查询数据的时候，由于没有索引，需要扫描整个表，因此延迟较高。另外一个导 致 Hive 执行延迟高的因素是 MapReduce 框架。由于 MapReduce 本身具有较高的延迟，因此 在利用 MapReduce 执行 Hive 查询时，也会有较高的延迟。相对的，数据库的执行延迟较低。 当然，这个低是有条件的，即数据规模较小，当数据规模大到超过数据库的处理能力的时候，
Hive 的并行计算显然能体现出优势。

查询语言
由于 SQL 被广泛的应用在数据仓库中，因此，专门针对 Hive 的特性设计了类 SQL 的查 询语言 HQL。熟悉 SQL 开发的开发者可以很方便的使用 Hive 进行开发。
1.4.2 数据更新
由于 Hive 是针对数据仓库应用设计的，而数据仓库的内容是读多写少的。因此，Hive 中 不建议对数据的改写，所有的数据都是在加载的时候确定好的。而数据库中的数据通常是需 要经常进行修改的，因此可以使用 INSERT INTO … VALUES 添加数据，使用 UPDATE … SET 修 改数据。
1.4.3 执行延迟
Hive 在查询数据的时候，由于没有索引，需要扫描整个表，因此延迟较高。另外一个导 致 Hive 执行延迟高的因素是 MapReduce 框架。由于 MapReduce 本身具有较高的延迟，因此 在利用 MapReduce 执行 Hive 查询时，也会有较高的延迟。相对的，数据库的执行延迟较低。 当然，这个低是有条件的，即数据规模较小，当数据规模大到超过数据库的处理能力的时候，
Hive 的并行计算显然能体现出优势。

安装

2.1Hive 安装地址
1）Hive 官网地址
http://hive.apache.org /

2）文档查看地址
https: //cwiki.apache.org /confluence/display/Hive/G ettingStarted

3）下载地址
http://archive.apache.org /dist/hive/

4）github 地址
https: //github.com/apache/hive

2.2.1 安装 Hive
1）把 apache-hive-3.1.2-bin.tar.gz 上传到 linux 的/opt/software 目录下
2）解压 apache-hive-3.1.2-bin.tar.gz 到/opt/module/目录下面
3）修改 apache-hive-3.1.2-bin.tar.gz 的名称为 hive
4）修改/etc/profile.d/my_env.sh，添加环境变量
sudo vim /etc/profile.d/my_env.sh
5）添加内容
6）解决日志 Jar 包冲突
7）初始化元数据库
bin/schematool -dbType derby -initSchema

启动并使用 Hive
1）启动 Hive
bin/hive
2）使用 Hive
hive> show databases; hive> show tables;
hive> create table test(id int); hive> insert into test values(1); hive> select * from test;

3）在 CRT 窗口中开启另一个窗口开启 Hive，在/tmp/alexu 目录下监控 hive.log 文件

Caused by: ERROR XSDB6: Another instance of Derby may have already booted the database /opt/module/hive/metastore_db.
at org.apache.derby.iapi.error.StandardException.newException(Unknown Source)
at org.apache.derby.iapi.error.StandardException.newException(Unknown

Source)
at org.apache.derby.impl.store.raw.data.BaseDataFileFactory.privGetJBMSLockO nDB(Unknown Source)
at org.apache.derby.impl.store.raw.data.BaseDataFileFactory.run(Unknown Source)
…
原因在于 Hive 默认使用的元数据库为 derby，开启 Hive 之后就会占用元数据库，且不与 其他客户端共享数据，所以我们需要将 Hive 的元数据地址改为 MySQL。

MYSQL安装

检查当前系统是否安装过 MySQL

2）将 MySQL 安装包拷贝到/opt/software 目录下

3）解压 MySQL 安装包

4）在安装目录下执行 rpm 安装

注意:按照顺序依次执行
如果 Linux 是最小化安装的，在安装 mysql-community-server-5.7.28-1.el7.x86_64.rpm 时 可能会出现如下错误

通过 yum 安装缺少的依赖,然后重新安装 mysql-community-server-5.7.28-1.el7.x86_64 即

可
[alexu@hadoop102 software] yum install -y libaio
5）删除/etc/my.cnf 文件中 datadir 指向的目录下的所有内容,如果有内容的情况下: 查看 datadir 的值：
删除/var/lib/mysql 目录下的所有内容:

6）初始化数据库
[alexu @hadoop102 opt]$ sudo mysqld --initialize --user=mysql
7）查看临时生成的 root 用户的密码
[alexu @hadoop102 opt]$ sudo cat /var/log/mysqld.log

8）启动 MySQL 服务
[alexu @hadoop102 opt]$ sudo systemctl start mysqld
9）登录 MySQL 数据库

登录成功.
10）必须先修改 root 用户的密码,否则执行其他的操作会报错
mysql> set password = password(“新密码”);
11）修改 mysql 库下的 user 表中的 root 用户允许任意 ip 连接

Hive 元数据配置到 MySQL

将 MySQL 的 JDBC 驱动拷贝到 Hive 的 lib 目录下
cp /opt/software/mysql-connector-java- 5.1.37.jar $HIVE_HOME/lib

2.4.2配置 Metastore 到 MySQL
1）在$HIV{E}_{H}OME/conf目录下新建hive-site.xml文件2.4.2配置Metastore到MySQL1）在$HIVE_HOME/conf 目录下新建 hive-site.xml 文件

<?xml version="1.0"?>
<?xml-stylesheet type="text/xsl" href="configuration.xsl"?>
<configuration>
<!-- jdbc 连接的 URL -->
<property>
<name>javax.jdo.option.ConnectionURL</name>
<value>jdbc:mysql://hadoop102:3306/metastore?useSSL=false</value>
</property>

<!-- jdbc 连接的 Driver-->
<property>
<name>javax.jdo.option.ConnectionDriverName</name>
<value>com.mysql.jdbc.Driver</value>
</property>

<!-- jdbc 连接的 username-->
<property>
<name>javax.jdo.option.ConnectionUserName</name>
<value>root</value>
</property>

<!-- jdbc 连接的 password -->
<property>
<name>javax.jdo.option.ConnectionPassword</name>
<value>000000</value>
</property>

<!-- Hive 元数据存储版本的验证 -->
<property>
<name>hive.metastore.schema.verification</name>
<value>false</value>
</property>

<!--元数据存储授权-->
<property>
<name>hive.metastore.event.db.notification.api.auth</name>
<value>false</value>
</property>

<!-- Hive 默认在 HDFS 的工作目录 -->
<property>
<?xml version="1.0"?>
<?xml-stylesheet type="text/xsl" href="configuration.xsl"?>
<configuration>
<!-- jdbc 连接的 URL -->
<property>
<name>javax.jdo.option.ConnectionURL</name>
<value>jdbc:mysql://hadoop102:3306/metastore?useSSL=false</value>
</property>

<!-- jdbc 连接的 Driver-->
<property>
<name>javax.jdo.option.ConnectionDriverName</name>
<value>com.mysql.jdbc.Driver</value>
</property>

<!-- jdbc 连接的 username-->
<property>
<name>javax.jdo.option.ConnectionUserName</name>
<value>root</value>
</property>

<!-- jdbc 连接的 password -->
<property>
<name>javax.jdo.option.ConnectionPassword</name>
<value>000000</value>
</property>

<!-- Hive 元数据存储版本的验证 -->
<property>
<name>hive.metastore.schema.verification</name>
<value>false</value>
</property>

<!--元数据存储授权-->
<property>
<name>hive.metastore.event.db.notification.api.auth</name>
<value>false</value>
</property>

<!-- Hive 默认在 HDFS 的工作目录 -->
<property>

2）登陆 MySQL
[ mysql -uroot -p000000

新建 Hive 元数据库
mysql> create database metastore; mysql> quit;
quit

初始化 Hive 元数据库
schematool -initSchema -dbType mysql - verbose

再次启动Hive

使用元数据服务的方式访问 Hive
在 hive-site.xml 文件中添加如下配置信息

hive.metastore.uris thrift://hadoop102:9083

启动 metastore
[alexu@hadoop202 hive]$ hive --service metastore 2020-04-24 16:58:08: Starting Hive Metastore Server 注意: 启动后窗口不能再操作，需打开一个新的 shell 窗口做别的操作

使用 JDBC 方式访问 Hive

在 hive-site.xml 文件中添加如下配置信息

hive.server2.thrift.bind.host hadoop102 hive.server2.thrift.port 10000

2）启动 hiveserver2
bin/hive --service hiveserver2

3）启动 beeline 客户端（需要多等待一会）
bin/beeline -u jdbc:hive2://hadoop102:10000 -n alexu

看到如下界面
Connecting to jdbc:hive2://hadoop102:10000 Connected to: Apache Hive (version 3.1.2) Driver: Hive JDBC (version 3.1.2)
Transaction isolation: TRANSACTION_REPEATABLE_READ Beeline version 3.1.2 by Apache Hive
0: jdbc:hive2://hadoop102:10000>

5）编写 hive 服务启动脚本（了解）

前台启动的方式导致需要打开多个 shell 窗口，可以使用如下方式后台方式启动
nohup: 放在命令开头，表示不挂起,也就是关闭终端进程也继续保持运行状态
/dev/null：是 Linux 文件系统中的一个文件，被称为黑洞，所有写入改文件的内容 都会被自动丢弃
2>&1 : 表示将错误重定向到标准输出上
&: 放在命令结尾,表示后台运行
一般会组合使用: nohup [xxx 命令操作]> file 2>&1 &，表示将 xxx 命令运行的结 果输出到 file 中，并保持命令启动的进程在后台运行。
如上命令不要求掌握。

nohup hive --service metastore 2>&1 &

nohup hive --service hiveserver2 2>&1 &

vim $HIVE_HOME/bin/hiveservices.sh

#!/bin/bash HIVE_LOG_DIR=$HIVE_HOME/logs if [ ! -d $HIVE_LOG_DIR ] then
mkdir -p $HIVE_LOG_DIR
fi
#检查进程是否运行正常，参数 1 为进程名，参数 2 为进程端口
function check_process()
{
pid=$(ps -ef 2>/dev/null | grep -v grep | grep -i $1 | awk '{print
$2}')
ppid=$(netstat -nltp 2>/dev/null | grep $2 | awk '{print $7}' | cut - d '/' -f 1)
echo $pid
[[ "$pid" =~ "$ppid" ]] && [ "$ppid" ] && return 0 || return 1
}

function hive_start()
{
metapid=$(check_process HiveMetastore 9083)
cmd="nohup hive --service metastore >$HIVE_LOG_DIR/metastore.log 2>&1
&"
[ -z "$metapid" ] && eval $cmd || echo "Metastroe 服务已启动" server2pid=$(check_process HiveServer2 10000)
cmd="nohup hiveserver2 >$HIVE_LOG_DIR/hiveServer2.log 2>&1 &"
[ -z "$server2pid" ] && eval $cmd || echo "HiveServer2 服务已启动"
}

function hive_stop()
{
metapid=$(check_process HiveMetastore 9083)
[ "$metapid" ] && kill $metapid || echo "Metastore 服务未启动" server2pid=$(check_process HiveServer2 10000)
[ "$server2pid" ] && kill $server2pid || echo "HiveServer2 服务未启动"
}

case $1 in "start")
hive_start
;;
"stop")
hive_stop
;;
"restart")
hive_stop sleep 2 hive_start
;;
"status")
check_process HiveMetastore 9083 >/dev/null && echo "Metastore 服务运行 正常" || echo "Metastore 服务运行异常"
check_process HiveServer2 10000 >/dev/null && echo "HiveServer2 服务运 行正常" || echo "HiveServer2 服务运行异常"
;;
*)
echo Invalid Args!
echo 'Usage: '$(basename $0)' start|stop|restart|status'
;;
esac

chmod +x $HIVE_HOME/bin/hiveservices.sh
hiveservices.sh start

 bin/hive -help usage: hive
-d,--define <key=value>	Variable subsitution to apply to hive
commands. e.g. -d A=B or --define A=B
--database <databasename>	Specify the database to use
-e <quoted-query-string>	SQL from command line
-f <filename>	SQL from files
-H,--help	Print help information
--hiveconf <property=value>	Use value for given property
--hivevar <key=value>	Variable subsitution to apply to hive
commands. e.g. --hivevar A=B
-i <filename>	Initialization SQL file
-S,--silent	Silent mode in interactive shell
-v,--verbose	Verbose mode (echo executed SQL to the console)


“-e”不进入 hive 的交互窗口执行 sql 语句
 bin/hive -e "select id from student;" 	
2）“-f”执行脚本中 sql 语句
（1）在/opt/module/hive/下创建 datas 目录并在 datas 目录下创建 hivef.sql 文件
[alexu@hadoop102 datas]$ touch hivef.sql 	
（2）文件中写入正确的 sql 语句
select *from student; 	
（3）执行文件中的 sql 语句
 bin/hive -f /opt/module/hive/datas/hivef.sql 	
（4）执行文件中的 sql 语句并将结果写入文件中

Hive 其他命令操作

1）退出 hive 窗口：
hive(default)>exit;
hive(default)>quit;

在 hive cli 命令窗口中如何查看 hdfs 文件系统
hive(default)>dfs -ls /;
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/alexu
（2）查看. hivehistory 文件
[alex2u@hadoop102 ~]$ cat .hivehistory

常见配置

Hive 运行日志信息配置
1）Hive 的 log 默认存放在/tmp/alexu/hive.log 目录下（当前用户名下）
2）修改 hive 的 log 存放日志到/opt/module/hive/logs
（1）修改/opt/module/hive/conf/hive-log4j2.properties.template 文件名称为

hive-log4j2.properties

（2）在 hive-log4j2.properties 文件中修改 log 存放位置
hive.log.dir=/opt/module/hive/logs

打印 当前库 和 表头
在 hive-site.xml 中加入如下两个配置:

<property>
<name>hive.cli.print.header</name>
<value>true</value>
</property>

<property>
<name>hive.cli.print.current.db</name>
<value>true</value>
</property>

查看当前所有的配置信息
hive>set;
2）参数的配置三种方式
（1）配置文件方式 默认配置文件：hive-default.xml 用户自定义配置文件：hive-site.xml
注意：用户自定义配置会覆盖默认配置。另外，Hive 也会读入 Hadoop 的配置，因为 Hive 是作为 Hadoop 的客户端启动的，Hive 的配置会覆盖 Hadoop 的配置。配置文件的设定对本 机启动的所有 Hive 进程都有效。
（2）命令行参数方式
启动 Hive 时，可以在命令行添加-hiveconf param=value 来设定参数。
例如：
[alex@hadoop103 hive]$ bin/hive -hiveconf mapred.reduce.tasks=10;
注意：仅对本次 hive 启动有效 查看参数设置：
hive (default)> set mapred.reduce.tasks;
（3）参数声明方式
可以在 HQL 中使用 SET 关键字设定参数 例如：
hive (default)> set mapred.reduce.tasks=100;
注意：仅对本次 hive 启动有效。 查看参数设置
hive (default)> set mapred.reduce.tasks;
上述三种设定方式的优先级依次递增。即配置文件<命令行参数<参数声明。注意某些系 统级的参数，例如 log4j 相关的设定，必须用前两种方式设定，因为那些参数的读取在会话 建立以前已经完成了。

数据类型

对于 Hive 的 String 类型相当于数据库的 varchar 类型，该类型是一个可变的字符串，不 过它不能声明其中最多能存储多少个字符，理论上它可以存储 2GB 的字符数。

Hive 有三种复杂数据类型 ARRAY、MAP 和 STRUCT。ARRAY 和 MAP 与 Java 中的 Array 和 Map 类似，而 STRUCT 与 C 语言中的 Struct 类似，它封装了一个命名字段集合，复杂数据 类型允许任意层次的嵌套。

（1）假设某表有如下一行，我们用 JSON 格式来表示其数据结构。在 Hive 下访问的格 式为

（2）基于上述数据结构，我们在 Hive 里创建对应的表，并导入数据。 创建本地测试文件 test.txt

注意：MAP，STRUCT 和 ARRAY 里的元素间关系都可以用同一个字符表示，这里用“_”。

songsong,bingbing_lili,xiao song:18_xiaoxiao song:19,hui long guan_beijing
yangyang,caicai_susu,xiao yang:18_xiaoxiao yang:19,chao yang_beijing

create table test( name string,
children map<string, int>,
address struct<street:string, city:string>
)
row format delimited fields terminated by ‘,’ collection items terminated by ‘_’
map keys terminated by ‘:’ lines terminated by ‘\n’;

row format delimited fields terminated by ‘,’ – 列分隔符
collection items terminated by ‘_’ --MAP STRUCT 和 ARRAY 的分隔符(数据分割符号)
map keys terminated by ‘:’ – MAP 中的 key 与 value 的分隔符
lines terminated by ‘\n’; – 行分隔符

导入文本数据到测试表

load data local inpath ‘/opt/module/hive/datas/test.txt’ into table test;
（5）访问三种集合列里的数据，以下分别是 ARRAY，MAP，STRUCT 的访问方式
hive (default)> select friends[1],children[‘xiao song’],address.city from test
where name=“songsong”; OK
_c0 _c1 city
lili 18 beijing
Time taken: 0.076 seconds, Fetched: 1 row(s)

类型转化

Hive 的原子数据类型是可以进行隐式转换的，类似于 Java 的类型转换，例如某表达式 使用 INT 类型，TINYINT 会自动转换为 INT 类型，但是 Hive 不会进行反向转化，例如，某表 达式使用 TINYINT 类型，INT 不会自动转换为 TINYINT 类型，它会返回错误，除非使用 CAST 操作。

