Hive基础知识

1. Hive简介

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数据库表,并提供类SQL的查询功能,其本质是将SQL转换成MapReduce的任务进行运算,底层由HDFS来提供数据的存储.

2. 特点

• 可扩展:Hive可自由的扩展集群的规模,一般情况下不需要重启服务
• 延展性:Hive支持用户根据需求来自定义函数
• 容错性:节点出现问题时SQL仍可完成执行(依赖于Hadoop的特性)

3. Hive的元数据

• Hive的元数据(Meta Data)主要记录数据仓库中模型的定义,各层级间的映射关系,监控数据仓库的数据状态及ETL的任务运行状态
• Hive中元数据默认存储在自带的Derby内存数据库中,但是这样对于元数据的持久化和数据的安全性都没有保障,所以一般将Hive的元数据存储在MySQL/Oracle中
• 元数据可分为:
  • 技术元数据:包含了数据间的各种映射关系,主要提供给开发和管理数据仓库的IT人员使用
  • 业务元数据:提供给管理层和业务分析人员使用

4. Hive的数据存储

• Hive中所有的数据都存储在 HDFS 中，没有专门的数据存储格式（可支持Text，SequenceFile，ParquetFile，ORC格式等）

• SequenceFile是hadoop中的一种文件格式:文件内容是以序列化的K-V对象来组织的

• 只需要在创建表的时候告诉Hive数据中的列分隔符和行分隔符，Hive就可以解析数据

5. Hive的基本操作

5.1 数据库相关操作

以下所有的数据库名称统一使用DBN(DataBaseName)代替,数据库表名称统一使用TB(TableName)代替

• 创建数据库:create database if not exists DBN
• 使用数据库:use DBN
• 创建数据库并指定HDFS的存储路径:create database if not exists DBN location ‘/myhive’
• 修改数据库(数据库的元数据信息一旦创建不可更改,包括数据库的名称和所在的位置):alert database DBN set
• 查看指定数据库的详细信息:desc database DBN 或者 desc database extended DBN
• 删除一个空的数据库:drop database DBN

5.2 数据库表相关操作

• 创建数据库表:

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]

• 创建数据库表并指定字段之间的分隔符:

create table if not exists TB(id int ,name string) row format delimited fields terminated by '\t' stored as textfile location '/user/stu1';

• 根据查询结果创建表(复制内容):

create table TB2 as select * from TB1;

• 根据已经存在的表的结构创建新表(复制表结构):

create table TB4 like TB3;

• 查询表的类型:

desc formatted TB;

5.3 内部表,外部表

• 内部表:
  • 数据私有化
  • 在记录数据之间的关系的同时将数据移动至Hive指定的目录
  • 删除内部表的时候数据会被一起删除
  • 清空管理表:truncate table TB;
• 外部表:
  • 关键字:external
  • 数据公有化
  • 只记录数据之间的关系,不实际移动数据
  • 删除外部表的时候数据不会被删除

#从本地文件系统向表中加载数据
load data local inpath '/export/servers/hivedatas/student.csv' into table student;

#加载数据并覆盖已有数据
load data local inpath '/export/servers/hivedatas/student.csv' overwrite  into table student;

5.4 分区表,分桶表

• 分区表:
  • 关键字:partitioned by(名称 类型)
  • 分完后的是文件夹,便于局部查询

create table score(s_id string,c_id string, s_score int) partitioned by (month string) row format delimited fields terminated by '\t';

• 分桶表:
  • 关键字:clustered by(字段) into 3 buckets
  • 分的是文件,即将一个文件拆分为多个小文件

create table course (c_id string,c_name string,t_id string) clustered by(c_id) into 3 buckets row format delimited fields terminated by '\t';

• 往表中插入数据时:

#指定从本地文件中加载数据到表中(保留原来的数据)
load data local inpath '/export/servers/hivedatas/score.csv' overwrite into table score partition(month='201806');

#指定从HDFS中加载数据到表中(删除原来的数据)
load data inpath '/hivedatas/score.csv' overwrite into table score partition(month='201806');