隐式类型转换规则如下
（1）任何整数类型都可以隐式地转换为一个范围更广的类型，如 TINYINT 可以转换成
INT，INT 可以转换成 BIGINT。
（2）所有整数类型、FLOAT 和 STRING 类型都可以隐式地转换成 DOUBLE。
（3）TINYINT、SMALLINT、INT 都可以转换为 FLOAT。
（4）BOOLEAN 类型不可以转换为任何其它的类型。

2）可以使用 CAST 操作显示进行数据类型转换
例如 CAST(‘1’ AS INT)将把字符串’1’ 转换成整数 1；如果强制类型转换失败，如执行 CAST(‘X’ AS INT)，表达式返回空值 NULL。

0: jdbc:hive2://hadoop102:10000> select ‘1’+2, cast('1’as int) + 2;

DDL 数据定义

CREATE DATABASE [IF NOT EXISTS] database_name [COMMENT database_comment]
[LOCATION hdfs_path]
[WITH DBPROPERTIES (property_name=property_value, …)];

创建一个数据库，数据库在 HDFS 上的默认存储路径是/user/hive/warehouse/*.db
hive (default)> create database db_hive;
避免要创建的数据库已经存在错误，增加 if not exists 判断。（标准写法）
hive (default)> create database db_hive;
FAILED: Execution Error, return code 1 from org.apache.hadoop.hive.ql.exec.DDLTask. Database db_hive already exists hive (default)> create database if not exists db_hive;

创建一个数据库，指定数据库在 HDFS 上存放的位置
hive (default)> create database db_hive2 location ‘/db_hive2.db’;

show databases like ‘db_hive*’;
desc database extended db_hive;

alter database db_hive
set dbproperties(‘createtime’=‘20170830’);

desc database extended db_hive;

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]
[TBLPROPERTIES (property_name=property_value, ...)] [AS select_statement]

（2）EXTERNAL 关键字可以让用户创建一个外部表，在建表的同时可以指定一个指向实 际数据的路径（LOCATION），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，对桶中的一个或多个列另外排序
（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。
SerDe 是 Serialize/Deserilize 的简称， hive 使用 Serde 进行行对象的序列与反序列化。
（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）AS：后跟查询语句，根据查询结果创建表。
（11）LIKE 允许用户复制现有的表结构，但是不复制数据。

管理表（内部表）

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。

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。

create external table if not exists dept( deptno int,
dname string, loc int
)
row format delimited fields terminated by '\t';

create external table if not exists emp( empno int,
ename string, job string, mgr int,
hiredate string, sal double,
comm double, deptno int)
row format delimited fields terminated by '\t';
desc formatted dept; 

dfs -put /opt/module/datas/student.txt /student;
外部表删除后，hdfs 中的数据还在，但是 metadata 中 dept 的元数据已被删除

管理表与外部表的互相转换

1）查询表的类型

（2）修改内部表 student2 为外部表
alter table student2 set tblproperties(‘EXTERNAL’=‘TRUE’);
（3）查询表的类型

（4）修改外部表 student2 为内部表
alter table student2 set tblproperties(‘EXTERNAL’=‘FALSE’);
（5）查询表的类型

注意：(‘EXTERNAL’=‘TRUE’)和(‘EXTERNAL’=‘FALSE’)为固定写法，区分大小写！

修改表

4.6.1 重命名表
1）语法
ALTER TABLE table_name RENAME TO new_table_name
2）实操案例
hive (default)> alter table dept_partition2 rename to dept_partition3;
4.6.2 增加、修改和删除表分区
详见 7.1 章分区表基本操作。
增加/修改/替换列信息

更新列
ALTER TABLE table_name CHANGE [COLUMN] col_old_name col_new_name column_type [COMMENT col_comment] [FIRST|AFTER column_name]

增加和替换列
ALTER TABLE table_name ADD|REPLACE COLUMNS (col_name data_type [COMMENT col_comment], …)

注：ADD 是代表新增一字段，字段位置在所有列后面(partition 列前)，
REPLACE 则是表示替换表中所有字段

alter table dept add columns(deptdesc string);
alter table dept change column deptdesc desc string;
alter table dept replace columns(deptno string, dname string, loc string);

DML

数据导入

load data [local] inpath ‘数据的 path’ [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）overwrite:表示覆盖表中已有数据，否则表示追加
（5）into table:表示加载到哪张表
（6）student:表示具体的表
（7）partition:表示上传到指定分区

（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/hive/datas/student.txt’ into table default.student;

dfs -put /opt/module/hive/data/student.txt
/user/alex/hive;

load data inpath ‘/user/alex/hive/student.txt’ into table default.student;

dfs -put /opt/module/data/student.txt /user/alex/hive;

load data inpath ‘/user/alex/hive/student.txt’ overwrite into table default.student;

create table student_par(id int, name string) row format delimited fields terminated by ‘\t’;

insert into table student_par values(1,‘wangwu’),(2,‘zhaoliu’);

insert overwrite table student_par
select id, name from student where month=‘201709’;

insert into：以追加数据的方式插入到表或分区，原有数据不会删除 insert overwrite：会覆盖表中已存在的数据
注意：insert 不支持插入部分字段

多表（多分区）插入模式（根据多张表查询结果）
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’;

create external table if not exists student5( id int, name string
)
row format delimited fields terminated by ‘\t’ location '/student;

import table student2
from ‘/user/hive/warehouse/export/student’;

数据导出

hive (default)> insert overwrite local directory ‘/opt/module/hive/data/export/student’
select * from student;

hive(default)>insert overwrite local directory ‘/opt/module/hive/data/export/student1’
ROW FORMAT DELIMITED FIELDS TERMINATED BY ‘\t’
select * from student;

hive (default)> insert overwrite directory ‘/user/alex/student2’ ROW FORMAT DELIMITED FIELDS TERMINATED BY ‘\t’
select * from student;

hive (default)> dfs -get /user/hive/warehouse/student/student.txt
/opt/module/data/export/student3.txt;

bin/hive -e ‘select * from default.student;’ >
/opt/module/hive/data/export/student4.txt;

查询

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

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]

create table if not exists dept( deptno int,
dname string, loc int
)
row format delimited fields terminated by ‘\t’;

create table if not exists emp( empno int,
ename string, job string, mgr int,
hiredate string, sal double,
comm double, deptno int)
row format delimited fields terminated by ‘\t’;

load data local inpath ‘/opt/module/datas/dept.txt’ into table dept;
load data local inpath ‘/opt/module/datas/emp.txt’ into table emp;
hive (default)> select * from emp;
hive (default)> select empno,ename,job,mgr,hiredate,sal,comm,deptno from emp ;

）SQL 语言大小写不敏感。
（2）SQL 可以写在一行或者多行
（3）关键字不能被缩写也不能分行
（4）各子句一般要分行写。

（5）使用缩进提高语句的可读性。

求总行数（count）
hive (default)> select count(*) cnt from emp;
2）求工资的最大值（max）
hive (default)> select max(sal) max_sal from emp;
3）求工资的最小值（min）
hive (default)> select min(sal) min_sal from emp;
4）求工资的总和（sum）
hive (default)> select sum(sal) sum_sal from emp;
5）求工资的平均值（avg）
hive (default)> select avg(sal) avg_sal from emp;

select * from emp where sal >1000;

6.1.8Like 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
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）查找名字以 A 开头的员工信息
hive (default)> select * from emp where ename LIKE ‘A%’;
（2）查找名字中第二个字母为 A 的员工信息
hive (default)> select * from emp where ename LIKE ‘_A%’;
（3）查找名字中带有 A 的员工信息
hive (default)> select * from emp where ename RLIKE ‘[A]’;

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

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。
优化：当对 3 个或者更多表进行 join 连接时，如果每个 on 子句都使用相同的连接键的 话，那么只会产生一个 MapReduce job

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, dname from emp, dept;

排序

Order By：全局排序，只有一个 Reducer
1）使用 ORDER BY 子句排序
ASC（ascend）: 升序（默认）
DESC（descend）: 降序

查询员工信息按工资升序排列
select * from emp order by sal;

查询员工信息按工资降序排列
hive (default)> select * from emp order by sal desc;

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;
6.4.3 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;
6.4.4每个 Reduce 内部排序（Sort By）
Sort By：对于大规模的数据集 order by 的效率非常低。在很多情况下，并不需要全局排 序，此时可以使用 sort by。
Sort by 为每个 reducer 产生一个排序文件。每个 Reducer 内部进行排序，对全局结果集 来说不是排序。

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 deptno desc;

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/data/sortby-result’
select * from emp sort by deptno desc;

分区 Distribute By

Distribute By： 在有些情况下，我们需要控制某个特定行应该到哪个 reducer，通常是为 了进行后续的聚集操作。distribute by 子句可以做这件事。distribute by 类似 MR 中 partition
（自定义分区），进行分区，结合 sort by 使用。
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。

（1）先按照部门编号分区，再按照员工编号降序排序。
hive (default)> set mapreduce.job.reduces=3; hive (default)> insert overwrite local directory
‘/opt/module/data/distribute-result’ select * from emp distribute by deptno sort by empno desc;

distribute by 的分区规则是根据分区字段的 hash 码与 reduce 的个数进行模除后， 余数相同的分到一个区。

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

6.4.6Cluster 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。但是排序只能是升序 排序，不能指定排序规则为 ASC 或者 DESC。

（1）以下两种写法等价
hive (default)> select * from emp cluster by deptno;
hive (default)> select * from emp distribute by deptno sort by deptno;

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。

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。

引入分区表（需要根据日期对日志进行管理, 通过部门信息模拟）
dept_20200401.log dept_20200402.log dept_20200403.log

创建分区表语法
hive (default)> create table dept_partition( deptno int, dname string, loc string
)
partitioned by (day string)
row format delimited fields terminated by ‘\t’;

分区字段不能是表中已经存在的数据，可以将分区字段看作表的伪列。
分区表加载数据时，必须指定分区

hive (default)> select * from dept_partition where day=‘20200401’ union
select * from dept_partition where day=‘20200402’ union
select * from dept_partition where day=‘20200403’;
hive (default)> select * from dept_partition where day=‘20200401’ or day=‘20200402’ or day=‘20200403’;

创建单个分区
hive (default)> alter table dept_partition add partition(day=‘20200404’);

同时创建多个分区
hive (default)> alter table dept_partition add partition(day=‘20200405’) partition(day=‘20200406’);

hive (default)> alter table dept_partition drop partition (day=‘20200406’);

hive (default)> alter table dept_partition drop partition (day=‘20200404’), partition(day=‘20200405’);

show partitions dept_partition;
hive> desc formatted dept_partition;

desc formatted dept partition

二级分区

如何一天的日志数据量也很大，如何再将数据拆分?

hive (default)> create table dept_partition2( deptno int, dname string, loc string
)
partitioned by (day string, hour string)
row format delimited fields terminated by ‘\t’;

（1）加载数据到二级分区表中

hive (default)> load data local inpath ‘/opt/module/hive/datas/dept_20200401.log’ into table dept_partition2 partition(day=‘20200401’, hour=‘12’);

（2）查询分区数据

hive (default)> select * from dept_partition2 where day=‘20200401’ and hour=‘12’;

把数据直接上传到分区目录上，让分区表和数据产生关联的三种方式

（1）方式一：上传数据后修复 上传数据
hive (default)> dfs -mkdir -p
/user/hive/warehouse/mydb.db/dept_partition2/day=20200401/hour=13; hive (default)> dfs -put /opt/module/datas/dept_20200401.log
/user/hive/warehouse/mydb.db/dept_partition2/day=20200401/hour=13;

查询数据（查询不到刚上传的数据）
hive (default)> select * from dept_partition2 where day=‘20200401’ and hour=‘13’;

执行修复命令
msc repair table dept_partition2;

再次查询数据
hive (default)> select * from dept_partition2 where day=‘20200401’ and hour=‘13’;

方式二：上传数据后添加分区 上
hive (default)> dfs -mkdir -p
/user/hive/warehouse/mydb.db/dept_partition2/day=20200401/hour=14; hive (default)> dfs -put /opt/module/hive/datas/dept_20200401.log
/user/hive/warehouse/mydb.db/dept_partition2/day=20200401/hour=14;

执行添加分区
hive (default)> alter table dept_partition2 add partition(day=‘201709’,hour=‘14’);

查询数据
hive (default)> select * from dept_partition2 where day=‘20200401’ and hour=‘14’;

方式三：创建文件夹后 load 数据到分区 创
hive (default)> dfs -mkdir -p
/user/hive/warehouse/mydb.db/dept_partition2/day=20200401/hour=15;

hive (default)> load data local inpath ‘/opt/module/hive/datas/dept_20200401.log’ into table dept_partition2 partition(day=‘20200401’,hour=‘15’);

hive (default)> select * from dept_partition2 where day=‘20200401’ and hour=‘15’;

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。

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。默认 1000
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。默认 100000
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。默认 false
hive.error.on.empty.partition=false

案例实操
需求：将 dept 表中的数据按照地区（loc 字段），插入到目标表 dept_partition 的相应 分区中。

创建目标分区表
hive (default)> create table dept_partition_dy(id int, name string) partitioned by (loc int) row format delimited fields terminated by ‘\t’;

设置动态分区
set hive.exec.dynamic.partition.mode = nonstrict;
hive (default)> insert into table dept_partition_dy partition(loc) select deptno, dname, loc from dept;

查看目标分区表的分区情况
show partitions dept_partition;
目标分区表是如何匹配到分区字段的？

分桶

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。对于一张表或者分区，Hive 可以进一步组织成桶，也就是更为细粒度的数据范围 划分。
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。 分区针对的是数据的存储路径；分桶针对的是数据文件。

1）先创建分桶表
（1）数据准备
create table stu_buck(id int, name string) clustered by(id)
into 4 buckets
row format delimited fields terminated by ‘\t’;

hive (default)> desc formatted stu_buck; Num Buckets: 4

导入数据到分桶表中，load 的方式
load data inpath ‘/student.txt’ into table stu_buck;

查看创建的分桶表中是否分成 4 个桶

select * from stu_buck;

根据结果可知：Hive 的分桶采用对分桶字段的值进行哈希，然后除以桶的个数求余的方 式决定该条记录存放在哪个桶当中

（1）reduce 的个数设置为-1,让 Job 自行决定需要用多少个 reduce 或者将 reduce 的个 数设置为大于等于分桶表的桶数
（2）从 hdfs 中 load 数据到分桶表中，避免本地文件找不到问题
（3）不要使用本地模式
3）insert 方式将数据导入分桶表
hive(default)>insert into table stu_buck select * from student_insert;

根据国家/地区等地理位置对表格进行分区。 那么会发现一些较大国家产生的分区会很大（例如：4-5个国家本身占总数据的70-80％）。 小国家会产生小分区（世界上所有国家仍然可能只占总数据的20-30％）。 因此，这时分区将不是理想的。为了解决过度分区的问题，Hive提供了分桶的概念。 这是将表数据集分解为更易于管理的部分的另一种有效技术。





hive分桶的特点



分桶的基本原理是分桶列的hash_function%mod = bucketId。



可以看到前提是，我们要指定mod，也即是分桶的个数，其实该值也是运行的最大reduce个数。



分桶的特征如下：

 hash_function取决于bucketing列的类型。

具有相同分段列的记录将始终存储在同一个桶中。

使用CLUSTERED BY将表分成桶。

 通常，在表目录中，每个存储桶只是一个文件，并且存储桶编号是从1开始的。

可以先分区再分桶，也可以直接分桶。

此外，Bucketed表将创建几乎相等的分布式数据文件块（取决于分桶列是否离散）。





hive分桶的优势



与非分桶表相比，分桶表提供了高效采样。通过采样，我们可以尝试对一小部分数据进行查询，以便在原始数据集非常庞大时进行测试和调试。

由于数据文件是相同大小的部分，map-side join在分桶表上执行的速度比分区表块很多。在map-side join时，处理左侧表的map知道要匹配的右表中的行在相关的桶中，因此只需要检索该桶。

分桶表查询速度快于非分桶表。

Bucketing概念还提供了灵活性，可以使每个存储桶中的记录按一列或多列进行排序。 这使得map-side join更加高效，因为每个存储桶的join变为高效的合并排序（merge-sort）。





hive分桶的缺点



指定bucketing并不能确保正确填充表。 数据加载到存储桶需要由我们自己处理。





举个例子



创建分区分桶表



比如创建一个表，按照国家分区，州分桶，然后对城市进行升序排序

CREATE TABLE bucketed_user(
         firstname VARCHAR(64),
         lastname  VARCHAR(64),
         address   STRING,
         city     VARCHAR(64),
       state     VARCHAR(64),
         post      STRING,
         phone1    VARCHAR(64),
         phone2    STRING,
         email     STRING,
         web       STRING
         )
       COMMENT 'A bucketed sorted user table'
         PARTITIONED BY (country VARCHAR(64))
       CLUSTERED BY (state) SORTED BY (city) INTO 32 BUCKETS
         STORED AS SEQUENCEFILE;



插入数据



与分区表类似，我们不能直接使用LOAD DATA（LOCAL）INPATH命令加载数据到分桶表，而是需要使用INSERT OVERWRITE TABLE ... SELECT ... FROM子句来填充分桶表。 为此，我们将在hive中创建一个临时表，其中包含该表中输入文件中的所有列，我们将复制到目标bucketed表中。



假设我们已经创建了temp_user临时表，下面是用于使用temp_user表填充分桶表的HiveQL。



要填充分桶表，我们需要设置属性hive.enforce.bucketing = true，以便Hive知道创建表定义中声明的桶数。

set hive.enforce.bucketing = true;

INSERT OVERWRITE TABLE bucketed_user PARTITION (country)
       SELECT  firstname ,
           lastname  ,
           address   ,
         city      ,
       state     ,
           post      ,
           phone1    ,
           phone2    ,
           email     ,
           web       ,
           country  
         FROM temp_user;



注意：



属性hive.enforce.bucketing = true类似于分区中的hive.exec.dynamic.partition = true属性。 通过设置此属性，我们将在将数据加载到hive表时启用动态分桶。

它会自动将reduce任务的数量设置为等于表定义中提到的桶数（例如，在我们的例子中为32），并自动从表定义中选择clustered by列。

如果我们不在Hive Session中设置此属性，我们必须手动将相同的信息在上面的INSERT ... SELECT语句结尾处传递给Hive，也即要运行的reduce任务的数量（例如在我们的例子中，通过set mapred.reduce.tasks = 32）和CLUSTER BY （state）还有SORT BY（city）子句。



完整的sql语句如下

set hive.exec.dynamic.partition=true;
set hive.exec.dynamic.partition.mode=nonstrict;
set hive.exec.max.dynamic.partitions.pernode=1000;
set hive.enforce.bucketing = true;

DROP TABLE IF EXISTS bucketed_user;

CREATE TEMPORARY TABLE temp_user(
        firstname VARCHAR(64),
        lastname  VARCHAR(64),
        address   STRING,
        country   VARCHAR(64),
        city      VARCHAR(64),
        state     VARCHAR(64),
        post      STRING,
        phone1    VARCHAR(64),
        phone2    STRING,
        email     STRING,
        web       STRING
        )
        ROW FORMAT DELIMITED
          FIELDS TERMINATED BY ','
          LINES TERMINATED BY '\n'
      STORED AS TEXTFILE;

LOAD DATA LOCAL INPATH '/home/user/user_table.txt' INTO TABLE temp_user;

CREATE TABLE bucketed_user(
        firstname VARCHAR(64),
        lastname  VARCHAR(64),
        address   STRING,
        city        VARCHAR(64),
      state     VARCHAR(64),
        post      STRING,
        phone1    VARCHAR(64),
        phone2    STRING,
        email     STRING,
        web       STRING
        )
      COMMENT 'A bucketed sorted user table'
        PARTITIONED BY (country VARCHAR(64))
      CLUSTERED BY (state) SORTED BY (city) INTO 32 BUCKETS
        STORED AS SEQUENCEFILE;

set hive.enforce.bucketing = true;
INSERT OVERWRITE TABLE bucketed_user PARTITION (country)
      SELECT  firstname ,
                  lastname  ,
                  address   ,
              city      ,
              state     ,
                  post      ,
                  phone1    ,
                  phone2    ,
                  email     ,
                  web       ,
                  country  
         FROM temp_user;

分桶数的确定要结合和两点：
1，分桶的列基数要大，也即是该列去重后的值要大。
3，每个桶数据文件不能太小也不能太大。比如，如果block大小是256MB，那么使每个桶512 MB，是个不错的选择。
强调一下，为了正确的加载数据，需要将reduce数目和分桶数一样。设置方法如上

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。
语法: TABLESAMPLE(BUCKET x OUT OF y)
查询表 stu_buck 中的数据。

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

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

函数

desc function extended upper;

空字段赋值
1）函数说明
NVL：给值为 NULL 的数据赋值，它的格式是 NVL( value，default_value)。它的功能是如 果 value 为 NULL，则 NVL 函数返回 default_value 的值，否则返回 value 的值，如果两个参数 都为 NULL ，则返回 NULL。
2）数据准备：采用员工表
如果员工的 comm 为 NULL，则用-1 代替
hive (default)> select comm,nvl(comm, -1) from emp; OK
comm _c1

查询：如果员工的 comm 为 NULL，则用领导 id 代替
select comm, nvl(comm,mgr) from emp;

CASE WHEN THEN ELSE END

vi emp_sex.txt
create table emp_sex( name string,
dept_id string, sex string)
row format delimited fields terminated by “\t”;

load data local inpath ‘/opt/module/hive/data/emp_sex.txt’ into table emp_sex;

select dept_id,
sum(case sex when ‘男’ then 1 else 0 end) male_count,
sum(case sex when ‘女’ then 1 else 0 end) female_count from emp_sex
group by dept_id;

行转列

相关函数说明
CONCAT(string A/col, string B/col…)：返回输入字符串连接后的结果，支持任意个输入字 符串;
CONCAT_WS(separator, str1, str2,…)：它是一个特殊形式的 CONCAT()。第一个参数剩余参 数间的分隔符。分隔符可以是与剩余参数一样的字符串。如果分隔符是 NULL，返回值也将 为 NULL。这个函数会跳过分隔符参数后的任何 NULL 和空字符串。分隔符将被加到被连接 的字符串之间;
注意: CONCAT_WS must be "string or array
COLLECT_SET(col)：函数只接受基本数据类型，它的主要作用是将某字段的值进行去重 汇总，产生 Array 类型字段。

数据准备

vim person_info.txt
create table person_info( name string, constellation string, blood_type string)
row format delimited fields terminated by “\t”;

load data local inpath “/opt/module/hive/data/person_info.txt” into table person_info;

SELECT
t1.c_b, CONCAT_WS("|",collect_set(t1.name))
FROM (
SELECT
NAME,
CONCAT_WS(’,’,constellation,blood_type) c_b FROM person_info
)t1
GROUP BY t1.c_b

列转行

函数说明
EXPLODE(col)：将 hive 一列中复杂的 Array 或者 Map 结构拆分成多行。

LATERAL VIEW
用法：LATERAL VIEW udtf(expression) tableAlias AS columnAlias
解释：用于和 split, explode 等 UDTF 一起使用，它能够将一列数据拆成多行数据，在此 基础上可以对拆分后的数据进行聚合。

数据准备
表 6-7 数据准备
movie category
《疑犯追踪》 悬疑,动作,科幻,剧情
《Lie to me》 悬疑,警匪,动作,心理,剧情
《战狼 2》 战争,动作,灾难

[alex@hadoop102 datas]$ vi movie_info.txt
《疑犯追踪》 悬疑,动作,科幻,剧情
《Lie to me》 悬疑,警匪,动作,心理,剧情
《战狼 2》 战争,动作,灾难

create table movie_info( movie string, category string)
row format delimited fields terminated by “\t”;

load data local inpath “/opt/module/data/movie.txt” into table movie_info;

SELECT
movie, category_name
FROM
movie_info lateral VIEW
explode(split(category,",")) movie_info_tmp AS category_name;

窗口函数（开窗函数）

1）相关函数说明
OVER()：指定分析函数工作的数据窗口大小，这个数据窗口大小可能会随着行的变而变
CURRENT ROW：当前行
n PRECEDING：往前 n 行数据 n FOLLOWING：往后 n 行数据 UNBOUNDED：起点，
UNBOUNDED PRECEDING 表示从前面的起点，
UNBOUNDED FOLLOWING 表示到后面的终点 LAG(col,n,default_val)：往前第 n 行数据 LEAD(col,n, default_val)：往后第 n 行数据
NTILE(n)：把有序窗口的行分发到指定数据的组中，各个组有编号，编号从 1 开始，对 于每一行，NTILE 返回此行所属的组的编号。注意：n 必须为 int 类型。 2）数据准备：name，orderdate，cost

需求
（1）查询在 2017 年 4 月份购买过的顾客及总人数
（2）查询顾客的购买明细及月购买总额
（3）上述的场景, 将每个顾客的 cost 按照日期进行累加
（4）查询每个顾客上次的购买时间
（5）查询前 20%时间的订单信息

[alex@hadoop102 datas]$ vi business.txt

create table business( name string,
orderdate string,
cost int
) ROW FORMAT DELIMITED FIELDS TERMINATED BY ‘,’;
load data local inpath “/opt/module/data/business.txt” into table business;

按需求查询数据查询在 2017 年 4 月份购买过的顾客及总人数
select name,count(*) over () from business
where substring(orderdate,1,7) = ‘2017-04’ group by name;

查询顾客的购买明细及月购买总额
select name,orderdate,cost,sum(cost) over(partition by month(orderdate)) from business;

将每个顾客的 cost 按照日期进行累加
select name,orderdate,cost,
sum(cost) over() as sample1,–所有行相加
sum(cost) over(partition by name) as sample2,–按 name 分组，组内数据相加 sum(cost) over(partition by name order by orderdate) as sample3,–按 name 分组，组内数据累加
sum(cost) over(partition by name order by orderdate rows between UNBOUNDED PRECEDING and current row ) as sample4 ,–和 sample3 一样,由起点到 当前行的聚合
sum(cost) over(partition by name order by orderdate rows between 1 PRECEDING and current row) as sample5, --当前行和前面一行做聚合 sum(cost) over(partition by name order by orderdate rows between 1 PRECEDING AND 1 FOLLOWING ) as sample6,–当前行和前边一行及后面一行
sum(cost) over(partition by name order by orderdate rows between current row and UNBOUNDED FOLLOWING ) as sample7 --当前行及后面所有行
from business;

rows 必须跟在 order by 子句之后，对排序的结果进行限制，使用固定的行数来限制分 区中的数据行数量

查看顾客上次的购买时间

select name,orderdate,cost,
lag(orderdate,1,'1900-01-01') over(partition by name order by orderdate ) as time1, lag(orderdate,2) over (partition by name order by orderdate) as time2
from business;

查询前 20%时间的订单信息
select * from (
select name,orderdate,cost, ntile(5) over(order by orderdate) sorted from business
) t
where sorted = 1;

Rank
1）函数说明
RANK() 排序相同时会重复，总数不会变
DENSE_RANK() 排序相同时会重复，总数会减少
ROW_NUMBER() 会根据顺序计算

数据准备
需求
计算每门学科成绩排名。

4）创建本地 score.txt，导入数据
[alex@hadoop102 datas]$ vi score.txt
5）创建 hive 表并导入数据
create table score( name string, subject string, score int)
row format delimited fields terminated by “\t”;
load data local inpath ‘/opt/module/data/score.txt’ into table score;

按需求查询数据

select name,
subject, score,
rank() over(partition by subject order by score desc) rp, dense_rank() over(partition by subject order by score desc) drp, row_number() over(partition by subject order by score desc) rmp
from score;

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 explode()
4）官方文档地址

https://cwiki.apache.org/confluence/display/Hive/HivePlugins
5）编程步骤：
（1）继承 Hive 提供的类

org.apache.hadoop.hive.ql.udf.generic.GenericUDF org.apache.hadoop.hive.ql.udf.generic.GenericUDTF;
（2）实现类中的抽象方法

（3）在 hive 的命令行窗口创建函数 添加 jar
add jar linux_jar_path
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;

<dependencies>
<dependency>
<groupId>org.apache.hive</groupId>
<artifactId>hive-exec</artifactId>
<version>3.1.2</version>
</dependency>
</dependencies>

package com.alex.hive;

import org.apache.hadoop.hive.ql.exec.UDFArgumentException; import org.apache.hadoop.hive.ql.exec.UDFArgumentLengthException; import org.apache.hadoop.hive.ql.exec.UDFArgumentTypeException; import org.apache.hadoop.hive.ql.metadata.HiveException;
import org.apache.hadoop.hive.ql.udf.generic.GenericUDF;
import org.apache.hadoop.hive.serde2.objectinspector.ObjectInspector; import org.apache.hadoop.hive.serde2.objectinspector.primitive.PrimitiveObjectIn spectorFactory;

/**
* 自定义 UDF 函数，需要继承 GenericUDF 类
* 需求: 计算指定字符串的长度
*/
public class MyStringLength extends GenericUDF {
/**
*
*@param arguments 输入参数类型的鉴别器对象
* @return 返回值类型的鉴别器对象
*@throws UDFArgumentException
*/
@Override
public ObjectInspector initialize(ObjectInspector[] arguments) throws UDFArgumentException {
// 判断输入参数的个数
if(arguments.length !=1){
throw new UDFArgumentLengthException("Input Args Length Error!!!");
}
// 判断输入参数的类型

if(!arguments[0].getCategory().equals(ObjectInspector.Category.PRIMITIVE)
){
throw new UDFArgumentTypeException(0,"Input Args Type Error!!!");
}
//函数本身返回值为 int，需要返回 int 类型的鉴别器对象
return PrimitiveObjectInspectorFactory.javaIntObjectInspector;
}

/**
* 函数的逻辑处理
*@param arguments 输入的参数
*@return 返回值
*@throws HiveException
*/
@Override
public Object evaluate(DeferredObject[] arguments) throws HiveException {
if(arguments[0].get() == null){ return 0;
}
return arguments[0].get().toString().length();
}

@Override
public String getDisplayString(String[] children) { return "";
}
}

4）打成 jar 包上传到服务器/opt/module/data/myudf.jar
5）将 jar 包添加到 hive 的 classpath
add jar /opt/module/data/myudf.jar;
创建临时函数与开发好的 java class 关联
hive (default)> create temporary function my_len as “com.alex.hive. MyStringLength”;

即可在 hql 中使用自定义的函数
select ename,my_len(ename) ename_len from emp;

自定义UDTF函数

自定义一个 UDTF 实现将一个任意分割符的字符串切割成独立的单词，例如：
hive(default)> select myudtf(“hello,world,hadoop,hive”, “,”);

hello world hadoop hive

package com.alex.udtf;

import org.apache.hadoop.hive.ql.exec.UDFArgumentException; import org.apache.hadoop.hive.ql.metadata.HiveException; import org.apache.hadoop.hive.ql.udf.generic.GenericUDTF;
import org.apache.hadoop.hive.serde2.objectinspector.ObjectInspector; import org.apache.hadoop.hive.serde2.objectinspector.ObjectInspectorFactory; import org.apache.hadoop.hive.serde2.objectinspector.StructObjectInspector; import org.apache.hadoop.hive.serde2.objectinspector.primitive.PrimitiveObjectIn spectorFactory;

import java.util.ArrayList; import java.util.List;

public class MyUDTF extends GenericUDTF {

private ArrayList<String> outList = new ArrayList<>();

@Override
public StructObjectInspector initialize(StructObjectInspector argOIs) throws UDFArgumentException {

//1.定义输出数据的列名和类型
List<String> fieldNames = new ArrayList<>(); List<ObjectInspector> fieldOIs = new ArrayList<>();

//2.添加输出数据的列名和类型 fieldNames.add("lineToWord");
fieldOIs.add(PrimitiveObjectInspectorFactory.javaStringObjectInspector); return
ObjectInspectorFactory.getStandardStructObjectInspector(fieldNames, fieldOIs);
}

@Override
public void process(Object[] args) throws HiveException {

//1.获取原始数据
String arg = args[0].toString();

//2.获取数据传入的第二个参数，此处为分隔符 String splitKey = args[1].toString();

//3.将原始数据按照传入的分隔符进行切分 String[] fields = arg.split(splitKey);

//4.遍历切分后的结果，并写出
for (String field : fields) {

//集合为复用的，首先清空集合 outList.clear();

//将每一个单词添加至集合 outList.add(field);

//将集合内容写出 forward(outList);
}
}

@Override
public void close() throws HiveException {

}
}

2）打成 jar 包上传到服务器/opt/module/hive/data/myudtf.jar 3）将 jar 包添加到 hive 的 classpath 下
add jar /opt/module/hive/data/myudtf.jar;

创建临时函数与开发好的 java class 关联
hive (default)> create temporary function myudtf as “com.alex.hive.MyUDTF”;

使用自定义的函数
hive (default)> select myudtf(“hello,world,hadoop,hive”,",");

压缩和存储

9.1 Hadoop 压缩配置
9.1.1 MR 支持的压缩编码

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：

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.