6. Hive的查询语法

具体参考SQL的查询语法,在此仅列出需要注意和有区别的地方

• order by:全局排序,故只能有一个reducer
• sort by:局部排序
• distribute by(字段):根据指定的字段将数据分到不同的reducer,分发算法采用的是hash散列
• cluster by(字段):除了具有distribute by的功能外,还会对该字段进行排序
• 若分桶和sort字段是同一个时,cluster by = distribute by + sort by
• 强烈建议查询的时候在查询语句最后加上limit n以提高查询效率
• Hive中的like和rlike在使用的时候需要注意区分
• group by后面的字段和select后面的字段要保持一致
• Hive支持通常的SQL join语句,但是只支持等值连接,不支持非等值连接

7. Hive的函数

• 内置函数的使用参考官方文档
• 用户可自定义的三种函数:
  • UDF:一进一出
  • UDAF:聚集函数,多进一出
  • UDTF:一进多出
• 自定义函数的步骤:
  • 继承UDF类
  • 重载evaluate方法
  • 定义函数功能
  • 打成jar包上传到hive的lib目录下
  • 设置函数与自定义函数的关联
  • 执行自定义函数

8. Hive的数据压缩

• 目的是为了减轻MapReduce执行任务时的IO负担和网络带宽,提高效率

• Hive支持的数据压缩有:gzip,bzip2,LZO,LZ4等

• 通过自己动手编译CDH版的Hadoop,可使Hive支持谷歌的Snappy数据压缩算法,性能炸裂

• 注意:Hive依赖于Hadoop,故Hadoop支持的数据压缩算法Hive都支持

• Hive的数据压缩分为Map阶段的数据压缩和Reduce阶段的数据压缩,均可单独控制

9. Hive的数据存储格式

存储格式	存储类型
TextFile	行式存储
SequenceFile	行式存储
Parquet	列式存储
ORC	列式存储

10. Hive的调优

方案一：fetch抓取

• 这个属性配置有三个取值 more minimal none 如果配置成none，所有的都要走mr程序
  set hive.fetch.task.conversion=more 表示全局查找，字段查找，limit查找都不走mr

• hive的本地模式：
  set hive.exec.mode.local.auto=true 开启本地模式，解决多个小文件输入的时候，分配资源时间超过数据的计算时间

• set hive.exec.mode.local.auto.inputbytes.max=51234560; 设置输入的数据临界值，如果小于这值都认为是小任务模式，启动本地模式来执行

• set hive.exec.mode.local.auto.input.files.max=10; 设置输入文件个数的临界值，如果小于这个数量，那么也认为是小任务模式

方案二：hive表的优化

• 去重的优化：
  select count(distinct s_id) from score;这种写法所有的去重数据都会在一个reduce当中去，造成数据处理比较慢

select count(1) from (select s_id from score group by s_id) bysid; 这种写法，使用了一个嵌套子查询，先对数据进行group by去重，然后再进行统计

尽量避免大sql，可以将一个很大的sql拆成多段，分步的去执行

• 大表join大表的优化：

空key的过滤

不过滤：
INSERT OVERWRITE TABLE jointable SELECT a.* FROM nullidtable a JOIN ori b ON a.id = b.id;
结果：No rows affected (152.135 seconds)

过滤：过滤掉我们所有的为null的id，使得输入数据量变少

INSERT OVERWRITE TABLE jointable SELECT a.* FROM (SELECT * FROM nullidtable WHERE id IS NOT NULL ) a JOIN ori b ON a.id = b.id;
结果：No rows affected (141.585 seconds)

空key的转换:

如果规定这些空key过滤不调，那么我们可以对空key进行转换
SELECT a.* FROM nullidtable a LEFT JOIN ori b ON CASE WHEN a.id IS NULL THEN ‘hive’ ELSE a.id END = b.id;

如果空key比较多，那么就会将大量的空key转换成 hive，那么就会遇到一个问题，数据倾斜

• 数据倾斜的表现形式：有一个reduce处理的数据量远远比其他reduce处理的数据量要大，造成其他的reduce数据都处理完了，这个还没处理完

怎么发现的数据倾斜，如何出现的数据倾斜，怎么解决的数据倾斜?

空key的打散:
SELECT a.* FROM nullidtable a LEFT JOIN ori b ON CASE WHEN a.id IS NULL THEN concat(‘hive’, rand()) ELSE a.id END = b.id;

通过将空key打散成不同的随机字符串，就可以解决hive的数据倾斜的问题

方案三：map端的join

hive已经开启了自动的map端的join功能，不管是大表join小表，还是小表join大表，都会将小表加载到内存当中来

• 首先第一步：启动一个local的task，寻找哪个表的数据是小表数据

hive的group by优化：能在map端聚合的数据，就尽量在map端进行聚合

多加一层mr的程序，让数据实现均衡的负载，避免数据的倾斜

• count(distinct)的优化：

这种写法效率低下：SELECT count(DISTINCT id) FROM bigtable;

可以转换成这种写法：SELECT count(id) FROM (SELECT id FROM bigtable GROUP BY id) a;

• 笛卡尔积：任何时候都要避免笛卡尔积，避免无效的on条件

select from A left join B – on A.id = B.id

• 使用分区裁剪，列裁剪：

分区裁剪：如果是分区表，那么查询的时候，尽量带上分区条件

列裁剪：尽量避免使用select * ,需要查询哪些列，就选择哪些列

• 动态分区调整：

分区表的数据加载两种方式：

load data inpath ‘/export/xxx’ into table xxx partition(month = ‘xxx’)

insert overwrite table xxx partition (month = ‘xxx’) select xxx

• 使用动态分区动态的添加数据

如果要使用动态分区添加数据，最后一个字段一定要是分区字段

INSERT overwrite TABLE ori_partitioned_target PARTITION (p_time) SELECT id, time, uid, keyword, url_rank, click_num, click_url, p_time FROM ori_partitioned;

• 数据的倾斜：

主要就是合理的控制map个数以及reduce个数

第一个问题：maptask的个数怎么定的？？？与我们文件的block块相关，默认一个block块就是对应一个maptask

第二个问题：reduceTask的个数怎么定的？？？是我们自己手动设置的，爱设几个设几个，没人管你

第三个问题：是不是maptask的个数越多越好：不一定：有时候有些小文件，都要启动一个maptask，分配资源的时间超过了数据处理的时间

减少mapTask的个数：设置map端的小文件合并：使用combineHiveInputFormat来实现对我们小文件的合并，减少maptask的个数 或者使用本地模式也可以解决小文件的问题

增加maptask的个数：我们可以多设置几个reduce，然后使用distribte by将数据打散

set mapreduce.job.reduces =10;

create table a_1 as select * from a distribute by rand(123);

• 第四个问题：控制reduceTask的个数：

reduce个数设置方法：

（1）每个Reduce处理的数据量默认是256MB

hive.exec.reducers.bytes.per.reducer=256123456

（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)

直接凭感觉设置reduce的个数：

set mapreduce.job.reduces = 15;

方案四:使用Explain(执行计划)

查看执行计划：

explain extended select * from course;

方案五:并行执行

有时候有些sql之间是不相关的，可以并行的一起执行，那么就可以用并行执行

方案六:严格模式

如果开启hive的严格模式，有以下三个限制

1、分区表需要带上分区字段

2、order by 必须使用limit

3、笛卡尔积不能执行

方案七:JVM的重用

container的里面的任务执行完成之后，不要马上释放资源，留着资源给下一个任务执行

方案八:推测执行

maptask的推测执行以及reducetask的推测执行：

一般都直接关闭maptask以及reducetask的推测执行

set mapreduce.map.speculative=false;关闭map端的推测执行

set mapreduce.reduce.speculative=false; 关闭reduce端的推测执行

方案九:压缩与存储

压缩：snappy 源始数据存储：TextFile

处理之后的数据存储：ORC PARQUET