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）：

开启 Map 输出阶段压缩（MR 引擎）

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：
（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;

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。

（1）开启 hive 最终输出数据压缩功能
set hive.exec.compress.output=true;

开启 mapreduce 最终输出数据压缩
set mapreduce.output.fileoutputformat.compress=true;

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;

设置 mapreduce 最终数据输出压缩为块压缩
hive (default)> set mapreduce.output.fileoutputformat.compress.type=BLOCK;

测试一下输出结果是否是压缩文件
hive (default)> insert overwrite local directory ‘/opt/module/data/distribute-result’ select * from emp distribute by deptno sort by empno desc;

文件存储格式

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

如图所示左边为逻辑表，右边第一个为行式存储，第二个为列式存储。

1）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。

2）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。

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， 但使用 Gzip 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。

Orc 格式

Orc (Optimized Row Columnar)是 Hive 0.11 版里引入的新的存储格式。 如下图所示可以看到每个 Orc 文件由 1 个或多个 stripe 组成，每个 stripe 一般为 HDFS
的块大小，每一个 stripe 包含多条记录，这些记录按照列进行独立存储，对应到 Parquet 中的 row group 的概念。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。

RCFILE

Record Columnar的缩写。是Hadoop中第一个列文件格式。能够很好的压缩和快速的查询性能，但是不支持模式演进。通常写操作比较慢，比非列形式的文件格式需要更多的内存空间和计算量。

RCFile是一种行列存储相结合的存储方式。首先，其将数据按行分块，保证同一个record在一个块上，避免读一个记录需要读取多个block。其次，块数据列式存储，有利于数据压缩和快速的列存取。

存储方式：数据按行分块 每块按照列存储

优势：
1.压缩快 快速列存取
2.读记录尽量涉及到的block最少。读取需要的列只需要读取每个row group 的头部定义。
3. 读取全量数据的操作 性能可能比sequencefile没有明显的优势

AVRO

http://avro.apache.org/docs/current/

Avro是一个数据序列化系统，设计用于支持大批量数据交换的应用。

它的主要特点有：
支持二进制序列化方式，可以便捷，快速地处理大量数据；
动态语言友好，Avro提供的机制使动态语言可以方便地处理Avro数据

丰富的数据结构。

一种紧凑、快速的二进制数据格式。

容器文件，用于存储持久数据。

远程过程调用（RPC）。

与动态语言的简单集成。读写数据文件或使用或实现RPC协议都不需要代码生成。代码生成作为一种可选的优化，只值得为静态类型语言实现。

模式

Avro依赖于模式。读取Avro数据时，写入数据时使用的模式始终存在。这允许写入每个数据而不产生每值开销，从而使序列化既快又小。这也有助于使用动态脚本语言，因为数据及其模式是完全自描述的。

当Avro数据存储在一个文件中时，它的模式也随之存储，这样以后任何程序都可以处理文件。如果读取数据的程序需要一个不同的模式，这很容易解决，因为两个模式都存在。

在RPC中使用Avro时，客户端和服务器在连接握手中交换模式(由于客户机和服务器都有另一个完整的模式，因此可以很容易地解决同名字段、缺少字段、额外字段等之间的对应关系。

Avro模式是用JSON定义的。这有助于在已有JSON库的语言中实现。

与其他系统的比较

Avro提供了类似于系统的功能，如节俭、协议缓冲区等。Avro在以下基本方面与这些系统不同。

动态类型：Avro不要求生成代码。数据总是伴随着一个模式，该模式允许在不生成代码、静态数据类型等的情况下完全处理该数据。这有助于构建通用数据处理系统和语言。

未标记数据：由于模式是在读取数据时出现的，因此需要用数据编码的类型信息要少得多，从而导致较小的序列化大小。

没有手动分配的字段ID：当模式发生更改时，处理数据时，新旧模式始终存在，因此可以使用字段名象征性地解决差异。

Apache Avro、Avro、Apache以及Avro和Apache徽标是Apache软件基金会的商标。

SEQUENCEFILE :

存储特点：
二进制文件,以<key,value>的形式序列化到文件中
存储方式：行存储
特点：
可分割，压缩。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。压缩模式一般选择block压缩
优势是文件和Hadoop api中的mapfile是相互兼容的

Parquet

http://parquet.apache.org/documentation/latest/

我们创建Parquet是为了让Hadoop生态系统中的任何项目都可以使用压缩的、高效的列数据表示。

Parquet是用复杂的嵌套数据结构从头开始构建的，并使用Dremel论文中描述的记录分解和组装算法。我们相信这种方法优于简单的嵌套名称空间扁平化。

拼花是建立支持非常有效的压缩和编码方案。多个项目已经证明了对数据应用正确的压缩和编码方案对性能的影响。Parquet允许在每列级别指定压缩方案，并且经过未来验证，允许在发明和实现时添加更多编码。

拼花地板是为任何人建造的。Hadoop生态系统中有丰富的数据处理框架，我们对自己的喜好不感兴趣。我们相信，一个高效、实现良好的列式存储基片应该对所有框架都有用，而不需要花费大量且难以设置的依赖项。

模块

parquet format项目包含正确读取parquet文件所需的元数据的格式规范和节俭定义。

parquet mr项目包含多个子模块，这些子模块实现读写嵌套的、面向列的数据流的核心组件，将这个核心映射到parquet格式，并提供Hadoop输入/输出格式、Pig装入器和其他基于Java的实用程序，用于与parquet交互。

实木拼图CPP项目是一个C++库，用来对拼花文件进行读写。

parquet rs项目是一个用于读写parquet文件的Rust库。

parquet兼容性项目包含兼容性测试，可用于验证不同语言的实现是否可以读写彼此的文件。

建筑物

Java资源可以使用mvn包构建。当前的稳定版本应该始终可以从Maven Central获得。

C++节约资源可以通过生成来实现。

Thrift也可以被编码成任何其他支持Thrift的语言。

释放

查看如何释放。

词汇表

Block（hdfs Block）：表示hdfs中的一个块，描述该文件格式的含义不变。该文件格式设计为在hdfs之上运行良好。

文件：hdfs文件，必须包含文件的元数据。它不需要实际包含数据。

行组：将数据按逻辑水平划分为行。行组没有保证的物理结构。行组由数据集中每列的列块组成。

列块：特定列的数据块。它们位于特定的行组中，并保证在文件中是连续的。

页面：列块被分成多个页面。页面在概念上是一个不可分割的单元（就压缩和编码而言）。在一个列块中可以有多个页面类型。

按层次结构，文件由一个或多个行组组成。行组每列只包含一个列块。列块包含一个或多个页面。

Unit of parallelization
MapReduce - File/Row Group
IO - Column chunk
Encoding/Compression - Page
File format
This file and the thrift definition should be read together to understand the format.

4-byte magic number “PAR1”
<Column 1 Chunk 1 + Column Metadata>
<Column 2 Chunk 1 + Column Metadata>
…
<Column N Chunk 1 + Column Metadata>
<Column 1 Chunk 2 + Column Metadata>
<Column 2 Chunk 2 + Column Metadata>
…
<Column N Chunk 2 + Column Metadata>
…
<Column 1 Chunk M + Column Metadata>
<Column 2 Chunk M + Column Metadata>
…
<Column N Chunk M + Column Metadata>
File Metadata
4-byte length in bytes of file metadata
4-byte magic number “PAR1”
In the above example, there are N columns in this table, split into M row groups. The file metadata contains the locations of all the column metadata start locations. More details on what is contained in the metadata can be found in the thrift files.

Metadata is written after the data to allow for single pass writing.

Readers are expected to first read the file metadata to find all the column chunks they are interested in. The columns chunks should then be read sequentially.

File Layout

Metadata
There are three types of metadata: file metadata, column (chunk) metadata and page header metadata. All thrift structures are serialized using the TCompactProtocol.

Metadata diagram

Types
The types supported by the file format are intended to be as minimal as possible, with a focus on how the types effect on disk storage. For example, 16-bit ints are not explicitly supported in the storage format since they are covered by 32-bit ints with an efficient encoding. This reduces the complexity of implementing readers and writers for the format. The types are:

BOOLEAN: 1 bit boolean
INT32: 32 bit signed ints
INT64: 64 bit signed ints
INT96: 96 bit signed ints
FLOAT: IEEE 32-bit floating point values
DOUBLE: IEEE 64-bit floating point values
BYTE_ARRAY: arbitrarily long byte arrays.
Logical Types
Logical types are used to extend the types that parquet can be used to store, by specifying how the primitive types should be interpreted. This keeps the set of primitive types to a minimum and reuses parquet’s efficient encodings. For example, strings are stored as byte arrays (binary) with a UTF8 annotation. These annotations define how to further decode and interpret the data. Annotations are stored as a ConvertedType in the file metadata and are documented in LogicalTypes.md.

Nested Encoding
To encode nested columns, Parquet uses the Dremel encoding with definition and repetition levels. Definition levels specify how many optional fields in the path for the column are defined. Repetition levels specify at what repeated field in the path has the value repeated. The max definition and repetition levels can be computed from the schema (i.e. how much nesting there is). This defines the maximum number of bits required to store the levels (levels are defined for all values in the column).

Two encodings for the levels are supported BITPACKED and RLE. Only RLE is now used as it supersedes BITPACKED.

Nulls
Nullity is encoded in the definition levels (which is run-length encoded). NULL values are not encoded in the data. For example, in a non-nested schema, a column with 1000 NULLs would be encoded with run-length encoding (0, 1000 times) for the definition levels and nothing else.

Data Pages
For data pages, the 3 pieces of information are encoded back to back, after the page header. We have the

definition levels data,
repetition levels data,
encoded values. The size of specified in the header is for all 3 pieces combined.
The data for the data page is always required. The definition and repetition levels are optional, based on the schema definition. If the column is not nested (i.e. the path to the column has length 1), we do not encode the repetition levels (it would always have the value 1). For data that is required, the definition levels are skipped (if encoded, it will always have the value of the max definition level).

For example, in the case where the column is non-nested and required, the data in the page is only the encoded values.

The supported encodings are described in Encodings.md

Column chunks
Column chunks are composed of pages written back to back. The pages share a common header and readers can skip over page they are not interested in. The data for the page follows the header and can be compressed and/or encoded. The compression and encoding is specified in the page metadata.

Checksumming
Data pages can be individually checksummed. This allows disabling of checksums at the HDFS file level, to better support single row lookups.

Error recovery
If the file metadata is corrupt, the file is lost. If the column metdata is corrupt, that column chunk is lost (but column chunks for this column in other row groups are okay). If a page header is corrupt, the remaining pages in that chunk are lost. If the data within a page is corrupt, that page is lost. The file will be more resilient to corruption with smaller row groups.

Potential extension: With smaller row groups, the biggest issue is placing the file metadata at the end. If an error happens while writing the file metadata, all the data written will be unreadable. This can be fixed by writing the file metadata every Nth row group.
Each file metadata would be cumulative and include all the row groups written so far. Combining this with the strategy used for rc or avro files using sync markers, a reader could recover partially written files.

Separating metadata and column data.
The format is explicitly designed to separate the metadata from the data. This allows splitting columns into multiple files, as well as having a single metadata file reference multiple parquet files.

配置

行组大小：较大的行组允许较大的列块，这使得执行较大的顺序IO成为可能。更大的组也需要在写路径中有更多的缓冲（或两次写入）。我们建议使用大型行组（512MB-1GB）。因为可能需要读取整个行组，所以我们希望它完全适合一个HDFS块。因此，HDFS块大小也应该设置为更大。优化的读取设置是：1GB行组、1GB HDFS块大小、每个HDFS文件1个HDFS块。

数据页大小：数据页应该被认为是不可分割的，因此较小的数据页允许更细粒度的读取（例如单行查找）。较大的页面大小会产生较少的空间开销（较少的页眉）和可能较少的解析开销（处理页眉）。注意：对于顺序扫描，不希望一次读取一页；这不是IO块。我们建议页面大小为8KB。

可扩展性

兼容扩展的格式中有许多地方：

文件版本：文件元数据包含一个版本。

编码：编码由enum指定，以后可以添加更多编码。

页面类型：可以添加和安全跳过其他页面类型。

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。
（1）行组(Row Group)：每一个行组包含一定的行数，在一个 HDFS 文件中至少存储一 个行组，类似于 orc 的 stripe 的概念。

（2）列块(Column Chunk)：在一个行组中每一列保存在一个列块中，行组中的所有列连 续的存储在这个行组文件中。一个列块中的值都是相同类型的，不同的列块可能使用不同的 算法进行压缩。

（3）页(Page)：每一个列块划分为多个页，一个页是最小的编码的单位，在同一个列块 的不同页可能使用不同的编码方式
。
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。
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。

9.4.5 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：

（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;

hive (default)> load data local inpath ‘/opt/module/hive/datas/log.data’ into table log_text ;

查看表中数据大小
dfs -du -h /user/hive/warehouse/log_text;
/user/hive/warehouse/log_text/log.data

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
tblproperties("orc.compress"="NONE"); -- 设置 orc 存储不使用压缩

向表中加载数据
insert into table log_orc select * from log_text;

dfs -du -h /user/hive/warehouse/log_orc/ ;

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
hive (default)> insert into table log_parquet select * from log_text;
（3）查看表中数据大小
hive (default)> dfs -du -h /user/hive/warehouse/log_parquet/;

存储文件的对比总结：

ORC > Parquet > textFile

存储文件的查询速度测试：
（1）TextFile
hive (default)> insert overwrite local directory ‘/opt/module/data/log_text’ select substring(url,1,4) from log_text;

（2）ORC
hive (default)> insert overwrite local directory ‘/opt/module/data/log_orc’ select substring(url,1,4) from log_orc;

Parquet
hive (default)> insert overwrite local directory ‘/opt/module/data/log_parquet’ select substring(url,1,4) from log_parquet;
存储文件的查询速度总结：查询速度相近。

存储和压缩结合

To enable Snappy compression for Hive output when creating SequenceFile outputs, use the following settings:

SET hive.exec.compress.output=true;
SET mapred.output.compression.codec=org.apache.hadoop.io.compress.SnappyCodec;
SET mapred.output.compression.type=BLOCK;
For information about configuring Snappy compression for Parquet files with Hive, see Using Parquet Tables in Hive. For information about using Snappy compression for Parquet files with Impala, see Snappy and GZip Compression for Parquet Data Files in the Impala Guide.

测试存储和压缩
官网：https://cwiki.apache.org/confluence/display/Hive/LanguageManual+ORC
ORC 存储方式的压缩：

所有关于 ORCFile 的参数都是在 HQL 语句的 TBLPROPERTIES 字段里面出现

创建一个 ZLIB 压缩的 ORC 存储方式

create table log_orc_zlib( 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"="ZLIB");

（2）插入数据
insert into log_orc_zlib select * from log_text;

（3）查看插入后数据
hive (default)> dfs -du -h /user/hive/warehouse/log_orc_zlib/ ;

创建一个 SNAPPY 压缩的 ORC 存储方式

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");

插入数据
insert into log_orc_snappy select * from log_text;

查看插入后数据
dfs -du -h /user/hive/warehouse/log_orc_snappy/;

ZLIB 比 Snappy 压缩的还小。原因是 ZLIB 采用的是 deflate 压缩算法。比 snappy 压缩的 压缩率高。

创建一个 SNAPPY 压缩的 parquet 存储方式

create table log_parquet_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 parquet tblproperties("parquet.compression"="SNAPPY");

（2）插入数据
insert into log_parquet_snappy select * from log_text;

查看插入后数据
dfs -du -h /user/hive/warehouse/log_parquet_snappy/;

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，lzo。

执行计划（Explain）

EXPLAIN [EXTENDED | DEPENDENCY | AUTHORIZATION] query
（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; Explain
STAGE DEPENDENCIES:
Stage-0 is a root stage

STAGE PLANS:
Stage: Stage-0 Fetch Operator
limit: -1 Processor Tree:
TableScan alias: emp
Statistics: Num rows: 1 Data size: 7020 Basic stats: COMPLETE Column stats: NONE
Select Operator
expressions: empno (type: int), ename (type: string), job (type: string), mgr (type: int), hiredate (type: string), sal (type: double), comm (type: double), deptno (type: int)
outputColumnNames: _col0, _col1, _col2, _col3, _col4, _col5,
_col6, _col7
Statistics: Num rows: 1 Data size: 7020 Basic stats: COMPLETE Column stats: NONE
ListSink

hive (default)> explain select deptno, avg(sal) avg_sal from emp group by deptno;
Explain
STAGE DEPENDENCIES:
Stage-1 is a root stage
Stage-0 depends on stages: Stage-1

STAGE PLANS:
Stage: Stage-1 Map Reduce
Map Operator Tree:
TableScan alias: emp
Statistics: Num rows: 1 Data size: 7020 Basic stats: COMPLETE Column stats: NONE
Select Operator
expressions: sal (type: double), deptno (type: int) outputColumnNames: sal, deptno
Statistics: Num rows: 1 Data size: 7020 Basic stats: COMPLETE Column stats: NONE
Group By Operator
aggregations: sum(sal), count(sal) keys: deptno (type: int)
mode: hash
outputColumnNames: _col0, _col1, _col2
Statistics: Num rows: 1 Data size: 7020 Basic stats:

COMPLETE Column stats: NONE
Reduce Output Operator
key expressions: _col0 (type: int) sort order: +
Map-reduce partition columns: _col0 (type: int) Statistics: Num rows: 1 Data size: 7020 Basic stats:
COMPLETE Column stats: NONE
value expressions: _col1 (type: double), _col2 (type:
bigint)
Execution mode: vectorized Reduce Operator Tree:
Group By Operator
aggregations: sum(VALUE._col0), count(VALUE._col1) keys: KEY._col0 (type: int)
mode: mergepartial
outputColumnNames: _col0, _col1, _col2
Statistics: Num rows: 1 Data size: 7020 Basic stats: COMPLETE Column stats: NONE
Select Operator
expressions: _col0 (type: int), (_col1 / _col2) (type: double) outputColumnNames: _col0, _col1
Statistics: Num rows: 1 Data size: 7020 Basic stats: COMPLETE Column stats: NONE
File Output Operator compressed: false
Statistics: Num rows: 1 Data size: 7020 Basic stats: COMPLETE Column stats: NONE
table:
input format: org.apache.hadoop.mapred.SequenceFileInputFormat
output format: org.apache.hadoop.hive.ql.io.HiveSequenceFileOutputFormat
serde: org.apache.hadoop.hive.serde2.lazy.LazySimpleSerDe

Stage: Stage-0 Fetch Operator
limit: -1 Processor Tree:
ListSink

hive (default)> explain extended select * from emp;
hive (default)> explain extended select deptno, avg(sal) avg_sal from emp group by deptno;

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 have any aggregations or distincts (which incurs RS), lateral views and joins.
1.none : disable hive.fetch.task.conversion
2.minimal : SELECT STAR, FILTER on partition columns, LIMIT only
3.more : SELECT, FILTER, LIMIT only (support TABLESAMPLE and virtual columns)
</description>
</property>

（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;

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;

（2）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; 
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;

表的优化

10.4.1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。

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
set hive.auto.convert.join = true; 默认为 true
（2）大表小表的阈值设置（默认 25M 以下认为是小表）：
set hive.mapjoin.smalltable.filesize = 25000000;

1）Task A，它是一个Local Task（在客户端
本地执行的Task），负责扫描小表b的数据，将 其转换成一个HashTable的数据结构，并写入本 地 的 文 件 中 ， 之 后 将 该 文 件 加 载 到 DistributeCache中。

2）Task B，该任务是一个没有Reduce的MR，
启动MapTasks扫描大表a，在Map阶段，根据a的 每 一 条 记 录 去 和 DistributeCache 中 b 表对应的 HashTable关联，并直接输出结果。

3）由于MapJoin没有Reduce，所以由Map直
接输出结果文件，有多少个Map Task，就有多
少个结果文件。

4）建大表、小表和 JOIN 后表的语句

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';

// 创建小表
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';

// 创建 join 后表的语句
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';

//分别向大表和小表中导入数据
hive (default)> load data local inpath '/opt/module/data/bigtable' into table bigtable;
hive (default)>load data local inpath '/opt/module/data/smalltable' into table smalltable;

//小表 JOIN 大表语句
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;

//大表 JOIN 小表语句
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;

大表 Join 大表

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

配置历史服务器 配置 mapred-site.xml

<property>
<name>mapreduce.jobhistory.address</name>
<value>hadoop102:10020</value>
</property>

<property>
<name>mapreduce.jobhistory.webapp.address</name>
<value>hadoop102:19888</value>
</property>

sbin/mr-jobhistory-daemon.sh start historyserver
查看 jobhistory

http://hadoop102:19888/jobhistory

创建原始数据空 id 表

// 创建空 id 表
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';

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/data/nullid' into table nullidtable;

//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;

//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;

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：

案例实操： 不随机分布
空 null 值：
（1）设置 5 个 reduce 个数
set mapreduce.job.reduces = 5;

（2）JOIN 两张表
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
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;

如下图所示，可以看出来，消除了数据倾斜，负载均衡 reducer 的资源消耗
SMB(Sort Merge Bucket join)

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';
load data local inpath '/opt/module/data/bigtable' into table bigtable2;

测试大表直接 JOIN

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;

（2）创建分通表 1,桶的个数不要超过可用 CPU 的核数

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';
load data local inpath '/opt/module/data/bigtable' into table bigtable_buck1;

创建分通表 2,桶的个数不要超过可用 CPU 的核数

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';
load data local inpath '/opt/module/data/bigtable' into table bigtable_buck2;

（4）设置参数
set hive.optimize.bucketmapjoin = true;
set hive.optimize.bucketmapjoin.sortedmerge = true; set
hive.input.format=org.apache.hadoop.hive.ql.io.BucketizedHiveInputFormat;

（5）测试
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;

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
set hive.map.aggr = true
（2）在 Map 端进行聚合操作的条目数目
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）
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
hive (default)> select deptno from emp group by deptno;

hive (default)> set hive.groupby.skewindata = true;
hive (default)> select deptno from emp group by deptno;

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.

建一张大表

hive (default)> create table bigtable(id bigint, time bigint, uid string, keyword
string, url_rank int, click_num int, click_url string) row format delimited
fields terminated by '\t';

（2）加载数据

hive (default)> load data local inpath '/opt/module/data/bigtable' into table bigtable;

设置 5 个 reduce 个数
set mapreduce.job.reduces = 5;

（4）执行去重 id 查询
hive (default)> select count(distinct id) from bigtable;

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: 17.53 sec HDFS Read: 120752703 HDFS Write: 580 SUCCESS

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。

只有一个reducer在进行COUNT(DISTINCT uuid)的计算，所有的数据都流向唯一的一个reducer，不倾斜才怪

-- 外层SELECT求和
SELECT
  SUM(mau_part) mau
FROM
(
  -- 内层SELECT分别进行COUNT(DISTINCT)计算
  SELECT
    substr(uuid, 1, 3) uuid_part,
    COUNT(DISTINCT substr(uuid, 4)) AS mau_part
  FROM detail_sdk_session
  WHERE partition_date >= '2016-01-01' AND partition_date <= now
  GROUP BY substr(uuid, 1, 3)
) t;

注意，上面SQL中，n设为3，不应过大。
为什么n不应该太大呢？我们假定uuid是由字母和数字组成的：大写字母、小写字母和数字，字符总数为26+26+10=62。理论上，内层SELECT进行GROUP BY时，会有 62^n 个分组，外层SELECT就会进行 62^n 次求和。所以n不宜过大。当然，如果数据量十分巨大，n必须充分大，才能保证内层SELECT中的COUNT(DISTINCT)能够计算出来，此时可以再嵌套一层SELECT，这里不再赘述。

--  第三层SELECT
SELECT
  SUM(s.mau_part) mau
FROM
(
  -- 第二层SELECT
  SELECT
    tag,
    COUNT(*) mau_part
  FROM
  (
      -- 第一层SELECT
    SELECT
      uuid, 
      CAST(RAND() * 100 AS BIGINT) tag  -- 为去重后的uuid打上标记，标记为：0-100之间的整数。
    FROM detail_sdk_session
    WHERE partition_date >= '2016-01-01' AND partition_date <= now
    GROUP BY uuid   -- 通过GROUP BY，保证去重
   ) t
  GROUP BY tag
) s
;

第一层SELECT：对uuid进行去重，并为去重后的uuid打上整数标记
第二层SELECT：按照标记进行分组，统计每个分组下uuid的个数
第三层SELECT：对所有分组进行求和
上面这个方法最关键的是为每个uuid进行标记，这样就可以对其进行分组，分别计数，最后去和。如果数据量确实很大，也可以增加分组的个数。例如：CAST(RAND() * 1000 AS BIGINT) tag

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。

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： 案例实操：

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: 34.406 seconds, Fetched: 100 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: 30.058 seconds, Fetched: 100 row(s)

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；

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。

select count(*) from emp;

设置最大切片值为 100 个字节
hive (default)> set mapreduce.input.fileinputformat.split.maxsize=100; hive (default)> select count(*) from emp;
Hadoop job information for Stage-1: number of mappers: 6; number of reducers: 1

合理设置 Reduce 数

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)

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;

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；

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。
//打开任务并行执行
set hive.exec.parallel=true;
//同一个 sql 允许最大并行度，默认为8。
set hive.exec.parallel.thread.number=16;
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。

严格模式
Hive 可以通过设置防止一些危险操作：

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。

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。

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。

JVM重用

压缩

安装 Tez 引擎（了解）

Tez 是一个 Hive 的运行引擎，性能优于 MR。为什么优于 MR 呢？看下。
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。

将 tez 安装包拷贝到集群，并解压 tar 包
[ mkdir /opt/module/tez [ tar -zxvf /opt/software/tez-0.10.1- SNAPSHOT-minimal.tar.gz -C /opt/module/tez

上传 tez 依赖到 HDFS
[ hadoop fs -mkdir /tez
[ hadoop fs -put /opt/software/tez-0.10.1- SNAPSHOT.tar.gz /tez

新建 tez-site.xml
[ vim $HADOOP_HOME/etc/hadoop/tez-site.xml

<?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>

修改 Hadoop 环境变量
vimKaTeX parse error: Expected '}', got 'EOF' at end of input: …add_classpath "HADOOP_HOME/etc/hadoop" after
hadoop_add_classpath “/opt/module/tez/" after
hadoop_add_classpath "/opt/module/tez/lib/” after
}

修改 Hive 的计算引擎
vim $HIVE_HOME/conf/hive-site.xml
添加

<property>
<name>hive.execution.engine</name>
<value>tez</value>
</property>
<property>
<name>hive.tez.container.size</name>
<value>1024</value>
</property>

解决日志 Jar 包冲突
rm /opt/module/tez/lib/slf4j-log4j12- 1.7.10.jar

小文件问题

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;

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
SET hive.merge.mapfiles = true;
在 map-reduce 任务结束时合并小文件，默认 false
SET hive.merge.mapredfiles = true;
合并文件的大小，默认 256M
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
SET hive.merge.smallfiles.avgsize = 16777216;

一、哪里会产生小文件 ?
源数据本身有很多小文件
动态分区会产生大量小文件
reduce个数越多, 小文件越多
按分区插入数据的时候会产生大量的小文件, 文件个数 = maptask个数 * 分区数
二、影响
从Hive的角度看，小文件会开很多map，一个map开一个JVM去执行，所以这些任务的初始化，启动，执行会浪费大量的资源，严重影响性能。
HDFS存储太多小文件, 会导致namenode元数据特别大, 占用太多内存, 制约了集群的扩展。
三、解决方法
方法一：通过调整参数进行合并
#每个Map最大输入大小(这个值决定了合并后文件的数量)
set mapred.max.split.size=256000000;

#一个节点上split的至少的大小(这个值决定了多个DataNode上的文件是否需要合并)
set mapred.min.split.size.per.node=100000000;

#一个交换机下split的至少的大小(这个值决定了多个交换机上的文件是否需要合并)
set mapred.min.split.size.per.rack=100000000;

#执行Map前进行小文件合并
set hive.input.format=org.apache.hadoop.hive.ql.io.CombineHiveInputFormat;

#===设置map输出和reduce输出进行合并的相关参数：

#设置map端输出进行合并，默认为true
set hive.merge.mapfiles = true

#设置reduce端输出进行合并，默认为false
set hive.merge.mapredfiles = true

#设置合并文件的大小
set hive.merge.size.per.task = 25610001000

#当输出文件的平均大小小于该值时，启动一个独立的MapReduce任务进行文件merge。
set hive.merge.smallfiles.avgsize=16000000
方法二：使用 distribute by rand() 将数据随机分配给 reduce
针对按分区插入数据的时候产生大量的小文件的问题, 可以使用DISTRIBUTE BY rand() 将数据随机分配给Reduce，这样可以使得每个Reduce处理的数据大体一致。

设置每个reducer处理的大小为5个G
set hive.exec.reducers.bytes.per.reducer=5120000000;

使用distribute by rand()将数据随机分配给reduce, 避免出现有的文件特别大, 有的文件特别小
insert overwrite table test partition(dt)
select * from iteblog_tmp
DISTRIBUTE BY rand();
方法三：使用 sequencefile 作为表存储格式，不要用 textfile，在一定程度上可以减少小文件

方法四：使用hadoop的archive归档
#用来控制归档是否可用
set hive.archive.enabled=true;
#通知Hive在创建归档时是否可以设置父目录
set hive.archive.har.parentdir.settable=true;
#控制需要归档文件的大小
set har.partfile.size=1099511627776;

#使用以下命令进行归档
ALTER TABLE srcpart ARCHIVE PARTITION(ds=‘2008-04-08’, hr=‘12’);

#对已归档的分区恢复为原文件
ALTER TABLE srcpart UNARCHIVE PARTITION(ds=‘2008-04-08’, hr=‘12’);

#::注意，归档的分区不能够INSERT OVERWRITE，必须先unarchive

分区表

Hive在做Select查询时，一般会扫描整个表内容，会消耗较多时间去扫描不关注的数据。此时，可根据业务需求及其查询维度，建立合理的表分区，从而提高查询效率。
静态分区：
静态分区是手动输入分区名称，在创建表时使用关键字PARTITIONED BY指定分区列名及数据类型。应用开发时，使用ALTER TABLE ADD PARTITION语句增加分区，以及使用LOAD DATA INTO PARTITON语句将数据加载到分区时，只能静态分区。

动态分区
通过查询命令，将结果插入到某个表的分区时，可以使用动态分区。
动态分区通过在客户端工具执行如下命令来开启：
set hive.exec.dynamic.partition=true;
动态分区默认模式是strict，也就是必须至少指定一列为静态分区，在静态分区下建立动态子分区，可以通过如下设置来开启完全的动态分区：
set hive.exec.dynamic.partition.mode=nonstrict;
动态分区可能导致一个DML语句创建大量的分区，对应的创建大量新文件夹，对系统性能可能带来影响。
在文件数量大的情况下，执行一个SQL语句启动时间较长，可以在执行SQL语句之前执行“set mapreduce.input.fileinputformat.list-status.num-threads = 100;”命令来缩短启动时间。“mapreduce.input.fileinputformat.list-status.num-threads”参数需要先添加到Hive的白名单才可设置

join优化

使用Join语句时，如果数据量大，可能造成命令执行速度和查询速度慢，此时可进行Join优化。
Map Join
Hive的Map Join适用于能够在内存中存放下的小表（指表大小小于25MB），通过“hive.mapjoin.smalltable.filesize”定义小表的大小，默认为25MB。
Map Join的方法有两种：
使用/*+ MAPJOIN(join_table) */。
执行语句前设置如下参数，当前版本中该值默认为true。
set hive.auto.convert.join=true;
使用Map Join时没有Reduce任务，而是在Map任务前起了一个MapReduce Local Task，这个Task通过TableScan读取小表内容到本机，在本机以HashTable的形式保存并写入硬盘上传到DFS，并在distributed cache中保存，在Map Task中从本地磁盘或者distributed cache中读取小表内容直接与大表join得到结果并输出。
使用Map Join时需要注意小表不能过大，如果小表将内存基本用尽，会使整个系统性能下降甚至出现内存溢出的异常。

Sort Merge Bucket Map Join
使用Sort Merge Bucket Map Join必须满足以下2个条件：
join的两张表都很大，内存中无法存放。
两张表都按照join key进行分桶（clustered by (column)）和排序（sorted by(column)），且两张表的分桶数正好是倍数关系。
通过如下设置，启用Sort Merge Bucket Map Join：
set hive.optimize.bucketmapjoin=true;
set hive.optimize.bucketmapjoin.sortedmerge=true;
这种Map Join也没有Reduce任务，是在Map任务前启动MapReduce Local Task，将小表内容按桶读取到本地，在本机保存多个桶的HashTable备份并写入HDFS，并保存在Distributed Cache中，在Map Task中从本地磁盘或者Distributed Cache中按桶一个一个读取小表内容，然后与大表做匹配直接得到结果并输出。

Join顺序优化
当有3张及以上的表进行Join时，选择不同的Join顺序，执行时间存在较大差异。使用恰当的Join顺序可以有效缩短任务执行时间。
Join顺序原则：
Join出来结果较小的组合，例如表数据量小或两张表Join后产生结果较少，优先执行。
Join出来结果大的组合，例如表数据量大或两张表Join后产生结果较多，在后面执行。
例如，customer表的数据量最多，orders表和lineitem表优先Join可获得较少的中间结果。
原有的Join语句如下：

select
  l_orderkey,
  sum(l_extendedprice * (1 - l_discount)) as revenue,
  o_orderdate,
  o_shippriority
from
  customer,
  orders,
  lineitem
where
  c_mktsegment = 'BUILDING'
  and c_custkey = o_custkey
  and l_orderkey = o_orderkey
  and o_orderdate < '1995-03-22'
  and l_shipdate > '1995-03-22'
limit 10;

Join顺序优化后如下：

select
  l_orderkey,
  sum(l_extendedprice * (1 - l_discount)) as revenue,
  o_orderdate,
  o_shippriority
from
  orders,
  lineitem,
  customer
where
  c_mktsegment = 'BUILDING'
  and c_custkey = o_custkey
  and l_orderkey = o_orderkey
  and o_orderdate < '1995-03-22'
  and l_shipdate > '1995-03-22'
limit 10;

Join数据倾斜问题
执行任务的时候，任务进度长时间维持在99%，这种现象叫数据倾斜。
数据倾斜是经常存在的，因为有少量的Reduce任务分配到的数据量和其他Reduce差异过大，导致大部分Reduce都已完成任务，但少量Reduce任务还没完成的情况。
解决数据倾斜的问题，可通过设置“set hive.optimize.skewjoin=true”并调整hive.skewjoin.key的大小。hive.skewjoin.key是指Reduce端接收到多少个key即认为数据是倾斜的，并自动分发到多个Reduce。

Group By优化

优化Group by语句，可提升命令执行速度和查询速度。
Group by的时候， Map端会先进行分组， 分组完后分发到Reduce端， Reduce端再进行分组。可采用Map端聚合的方式来进行Group by优化，开启Map端初步聚合，减少Map的输出数据量。
在Hive客户端进行如下设置：
set hive.map.aggr=true;
Group By也同样存在数据倾斜的问题，设置hive.groupby.skewindata为true，生成的查询计划会有两个MapReduce Job，第一个Job的Map输出结果会随机的分布到Reduce中，每个Reduce做聚合操作，并输出结果，这样的处理会使相同的Group By Key可能被分发到不同的Reduce中，从而达到负载均衡，第二个Job再根据预处理的结果按照Group By Key分发到Reduce中完成最终的聚合操作。

Count Distinct聚合问题
当使用聚合函数count distinct完成去重计数时，处理值为空的情况会使Reduce产生很严重的数据倾斜，可以将空值单独处理，如果是计算count distinct，可以通过where字句将该值排除掉，并在最后的count distinct结果中加1。如果还有其他计算，可以先将值为空的记录单独处理，再和其他计算结果合并。

数据存储优化
“ORC”是一种高效的列存储格式，在压缩比和读取效率上优于其他文件格式。
建议使用“ORC”作为Hive表默认的存储格式。
推荐：使用“SNAPPY”压缩，适用于压缩比和读取效率要求均衡场景。
Create table xx (col_name data_type) stored as orc tblproperties (“orc.compress”=“SNAPPY”);
可用：使用“ZLIB”压缩，适用于压缩比要求较高场景。
Create table xx (col_name data_type) stored as orc tblproperties (“orc.compress”=“ZLIB”);

SQL优化
在Hive上执行SQL语句查询时，如果语句中存在“(a&b) or (a&c)”逻辑时，建议将逻辑改为“a & (b or c)”。
假设条件a为“p_partkey = l_partkey”，优化前样例如下所示：

HiveServer2内存配置

HiveServer2和Hive元存储需要足够的内存才能正确运行。每个组件的默认堆大小256 MB不足以满足生产工作负载。下表包含根据群集大小确定每个组件的堆大小的准则。该表引用了连接，即与HiveServer的打开连接数（Cloudera Manager hive_open_connections指标）。在Cloudera Manager，HiveServer2，状态中，将显示该指标的直观表示。例如：

HiveServer2和Hive元存储需要足够的内存才能正确运行。每个组件的默认堆大小256 MB不足以满足生产工作负载。下表包含根据群集大小确定每个组件的堆大小的准则。该表引用了连接，即与HiveServer的打开连接数（Cloudera Manager hive_open_connections指标）。在Cloudera Manager，HiveServer2，状态中，将显示该指标的直观表示。例如：

要为HiveServer2和Hive Metastore配置堆大小，请设置-Xmx 中的参数 HADOOP_OPTS 变量为所需的最大堆大小 /etc/hive/hive-env.sh。

要配置Beeline CLI的堆大小，请设置HADOOP_HEAPSIZE 环境变量 /etc/hive/hive-env.sh 在启动Beeline CLI之前。

以下示例显示具有以下设置的配置：
HiveServer2使用12 GB的堆。
Hive Metastore使用12 GB的堆。
Hive客户端使用2 GB的堆。
要更改的设置以粗体显示。所有这些行均被注释掉（前缀为＃ 字符）。

if [ "$SERVICE" = "cli" ]; then
  if [ -z "$DEBUG" ]; then
    export HADOOP_OPTS="$HADOOP_OPTS -XX:NewRatio=12 -Xmx12288m -Xms12288m -XX:MaxHeapFreeRatio=40 -XX:MinHeapFreeRatio=15 -XX:+UseParNewGC -XX:-UseGCOverheadLimit"
  else
    export HADOOP_OPTS="$HADOOP_OPTS -XX:NewRatio=12 -Xmx12288m -Xms12288m -XX:MaxHeapFreeRatio=40 -XX:MinHeapFreeRatio=15 -XX:-UseGCOverheadLimit"
  fi
fi
export HADOOP_HEAPSIZE=2048

您可以通过以下方式使用并发收集器或新的并行收集器进行垃圾收集 -XX：+ UseConcMarkSweepGC 或者 -XX：+ UseParNewGC 在里面 HADOOP_OPTS上面的行。要启用垃圾收集开销限制，请删除-XX：-UseGCOverheadLimit 设置或更改为 -XX：+ UseGCOverheadLimit。

将Java垃圾收集的PermGen空间设置为 512M 对于所有 JAVA-OPTS环境变量
set JAVA_OPTS="-Xms256m -Xmx1024m -XX:PermSize=512m -XX:MaxPermSize=512m"

如果满足以下条件，则HiveServer2（HS2）服务可能需要更多内存：
许多Hive表分区。
与HS2的许多并发连接。
复杂的Hive查询，用于访问大量的表分区。
如果存在这些情况中的任何一个，则Hive可能会运行缓慢或崩溃，因为整个HS2堆内存已满。本节描述了HS2需要更多内存时出现的症状，如何解决问题以找出其原因，然后解决它们。

HiveServer2堆内存已满时显示的症状
HS2堆内存已满时，您可能会遇到以下问题：
HS2服务关闭，新会话无法启动。
HS2服务似乎运行良好，但是客户端连接被拒绝。
查询提交反复失败。
HS2性能下降并显示以下行为：
查询提交延迟
查询执行时间长

HiveServer2性能最佳实践

HS2进程的高堆使用率可能是由于Hive查询访问大量表分区（大于数千个），高级别的并发性或“识别增加内存压力的工作负荷特性”中描述的其他Hive工作负荷特性引起的。

最佳的HS2堆大小配置取决于几个因素，包括工作负载特征，并发客户端数以及基础Hive表的分区。要解决与HS2内存相关的问题，请确认为您的环境正确设置了HS2堆大小。

在CDH 5.7和更高版本中，除非主机内存不足，否则Cloudera Manager默认以4 GB的堆大小启动HS2服务。但是，较低版本的CDH或升级的群集上的堆大小可能未设置为此建议值。要将堆大小增加到至少4 GB：
在Cloudera Manager中，转到“主页”>“ Hive”>“配置”>“ HiveServer2”>“资源管理”。
将HiveServer2的Java堆大小（以字节为单位）设置为4 GiB然后点击“保存更改”。
从“操作”下拉菜单中，选择重新开始 重新启动HS2服务。
如果已经将HS2配置为以4 GB或更大的堆大小运行，并且仍然存在性能问题，则工作负载特征可能会导致内存压力。增加堆大小以减少HS2上的内存压力。Cloudera不建议每个实例超过16 GB，因为较长的垃圾收集暂停时间。有关优化查询工作负载以减少HS2的内存需求的技巧，请参阅识别增加内存压力的工作负载特征。一旦开始为HS2分配超过16 GB的存储空间，Cloudera建议将HS2分为多个实例并进行负载平衡。

如果工作负载分析没有发现任何重大问题，或者您只能随时间解决工作负载问题，请考虑以下选项：
逐步增加HS2上的堆大小。Cloudera建议每步将堆大小从当前值增加50％。
减少在HS2主机上运行的服务数量。
如并发连接数如何影响HiveServer2性能中所述，跨多个HS2实例实现负载均衡工作负载。
向主机添加更多物理内存或升级到更大的服务器。

HIveServer2 HA

要为多个HiveServer2主机提供高可用性，请配置一个负载均衡器来管理它们。为了提高稳定性和安全性，请在代理服务器上配置负载均衡器。以下各节描述如何使用Cloudera Manager启用高可用性，或如何为非托管群集手动启用高可用性。

在下面启用HiveServer2高可用性的第一步中，您将启用Hive委托令牌存储实现。Oozie需要此实现以确保安全的HS2 HA。否则，Oozie服务器可以从一个HS2服务器获得委托令牌，但是实际查询可能针对另一台不能识别HS2委托令牌的HS2服务器运行。例外：如果启用HMS HA，则不要启用Hive委托令牌存储。否则，会发生Oozie工作问题。
HiveServer2高可用性不会自动失败并重试长时间运行的Hive查询。如果任何HiveServer2实例失败，则在该实例上运行的所有查询都会失败，并且不会重试。而是，客户端应用程序必须重新提交查询。
启用HiveServer2高可用性后，必须更改现有的Oozie作业以反映HiveServer2地址。
在启用Kerberos的群集上，必须使用负载平衡器的主体直接连接到HS2；否则，必须使用负载平衡器的主体。否则，启用HiveServer2高可用性后，与HiveServer2实例的直接连接将失败。

使用Cloudera Manager启用HiveServer2高可用性
最低要求角色： 配置器（也由Cluster Administrator， Full Administrator提供）

转到Hive服务。
如果您有一个安全的群集，请更改Hive委派令牌存储的实现。非安全群集可以跳过此步骤。
要根据需要将此配置属性应用于其他角色组，请编辑相应角色组的值。请参阅使用Cloudera Manager修改配置属性。

单击配置选项卡。
选择“作用域” >“ Hive Metastore Server”。
选择类别>高级。
找到“ Hive Metastore授权令牌存储”属性，或在“搜索”框中键入其名称进行搜索。
选择 org.apache.hadoop.hive.thrift.DBTokenStore。
将多个HiveServer2实例添加到您的群集中：
单击实例选项卡，然后单击添加角色实例。
在“将角色实例添加到Hive”页上的“ HiveServer2”列标题下，单击“选择主机”，然后选择应具有HiveServer2实例的主机。
单击“确定”，然后单击“继续”。出现“实例”页面，您可以在其中启动新的HiveServer2实例。
单击配置选项卡。
选择“作用域” >“ HiveServer2”。
选择类别>主。
找到HiveServer2负载平衡器属性，或通过在“搜索”框中键入其名称进行搜索。
输入以下值 <主机名>：<端口号>。例如，hs2load_balancer.example.com:10015。
注意：设置HiveServer2负载平衡器属性时，Cloudera Manager会重新生成HiveServer2角色的密钥表。这些密钥表中的主体包含负载均衡器主机名。如果存在依赖于此Hive服务的Hue服务，则它还将使用负载平衡器与Hive通信。
单击保存更改以提交更改。
重新启动Hive服务。

配置HiveServer2在非托管群集上的代理后面进行负载平衡
对于具有多个用户和可用性要求的非托管群集，您可以配置代理服务器以中继与每个HiveServer2主机之间的请求。应用程序连接到单个知名主机和端口，并且即使运行HiveServer2的主机不可用，对代理的连接请求也会成功。

没有Kerberos的非托管群集

在单个主机上下载您选择的负载平衡代理软件。例如，请参阅示例HAProxy配置。
通常通过编辑配置文件来配置软件。通常，此配置包括：
设置端口，以使负载平衡器可以侦听并来回中继HiveServer2请求。
为每个HiveServer2主机设置端口和主机名。这些是中继器在中继每个查询时从中选择的主机。
运行负载平衡代理服务器，并将其指向配置文件。
将所有脚本，作业或应用程序配置指向新的代理服务器，而不是任何特定的HiveServer2实例。

HAProxy配置示例
如果尚未使用负载平衡代理，则可以尝试使用HAProxy免费开放源代码负载平衡器。

注意： HAProxy不是CDH组件，并且Cloudera不提供对HAProxy的支持。前往HAProxy咨询问题和支持问题。
要安装和配置HAProxy（开源负载平衡器），请执行以下步骤。

Download the appropriate from the HAProxy web site.
As the root user, install HAProxy:

sudo yum -y install haproxy

Edit the HAProxy configuration file to listen on port 10000 and point to each HiveServer2 instance. Make sure to configure for sticky sessions. Here is an example configuration file:

global
  # To have these messages end up in /var/log/haproxy.log you will
    # need to:
    #
    # 1) configure syslog to accept network log events.  This is done
    #    by adding the '-r' option to the SYSLOGD_OPTIONS in
    #    /etc/sysconfig/syslog
    #
    # 2) configure local2 events to go to the /var/log/haproxy.log
    #   file. A line like the following can be added to
    #   /etc/sysconfig/syslog
    #
    #    local2.*                       /var/log/haproxy.log
    #
    log         127.0.0.1 local0
    log         127.0.0.1 local1 notice
    chroot      /var/lib/haproxy
    pidfile     /var/run/haproxy.pid
    maxconn     4000
    user        haproxy
    group       haproxy
    daemon

    # turn on stats unix socket
    #stats socket /var/lib/haproxy/stats

#---------------------------------------------------------------------
# common defaults that all the 'listen' and 'backend' sections will
# use if not designated in their block
#
# You might need to adjust timing values to prevent timeouts.
#---------------------------------------------------------------------
defaults
    mode                    http
    log                     global
    option                  httplog
    option                  dontlognull
    option http-server-close
    option forwardfor       except 127.0.0.0/8
    option                  redispatch
    retries                 3
    maxconn                 3000
    contimeout 5000
    clitimeout 50000
    srvtimeout 50000

#
# This sets up the admin page for HA Proxy at port 25002.
#
listen stats :25002
    balance
    mode http
    stats enable
    stats auth username:password

# This is the setup for HS2. beeline client connect to load_balancer_host:10001.
# HAProxy will balance connections among the list of servers listed below.
listen hiveserver2 :10001
    mode tcp
    option tcplog
    balance source
​
    server hiveserver2_1 hs2-host-1.example.com:10000
    server hiveserver2_2 hs2-host-2.example.com:10000
    server hiveserver2_3 hs2-host-3.example.com:10000
    server hiveserver2_4 hs2-host-4.example.com:10000

Set HAProxy to start when the system starts:
chkconfig haproxy on
Start HAProxy:

或者使用Nginx

Hive Metastore

HMS服务将Hive表和分区的元数据存储在关系数据库中，并使用metastore服务API向客户端（包括Hive）提供对此信息的访问。该页面说明了部署选项，并提供了以推荐配置设置数据库的说明

嵌入式模式是CDH的默认Metastore部署模式。在这种模式下，元存储使用Derby数据库，并且数据库和元存储服务都嵌入在主HiveServer2进程中。当您启动HiveServer2进程时，两者都会为您启动。此模式所需的配置工作量最少，但是一次只能支持一个活动用户，并且没有经过认证可用于生产。

在本地模式下，Hive Metastore服务与主HiveServer2进程在同一进程中运行，但是metastore数据库在单独的进程中运行，并且可以在单独的主机上。嵌入式metastore服务通过JDBC与metastore数据库进行通信。

在远程模式下，Hive Metastore服务在其自己的JVM进程中运行。HiveServer2，HCatalog，Impala和其他进程使用Thrift网络API（使用hive.metastore.uris财产）。metastore服务通过JDBC与metastore数据库进行通信（使用javax.jdo.option.ConnectionURL财产）。数据库，HiveServer2进程和元存储服务都可以位于同一主机上，但是在单独的主机上运行HiveServer2进程可以提供更好的可用性和可伸缩性。

相对于本地模式，远程模式的主要优势在于，远程模式不需要管理员与每个Hive用户共享metastore数据库的JDBC登录信息。HCatalog需要此模式。

有关最新信息，请参见数据库要求。Cloudera强烈建议您使用MySQL，因为它在Hive用户社区的其余部分中最受欢迎，因此与其他选项相比，它接受了更多的测试。有关安装信息，请参阅：
这些数字仅是一般性指导，可能会受到诸如列数，分区，复杂联接和客户端活动之类的因素的影响。根据您预期的部署，通过测试进行优化以达到您的环境的最佳价值。

通常，您需要限制到配置单元元存储的并发连接。大量打开的连接会影响性能，后端数据库问题、不正确的配置单元使用（如极其复杂的查询）、连接泄漏和其他问题也会影响性能。尝试进行以下更改：
为一个或多个Hive元存储购买SSD。
Cloudera建议单个查询访问不超过10000个表分区。如果查询联接表，则计算跨所有表访问的组合分区计数。
调整后端（RDBMS）。HiveServer连接到HMS，只有HMS连接到RDBMS。后端占用的时间越长，HMS响应相同请求所需的内存就越多。限制后端数据库中的连接数。

MySQL: For example, in /etc/my.cnf:

[mysqld]
datadir=/var/lib/mysql
max_connections=8192
. . .
MariaDB: For example, in /etc/systemd/system/mariadb.service.d/limits.conf:

[Service]
LimitNOFILE=24000

. . .
Use default thrift properties (8K):
hive.server2.async.exec.threads 8192
hive.server2.async.exec.wait.queue.size 8192
hive.server2.thrift.max.worker.threads 8192
Set datanucleus.connectionPool.maxPoolSize for your applications. For example, if poolSize = 100, with 3 HMS instances (one dedicated to compaction), and with 4 pools per server, you can accommodate 1200 connections.

配置Metastore数据库
本节介绍如何将配置单元配置为使用远程数据库，并以MySQL、PostgreSQL和Oracle为例。
配置单元元存储的配置属性记录在apachewiki上的配置单元元存储管理文档中。
注意：有关安全集群中可能需要的其他配置的信息，请参阅配置单元身份验证。
为配置单元元存储配置远程MySQL数据库
Cloudera建议您在一个或多个远程服务器上为metastore配置数据库，这些服务器位于一个或多个与HiveServer2进程分离的主机上。MySQL是最流行的数据库。使用以下步骤配置远程元存储。如果您计划使用云服务数据库，例如Amazon关系数据库服务（RDS），请参阅将共享Amazon RDS配置为CDH的HMS，以获取有关如何将共享Amazon RDS设置为配置单元元存储的信息。

Hive Metastore HA

在CDH中配置HMS高可用性
您可以启用Hive metastore高可用性（HA），以便在metastore不可用时集群能够抵御故障。建议使用HA模式来解决故障转移情况。没有进行负载平衡。
使用Cloudera Manager启用HMS高可用性
建议
Cloudera建议metastore的每个实例都在单独的集群主机上运行。
使用Cloudera Manager启用HMS高可用性
所需的最低角色：Configurator（群集管理员、完全管理员也提供）
去蜂巢服务。
如果您有安全集群，请更改Hive委派令牌存储实现。非安全群集可以跳过此步骤。
要根据需要将此配置属性应用于其他角色组，请编辑相应角色组的值。请参见使用Cloudera Manager修改配置属性。
单击配置选项卡。
选择“范围>配置单元元存储服务器”。
选择类别>高级。
找到配置单元元存储委派令牌存储属性，或通过在搜索框中键入其名称进行搜索。
选择org.apache.hadoop下载.hive.thrift.DBTokenStore商店.
单击保存更改以提交更改。
单击“实例”选项卡。
单击添加角色实例。
单击配置单元元存储服务器下的文本字段。
选中要在其上运行附加元存储的主机旁边的框，然后单击“确定”。
单击“继续”，然后单击“完成”。
选中新配置单元元存储服务器角色旁边的复选框。
选择Actions for Selected>Start，然后单击Start进行确认。
单击“关闭”，然后单击以显示“过时配置”页面。
单击Restart Stale Services，然后单击Restart Now。
在集群完成重新启动后，单击Finish。

大量并发查询

大量并发查询会增加连接数。每个查询连接消耗查询计划，访问的表分区数和部分结果集的资源。限制并发用户数可以帮助减少总体HS2资源消耗，特别是在限制一个或多个“进行中”查询返回大结果集的情况下。

解决方法：

通过使用CDH 5.7和更高版本中提供的HS2负载平衡，可以在多个HS2实例之间实现负载平衡。Cloudera建议您通过将群集上并发用户的预期最大数目除以40来确定群集上HS2服务器的总数。例如，如果预期有400个并发用户，则应有10个HS2实例来支持它们。有关设置说明，请参阅在CDH中配置HiveServer2高可用性。
查看使用模式，例如批处理作业计时或Oozie工作流，以识别可随时间分布的连接数量峰值。

访问大量表分区的查询

Cloudera建议单个查询访问不超过10,000个表分区。如果查询中也使用联接，请计算所有表之间访问的合并分区数。
查找可加载内存中所有表分区的查询以执行。这会大大增加存储压力。例如，使用以下SELECT语句访问分区表的查询将加载要执行的目标表的所有分区：
SELECT * FROM <table_name> LIMIT 10;

解决方法：

将分区过滤器添加到查询以减少访问的分区总数。要查看查询处理的所有分区，请运行EXPLAIN DEPENDENCY子句，《Apache Hive语言手册》中对此进行了说明。
在hive-site.xml的Metastore Server高级配置代码段（安全阀）中，设置 hive.metastore.limit.partition.request参数设置为1000，以限制从查询中的单个表访问的最大分区数。有关设置此参数的信息，请参见Apache Wiki。如果设置了此参数，则访问超过1000个分区的查询将失败，并显示以下错误：
MetaException: Number of partitions scanned (=%d) on table ‘%s’ exceeds limit (=%d)

设置此参数可以防止不良的工作负载并识别需要优化的查询。解决失败的查询：
应用适当的分区过滤器。
如果需要，将整个群集范围的限制增加到1000以上。此操作会给HiveServer2和Hive元存储增加内存压力。
如果未对访问的表进行分区，请参阅此Cloudera Engineering Blog帖子，其中介绍了如何对Hive表进行分区以提高查询性能。根据使用模式选择要进行分区的列或维度。对表进行过多分区会导致数据碎片，但是对表进行过多分区会导致查询读取太多数据。任一种极端都会使查询效率低下。通常，可以使用几千个表分区。

宽表或列：

内存需求与列数和各个列的大小成正比。通常，一个宽表包含超过1,000列。如果列数很大，那么宽的表或列可能会导致内存压力。对于Parquet文件尤其如此，因为行组的所有数据必须先在内存中才能写入磁盘。尽可能避免使用宽桌子。
较大的单个列也会导致内存需求增加。通常，当列包含自由格式的文本或复杂类型时，会发生这种情况。

解决方法：
减少已实现的列总数。如果只需要一部分列，请避免选择 * 因为它实现了所有列。
而是使用一组特定的列。这对于以列格式存储的宽表特别有效。明确指定列而不是使用选择 *，特别是对于生产工作负载

高查询复杂度

复杂查询通常具有大量的联接，每个查询通常有10个以上的联接。HS2堆大小要求随着查询中联接数的增加而显着增加。
解决方法：
确保在JOIN中涉及的所有分区表上都指定了分区过滤器。
只要有可能，就可以使用中间临时表将查询分为多个较小的查询。
用户定义函数（UDF）编写不正确
编写不正确的UDF会对HS2施加很大的内存压力。
了解UDF的内存含义，并在生产环境中使用它之前对其进行测试。

查询失败，出现“计数器过多”错误

配置单元操作在执行MapReduce作业时使用各种计数器。这些每个操作员计数器通过配置设置启用hive.task.progress进度。默认情况下禁用此功能。如果启用，Hive可能会创建大量计数器（每个操作员4个计数器，再加上20个）。

注意：如果启用了动态分区，则Hive会在数据加载期间隐式启用计数器。
默认情况下，CDH将MapReduce计数器的数量限制为120。需要更多计数器的Hive查询失败，并显示“ Too many counters”错误。

解决方法：
对于托管集群：
在Cloudera Manager管理控制台中，转到MapReduce服务。
选择配置选项卡。
键入计数器在右侧面板中的搜索框。
向下滚动右面板以找到mapreduce.job.counters.max属性并增加Value。
点击保存更改。
对于非托管群集：
Set the mapreduce.job.counters.max property to a higher value in mapred-site.xml.

GC配置

要为Hive Metastore配置堆大小和垃圾回收，请执行以下操作：

要设置堆大小，请转到主页> Hive>配置> Hive Metastore>资源管理。
将Hive Metastore Server的Java堆大小（以字节为单位）设置为所需的值，然后点击保存更改。
要设置垃圾收集，请转到“主页”>“ Hive”>“配置”>“ Hive Metastore Server”>“高级”。
将Java垃圾收集的PermGen空间设置为 512M，使用的垃圾收集器的类型（ConcMarkSweepGC 或者 ParNewGC），并在Hive Metastore Server的Java配置选项中启用或禁用垃圾收集开销限制。有关此设置的示例，请参阅上面的步骤4，为HiveServer2配置垃圾收集。
从“操作”下拉菜单中，选择Restart重新启动Hive Metastore服务。
要为Beeline CLI配置堆大小和垃圾回收，请执行以下操作：

要设置堆大小，请转到主页>配置单元>配置>网关>资源管理。
将客户端Java堆大小（以字节为单位）至少设置为2个GiB然后点击“保存更改”。
要设置垃圾收集，请转到主页>配置单元>配置>网关>高级。
将Java垃圾收集的PermGen空间设置为 512M在“客户端Java配置选项”中。

下面的示例将PermGen空间设置为 512M 并指定 IPv4：
-XX：MaxPermSize = 512M -Djava.net.preferIPv4Stack = true
从“操作”下拉菜单中，选择Restart重新启动客户端服务。

查询向量化
默认情况下，Hive查询执行引擎一次处理一个表的一行。在处理下一行之前，单行数据通过查询中的所有运算符，导致CPU使用效率非常低。在向量化查询执行中，数据行被批处理在一起并表示为一组列向量。向量化查询执行的基本思想是将一批行处理为列向量数组：
启用查询向量化后，查询引擎将处理列向量，从而大大提高了典型查询操作（如扫描，过滤器，聚合和联接）的CPU利用率。
启用配置单元查询矢量化
默认情况下，在CDH 6和CDH 5中启用了Hive查询矢量化。但是，在CDH 5中，仅在ORC格式的表中，Hive中的矢量化查询执行是可行的，Cloudera建议您不要将其用于与CDH平台的整体兼容性。相反，Cloudera建议您使用Parquet格式的表，因为所有CDH组件都支持该格式，并且所有CDH组件都可以使用它。

FAQ

如何在多个HiveServer之间同步删除UDF
已备份的Hive表无法执行drop操作
如何在Hive自定义函数中操作本地文件
如何强制停止Hive执行的MapReduce任务
Hive复杂类型字段名称中包含特殊字符导致建表失败
如何对Hive表大小数据进行监控
如何对Hive中的表大小数据进行监控？

如何对重点目录进行保护，防止“insert overwrite”语句误操作导致数据丢失
未安装HBase时Hive on Spark任务卡顿处理
FusionInsight Hive使用WHERE条件查询超过3.2万分区的表报错
使用IBM的jdk访问Beeline客户端出现连接hiveserver失败
通过Tez引擎执行union相关语句写入的数据，切换MR引擎后查询不出来。
Hive不支持对同一张表或分区进行并发写数据
Hive不支持向量化查询
Hive表HDFS数据目录被误删，但是元数据仍然存在，导致执行任务报错处理

hive表执行insert overwrite table_a partition(dt=‘20181121’) select * from table_b 时，报错
FAILED: Error in acquiring locks: Locks on the underlying objects cannot be acquired. retry after some time

org.apache.hadoop.hive.ql.lockmgr.LockException: Locks on the underlying objects cannot be acquired. retry after some time
查找了之后，发现时表被锁了；
所有被锁的表都出现了，不好找到自己的表
show locks；
show locks table_a;
如果时下面，表示表是共享锁，可以执行插入操作；
如果是下面，表示是排他锁，不可以执行插入操作；
然后执行unlock table table_a
把表解锁之后，在去执行插入还是不成功；
最后，发现table_a表的分区被锁了；
show locks talbe_a partition(dt=‘20181121’)
那么解锁分区，再执行插入操作就可以了
unlock table talbe_a partition(dt=‘20181121’);

或者去mysql源数据里，找到hive_locks里清空

MSCK REPAIR TABLE
对于Hive，最常见的故障排除方面涉及性能问题和磁盘空间管理。因为Hive使用了一种底层的计算机制，比如MapReduce或Spark，所以有时故障排除需要诊断和更改那些较低层的配置。此外，如果metastore元数据不同步，也会出现问题。在这种情况下，MSCK REPAIR TABLE命令有助于将配置单元元存储元数据与文件系统重新同步。

使用MSCK修复表的最佳实践
Hive在其元存储中存储每个表的分区列表。MSCK REPAIR TABLE命令被设计成批量添加文件系统中已经存在但不存在于元存储中的分区。如果丢失了单元元存储中的数据，或者在没有持久元存储的云环境中工作，则此功能可能很有用。有关详细信息，请参阅在CDH中的AmazonS3文件系统上调优Apache Hive性能或配置ADLS Gen1连接。
示例：MSCK修复表的工作原理
下面的示例演示了MSCK修复表的工作原理。
在HDFS上为配置单元表员工及其部门分区创建目录和子目录：

$ sudo -u hive hdfs dfs -mkdir -p /user/hive/dataload/employee/dept=sales
$ sudo -u hive hdfs dfs -mkdir -p /user/hive/dataload/employee/dept=service
$ sudo -u hive hdfs dfs -mkdir -p /user/hive/dataload/employee/dept=finance
          

$ sudo -u hdfs hadoop fs -ls -R /user/hive/dataload
drwxr-xr-x  - hive hive 0 2017-06-16 17:49 /user/hive/dataload/employee
drwxr-xr-x  - hive hive 0 2017-06-16 17:49 /user/hive/dataload/employee/dept=finance
drwxr-xr-x  - hive hive 0 2017-06-16 17:47 /user/hive/dataload/employee/dept=sales
drwxr-xr-x  - hive hive 0 2017-06-16 17:48 /user/hive/dataload/employee/dept=service

CREATE EXTERNAL TABLE employee (
   eid int, name string, position string
   )
   PARTITIONED BY (dept string)
   LOCATION ‘/user/hive/dataload/employee’
 ;
          
SHOW PARTITIONS employee;

MSCK REPAIR TABLE employee;

SHOW PARTITIONS employee;

此命令不显示在HDFS中创建的分区目录，因为有关这些分区目录的信息尚未添加到配置单元元存储中
现在，此命令返回您在HDFS文件系统上创建的分区，因为元数据已添加到配置单元元存储：
MSCK REPAIR TABLE命令的使用指南
运行MSCK修复表非常昂贵。它消耗了大量的系统资源。仅当metastore与文件系统不同步时才使用它修复元数据。例如，如果您将数据从一个HDFS系统传输到另一个HDFS系统，请使用MSCK REPAIR TABLE使配置单元元存储知道新HDFS上的分区。对于例程分区创建，使用ALTER表。。。添加分区语句。

MSCK REPAIR TABLE的一个好用法是在将数据文件移动到云存储（如amazons3）后修复metastore元数据。如果您使用的是此方案，请参阅在S3上调整配置单元MSCK（Metastore Check）性能，以获取有关在此方案中调整MSCK修复表命令性能的信息。

仅作为顶级语句运行MSCK修复表。不要从诸如例程、复合块或准备好的语句之类的对象内部运行它。

HiveServer2服务崩溃
如果HS2服务频繁崩溃，请通过检查HS2实例stdout日志确认问题与HS2堆耗尽有关。
在Cloudera Manager中，从主页转到Hive>Instances。
在“实例”页面中，单击已关闭的HS2节点的链接：
Cloudera Manager实例页面上的HiveServer2链接
在HiveServer2页面上，单击processs。
在HiveServer2进程页面上，向下滚动到最近的日志条目，然后单击指向Stdout日志的链接。
链接到Cloudera Manager进程页面上的标准输出日志

In the stdout.log, look for the following error:
              # java.lang.OutOfMemoryError: Java heap space
              # -XX:OnOutOfMemoryError="/usr/lib64/cmf/service/common/killparent.sh"
              # Executing /bin/sh -c "/usr/lib64/cmf/service/common/killparent.sh"

hive元数据查询（Mysql）

use metastore;
DROP VIEW IF EXISTS view_tag_meta_col;
CREATE ALGORITHM=UNDEFINED SQL SECURITY DEFINER VIEW view_tag_meta_col AS
SELECT
  DBS.NAME as DB,
  TBLS.TBL_NAME,
  COLUMNS_V2.COLUMN_NAME,
  COLUMNS_V2.TYPE_NAME,
  COLUMNS_V2.COMMENT,
  COLUMNS_V2.INTEGER_IDX,
  0 flag
FROM
 COLUMNS_V2 ,
 SDS,
 TBLS,
    DBS
WHERE
 COLUMNS_V2.CD_ID = SDS.CD_ID
AND SDS.SD_ID = TBLS.SD_ID
AND TBLS.DB_ID = DBS.DB_ID 
order by COLUMNS_V2.INTEGER_IDX;

DROP VIEW IF EXISTS view_tag_meta_partition;
CREATE ALGORITHM=UNDEFINED SQL SECURITY DEFINER VIEW view_tag_meta_partition
AS
SELECT
  DBS.NAME as DB,
  TBLS.TBL_NAME,
  PARTITION_KEYS.PKEY_NAME as COLUMN_NAME,
  PARTITION_KEYS.PKEY_TYPE as TYPE_NAME,
  PARTITION_KEYS.PKEY_COMMENT as COMMENT,
  PARTITION_KEYS.INTEGER_IDX as INTEGER_IDX,
  1 flag

FROM
 SDS,
 TBLS,
    DBS,
	PARTITION_KEYS
WHERE
SDS.SD_ID = TBLS.SD_ID
AND TBLS.DB_ID = DBS.DB_ID
AND TBLS.TBL_ID = PARTITION_KEYS.TBL_ID  
order by PARTITION_KEYS.INTEGER_IDX;

DROP VIEW IF EXISTS view_tag_meta_all;
CREATE ALGORITHM=UNDEFINED SQL SECURITY DEFINER VIEW view_tag_meta_all
AS
select * FROM view_tag_meta_col
union all
select * FROM view_tag_meta_partition;

DROP VIEW IF EXISTS view_tag_meta;
CREATE ALGORITHM=UNDEFINED SQL SECURITY DEFINER VIEW view_tag_meta
AS
select DB,TBL_NAME,COLUMN_NAME,TYPE_NAME,COMMENT from view_tag_meta_all
order by flag,INTEGER_IDX;


select * from  view_tag_meta where TBL_NAME = 't_phone_activity';




--表结构查询
SELECT
  DBS.NAME as DB,
  TBLS.TBL_NAME,
  COLUMNS_V2.COLUMN_NAME,
  COLUMNS_V2.TYPE_NAME,
  COLUMNS_V2.INTEGER_IDX,
  COLUMNS_V2.COMMENT
FROM
	COLUMNS_V2 ,
	SDS,
	TBLS,
    DBS
WHERE
	COLUMNS_V2.CD_ID = SDS.CD_ID
AND SDS.SD_ID = TBLS.SD_ID
AND TBLS.DB_ID = DBS.DB_ID AND DBS.NAME like 'transpass%';


--查询某个表有多少行

select a.TBL_ID, a.TBL_NAME, b.PARAM_KEY, b.PARAM_VALUE
from TBLS as a join TABLE_PARAMS as b
 where a.TBL_ID = b.TBL_ID and PARAM_KEY="numRows";

SELECT
	a.TBL_ID,
	a.TBL_NAME,
	b.PARAM_KEY,
	b.PARAM_VALUE
FROM
	TBLS AS a
JOIN TABLE_PARAMS AS b
WHERE
	a.TBL_ID = b.TBL_ID




--查询表的某个分区信息
SELECT p.* from PARTITIONS p
JOIN TBLS t
ON t.TBL_ID=p.TBL_ID
WHERE t.TBL_NAME='table'
AND PART_NAME like '%dt=20190420%';

--查询指定库中stored as textfile类型的所有表名

select
  d.NAME,
  t.TBL_NAME,
  s.INPUT_FORMAT,
  s.OUTPUT_FORMAT
from TBLS t
join DBS d
join SDS s
where t.DB_ID = d.DB_ID
and t.SD_ID = s.SD_ID
and d.NAME='test'
and s.INPUT_FORMAT like '%TextInputFormat%';

select
  d.NAME,
  t.TBL_NAME,
  s.INPUT_FORMAT,
  s.OUTPUT_FORMAT
from TBLS t
join DBS d
join SDS s
where t.DB_ID = d.DB_ID
and t.SD_ID = s.SD_ID
and d.NAME='test'



--查询指定库中的分区表
--多分区表还需要查询出分区的顺序id

select
  db.NAME,
  tb.TBL_NAME,
  pk.PKEY_NAME
from TBLS tb
join DBS db
join PARTITION_KEYS pk
where tb.DB_ID = db.DB_ID
and tb.TBL_ID=pk.TBL_ID
and db.NAME='test';


--查询指定库中的非分区表

select
  db.NAME,
  tb.TBL_NAME
from TBLS tb
join DBS db
where tb.DB_ID = db.DB_ID
and db.NAME='test'
and tb.TBL_ID not in (
  select distinct TBL_ID from PARTITION_KEYS
) ;


--查询指定库中，某种存储格式的分区表

select
  db.NAME,
  tb.TBL_NAME,
  pk.PKEY_NAME,
  s.INPUT_FORMAT,
  s.OUTPUT_FORMAT
from TBLS tb
join DBS db
join PARTITION_KEYS pk
join SDS s
where tb.DB_ID = db.DB_ID
and tb.TBL_ID=pk.TBL_ID
and tb.SD_ID = s.SD_ID
and db.NAME='test'
and s.INPUT_FORMAT like '%TextInputFormat%';


--查询指定库中某种存储类型的非分区表

select
  db.NAME,
  tb.TBL_NAME,
  s.INPUT_FORMAT,
  s.OUTPUT_FORMAT
from TBLS tb
join DBS db
join SDS s
where tb.DB_ID = db.DB_ID
and tb.SD_ID = s.SD_ID
and db.NAME='test'
and s.INPUT_FORMAT like '%TextInputFormat%'
and tb.TBL_ID not in (select distinct TBL_ID from PARTITION_KEYS);


--查询指定库分区大小

select d.NAME,t.TBL_NAME,p.PART_NAME,prm.PARAM_KEY,prm.PARAM_VALUE
from TBLS t
left join DBS d   on t.DB_ID = d.DB_ID
left join PARTITIONS p   on t.TBL_ID = p.TBL_ID
left join PARTITION_PARAMS prm  on p.PART_ID=prm.PART_ID
where d.NAME='test'
and t.TBL_NAME='test_sms_log'
and p.PART_NAME like 'event_day=20190402/event_hour=%'
and prm.PARAM_KEY = 'totalSize';


--查询分区信息

select d.NAME,t.TBL_NAME,p.PART_NAME,p.PART_ID
from TBLS t
left join DBS d   on t.DB_ID = d.DB_ID
left join PARTITIONS p   on t.TBL_ID = p.TBL_ID
where d.NAME='test'
and t.TBL_NAME='test_sms_log';


--查询某个表有多少行

select a.TBL_ID, a.TBL_NAME, b.PARAM_KEY, b.PARAM_VALUE
from TBLS as a join TABLE_PARAMS as b
 where a.TBL_ID = b.TBL_ID and TBL_NAME="test_sms_log" and PARAM_KEY="numRows";


--查看指定表的字段信息

select COLUMNS_V2.*
from COLUMNS_V2,SDS, TBLS
where COLUMNS_V2.CD_ID = SDS.CD_ID and SDS.SD_ID = TBLS.SD_ID and TBLS.TBL_NAME='test_sms_log';


--业务需求，监测指定数据库下的分区表是否成功创建指定分区，例如：监测test库下的分区表test_sms_log的dt=20190424是否成功创建。

--需要涉及的表  DBS  TBLS  PARTITIONS PARTITION_KEY_VALS
-- 1-查询指定数据库中的分区表
select
  db.NAME,  -- 数据库名称
  tb.TBL_NAME, -- 表名称
  pk.PKEY_NAME, -- 分区字段名称
  pk.INTEGER_IDX -- 分区字段顺序
from
    TBLS tb
join
    DBS db
join
    PARTITION_KEYS pk
where
    tb.DB_ID = db.DB_ID
    and tb.TBL_ID=pk.TBL_ID
    and db.NAME='test'  ;
-- 2-从上表中查询hive中最细粒度的分区
select * from
(
select
  db.NAME,  -- 数据库名称
  tb.TBL_NAME, -- 表名称
  pk.PKEY_NAME, -- 分区字段名称
  pk.INTEGER_IDX -- 分区字段顺序
from
    TBLS tb
join
    DBS db
join
    PARTITION_KEYS pk
where
    tb.DB_ID = db.DB_ID
    and tb.TBL_ID=pk.TBL_ID
    and db.NAME='test'  ;
) temp
where INTEGER_IDX=MAX(INTEGER_IDX);

-- 3-从PARTITION_KEY_VALS 查询出part_id,integer_idx
select
 PART_ID,INTEGER_IDX from PARTITION_KEY_VALS
where
    PART_KEY_VAL='20190424'; -- 查询某一天的分区
-- 从partition系列的表中查询出表id
select
    TBL_ID
from
    PARTITIONS
WHERE
    PART_ID
in (select PART_ID from (select
 PART_ID,INTEGER_IDX from PARTITION_KEY_VALS
where
    PART_KEY_VAL='20190424'));
--4-3表关联DBS查询出指定数据库中的表
select TBL_ID,DB_ID
from
(
select
    TBL_ID
from
    PARTITIONS
WHERE
    PART_ID
in (select PART_ID from (select
 PART_ID,INTEGER_IDX from PARTITION_KEY_VALS
where
    PART_KEY_VAL='20190424'))

) temp
join
  (select  TBL_ID,DB_ID from TBLS where DB_ID='test') temp2
on
temp.TBL_ID=temp2.TBL_ID;

--5-使用第2步骤表和第4步骤的表进行left join，过滤出右表的TBL_ID is null就是那个表没有成功创建分区

--查询元数据表字段描述信息
select t.TBL_NAME
      ,c.COLUMN_NAME
      ,c.TYPE_NAME
      ,c.COMMENT
      ,c.INTEGER_IDX
from TBLS t
join SDS s on s.SD_ID = t.SD_ID
join COLUMNS_V2 c on c.CD_ID = s.CD_ID
order by t.TBL_NAME, c.INTEGER_IDX;

--或者追加表名条件
where t.TBL_NAME = 'data';


--查询指定仓库的表及表备注信息
select
t.TBL_NAME,tp.param_value
from TBLS T left join
TABLE_PARAMS tp
on t.tbl_id=tp.tbl_id
where ( t.TBL_NAME like 'ods%'
or t.TBL_NAME like 'dw%'
or t.TBL_NAME like 'dim%')
and tp.param_key='comment'
and T.db_id in (86,79,46)
查询指定库中表的列、备注等信息
select
*
from
(
select
t.db_id
,t.tbl_id
,c2.INTEGER_IDX
,t.TBL_NAME
,c2.COLUMN_NAME
,c2.TYPE_NAME
,c2.COMMENT as col_COMMENT
from TBLS T left join SDS s
on t.sd_id=s.sd_id
left join CDS c
on s.cd_id=c.cd_id
left join COLUMNS_V2 c2
on c.cd_id=c2.cd_id
where ( t.TBL_NAME like 'ods%'
or t.TBL_NAME like 'dw%'
or t.TBL_NAME like 'dim%')
and T.db_id in (86,79,46)
union all
select
t1.db_id,
t1.tbl_id,
(pk.INTEGER_IDX+t1.INTEGER_IDX) as INTEGER_IDX,
t1.tbl_name,
pk.PKEY_NAME COLUMN_NAME,
pk.PKEY_TYPE TYPE_NAME,
pk.PKEY_COMMENT as col_COMMENT
from
(
select
max(c2.INTEGER_IDX)+1 as INTEGER_IDX
,t.TBL_id
,t.tbl_name
,t.db_id
from TBLS T left join SDS s
on t.sd_id=s.sd_id
left join CDS c
on s.cd_id=c.cd_id
left join COLUMNS_V2 c2
on c.cd_id=c2.cd_id
where ( t.TBL_NAME like 'ods%'
or t.TBL_NAME like 'dw%'
or t.TBL_NAME like 'dim%')
and T.db_id in (86,79,46)
group by t.TBL_id
,t.tbl_name
) t1 left join
PARTITION_KEYS pk
on t1.tbl_id = pk.TBL_ID
) tmp1
order by tmp1.db_id,tmp1.tbl_id,tmp1.INTEGER_IDX



--查询指定仓库的表及表备注信息
select
    t.TBL_NAME,tp.param_value
from TBLS T left join
TABLE_PARAMS tp
on t.tbl_id=tp.tbl_id
where ( t.TBL_NAME like 'ods%'
or t.TBL_NAME like 'dw%'
or t.TBL_NAME like 'dim%')
and tp.param_key='comment'
and T.db_id in (86,79,46)



--查询指定库中表的列、备注等信息
select
    *
from
(
    select
         t.db_id
        ,t.tbl_id
        ,c2.INTEGER_IDX
        ,t.TBL_NAME
        ,c2.COLUMN_NAME
        ,c2.TYPE_NAME
        ,c2.COMMENT as col_COMMENT
    from TBLS T left join SDS s
    on t.sd_id=s.sd_id
    left join CDS c
    on s.cd_id=c.cd_id
    left join COLUMNS_V2 c2
    on c.cd_id=c2.cd_id
    where ( t.TBL_NAME like 'ods%'
    or t.TBL_NAME like 'dw%'
    or t.TBL_NAME like 'dim%')
    and T.db_id in (86,79,46)
union all
    select
        t1.db_id,
        t1.tbl_id,
        (pk.INTEGER_IDX+t1.INTEGER_IDX) as INTEGER_IDX,
        t1.tbl_name,
        pk.PKEY_NAME COLUMN_NAME,
        pk.PKEY_TYPE TYPE_NAME,
        pk.PKEY_COMMENT as col_COMMENT
    from
    (
        select
             max(c2.INTEGER_IDX)+1 as INTEGER_IDX
            ,t.TBL_id
            ,t.tbl_name
            ,t.db_id
        from TBLS T left join SDS s
        on t.sd_id=s.sd_id
        left join CDS c
        on s.cd_id=c.cd_id
        left join COLUMNS_V2 c2
        on c.cd_id=c2.cd_id
        where ( t.TBL_NAME like 'ods%'
        or t.TBL_NAME like 'dw%'
        or t.TBL_NAME like 'dim%')
        and T.db_id in (86,79,46)
        group by t.TBL_id
            ,t.tbl_name
    ) t1 left join
    PARTITION_KEYS pk
    on t1.tbl_id = pk.TBL_ID
) tmp1
order by tmp1.db_id,tmp1.tbl_id,tmp1.INTEGER_IDX


--删除分区


--删除元数据
 DELIMITER //
 DROP PROCEDURE IF EXISTS T1;
 CREATE  PROCEDURE T1 ( IN TBINPUT INT)
 BEGIN
     DECLARE V_SD_ID INT ;
     DECLARE V_PART_ID INT ;
     DECLARE V_CD_ID INT ;
     DECLARE V_SERDE_ID INT ;

     SELECT TBINPUT;
     SELECT SD_ID INTO V_SD_ID FROM TBLS WHERE TBL_ID = TBINPUT;
     SELECT PART_ID  INTO V_PART_ID FROM PARTITIONS WHERE TBL_ID = TBINPUT;
     SELECT CD_ID , SERDE_ID INTO V_CD_ID,V_SERDE_ID FROM SDS WHERE SD_ID = V_SD_ID;
     SELECT V_SD_ID,V_PART_ID,V_CD_ID,V_SERDE_ID;

     IF V_PART_ID IS NOT  NULL THEN
         DELETE FROM PARTITION_PARAMS WHERE PART_ID = V_PART_ID;
         DELETE FROM PARTITION_KEY_VALS WHERE PART_ID = V_PART_ID;

     END IF;
     DELETE FROM SERDES WHERE SERDE_ID = V_SERDE_ID;
     DELETE FROM SERDE_PARAMS WHERE SERDE_ID = V_SERDE_ID;
     DELETE FROM COLUMNS_V2 WHERE CD_ID = V_CD_ID;
     DELETE FROM SDS WHERE SD_ID = V_SD_ID;
     DELETE FROM PARTITIONS WHERE TBL_ID = TBINPUT;
     DELETE FROM PARTITION_KEYS WHERE TBL_ID = TBINPUT;
     DELETE FROM TABLE_PARAMS WHERE TBL_ID = TBINPUT;
     DELETE FROM TBLS WHERE TBL_ID = TBINPUT;

 END ;
 //
 DELIMITER ;

 SET FOREIGN_KEY_CHECKS = 0;
 call t1(653);
 SET FOREIGN_KEY_CHECKS = 1;

SELECT
 COLUMNS_V2.CD_ID,
  COLUMNS_V2.COLUMN_NAME,
  COLUMNS_V2.TYPE_NAME,
  COLUMNS_V2.COMMENT
FROM
 COLUMNS_V2 ,
 SDS,
 TBLS,
    DBS
WHERE
 COLUMNS_V2.CD_ID = SDS.CD_ID
AND SDS.SD_ID = TBLS.SD_ID
AND TBLS.DB_ID = DBS.DB_ID AND TBLS.TBL_NAME = 't_phone_home_distribute'
order by COLUMNS_V2.INTEGER_IDX

SELECT
 COLUMNS_V2.CD_ID,
  COLUMNS_V2.COLUMN_NAME,
  COLUMNS_V2.TYPE_NAME,
  COLUMNS_V2.COMMENT
FROM
 COLUMNS_V2 ,
 SDS,
 TBLS,
    DBS
WHERE
 COLUMNS_V2.CD_ID = SDS.CD_ID
AND SDS.SD_ID = TBLS.SD_ID
AND TBLS.DB_ID = DBS.DB_ID AND TBLS.TBL_NAME = 't_phone_activity'
order by COLUMNS_V2.INTEGER_IDX


--SELECT
--  COLUMNS_V2.COLUMN_NAME,
--  COLUMNS_V2.TYPE_NAME,
--  COLUMNS_V2.COMMENT
--FROM
-- COLUMNS_V2 ,
--WHERE DBS.NAME like 'transpass_tag%'
--order by COLUMNS_V2.INTEGER_IDX

常见错误及解决方案

如果更换 Tez 引擎后，执行任务卡住，可以尝试调节容量调度器的资源调度策略
将$HADOOP_HOME/etc/hadoop/capacity-scheduler.xml 文件中的

<property>
<name>yarn.scheduler.capacity.maximum-am-resource-percent</name>
<value>0.1</value>
<description>
Maximum percent of resources in the cluster which can be used to run application masters i.e. controls number of concurrent running applications.
</description>
</property>

改成

<property>
<name>yarn.scheduler.capacity.maximum-am-resource-percent</name>
<value>1</value>
<description>
Maximum percent of resources in the cluster which can be used to run application masters i.e. controls number of concurrent running applications.
</description>
</property>

连接不上 mysql 数据库
（1）导错驱动包，应该把 mysql-connector-java-5.1.27-bin.jar 导入/opt/module/hive/lib 的 不是这个包。错把 mysql-connector-java-5.1.27.tar.gz 导入 hive/lib 包下。
（2）修改 user 表中的主机名称没有都修改为%，而是修改为 localhost

hive 默认的输入格式处理是 CombineHiveInputFormat，会对小文件进行合并
hive (default)> set hive.input.format;
hive.input.format=org.apache.hadoop.hive.ql.io.CombineHiveInputFormat
可以采用 HiveInputFormat 就会根据分区数输出相应的文件
hive (default)> set hive.input.format=org.apache.hadoop.hive.ql.io.HiveInputFormat;

不能执行 mapreduce 程序
可能是 hadoop 的 yarn 没开启。

启动 mysql 服务时，报 MySQL server PID file could not be found! 异常。 在/var/lock/subsys/mysql 路径下创建 hadoop102.pid，并在文件中添加内容：4396

报 service mysql status MySQL is not running, but lock file (/var/lock/subsys/mysql[失败])异 常。
解决方案：在/var/lib/mysql 目录下创建： -rw-rw----. 1 mysql mysql 5 12 月 22
16:41 hadoop102.pid 文件，并修改权限为 777。

6）JVM 堆内存溢出
描述：java.lang.OutOfMemoryError: Java heap space
解决：在 yarn-site.xml 中加入如下代码

<property>
<name>yarn.scheduler.maximum-allocation-mb</name>
<value>2048</value>
</property>
<property>
<name>yarn.scheduler.minimum-allocation-mb</name>
<value>2048</value>
</property>
<property>
<name>yarn.nodemanager.vmem-pmem-ratio</name>
<value>2.1</value>
</property>
<property>
<name>mapred.child.java.opts</name>
<value>-Xmx1024m</value>
</property>

虚拟内存限制
在 yarn-site.xml 中添加如下配置:

<property>
<name>yarn.nodemanager.vmem-check-enabled</name>
<value>false</value>
</property>

left semi join

1、left semi join 的限制是， JOIN 子句中右边的表只能在 ON 子句中设置过滤条件，在 WHERE 子句、SELECT 子句或其他地方过滤都不行。
2、left semi join 是只传递表的 join key 给 map 阶段，因此left semi join 中最后 select 的结果只许出现左表。
3、因为 left semi join 是 in(keySet) 的关系，遇到右表重复记录，左表会跳过，而 join 则会一直遍历。这就导致右表有重复值得情况下 left semi join 只产生一条，join 会产生多条，也会导致 left semi join 的性能更高。
比如以下A表和B表进行 join 或 left semi join，然后 select 出所有字段，结果区别如下：
注意：蓝色叉的那一列实际是不存在left semi join中的，因为最后 select 的结果只许出现左表。