Hive个人总结

什么是Hive

Hive：由Facebook开源用于解决海量结构化日志的数据统计。
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。
本质是：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

Hive的优缺点

• 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。

• 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
  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

Hive架构原理

	Hive	数据库
存储位置	HDFS	本地文件系统或块设备
数据更新	读多写少，不建议经常改写	可以经常对数据进行修改
索引	有限的索引功能，不建议使用	可以提高效率
执行引擎	Map Reduce（默认）/Spark/Tez	自己的引擎
数据规模	大规模	小规模
执行延迟	延迟高	数据规模小的时候，延迟低
可过展性	扩展性高	扩展能力弱
视图	只有逻辑视图，没有物化视图	有物化视图（oracle和mysql），可提高查询速度

Hive数据类型

基本数据类型

Hive数据类型	Java数据类型	长度	例子
TINYINT	byte	1byte有符号整数	20
SMALINT	short	2byte有符号整数	20
INT	int	4byte有符号整数	20
BIGINT	long	8byte有符号整数	20
BOOLEAN	boolean	布尔类型，true或者false	TRUE FALSE
FLOAT	float	单精度浮点数	3.14159
DOUBLE	double	双精度浮点数	3.14159
STRING	string	字符序列。可以指定字符集，可以使用单引号或者双引号	‘TriumPhSK’ “TriumPhSK”
TIMESTAMP		时间类型，整数，浮点数或者字符串	1327882394（Unix新纪元秒）1327882394.123456789（Unix新纪元秒并跟随有纳米秒数）‘2019-06-06 16:18:58.123456789’（JDBC所兼容的Java.sql.Timestamp时间格式）
BINARY		字节数组

集合数据类型

数据类型	描述	语法示例
STRUCT	和c语言中的struct类似，都可以通过“点”符号访问元素内容。例如，如果某个列的数据类型是STRUCT{first STRING, last STRING},那么第1个元素可以通过字段.first来引用。	struct(‘John’,‘Doe’)
MAP	MAP是一组键-值对元组集合，使用数组表示法可以访问数据。例如，如果某个列的数据类型是MAP，其中键->值对是’first’->’John’和’last’->’Doe’，那么可以通过字段名[‘last’]获取最后一个元素.	map(‘first’,‘Join’,’‘last’,‘Doe’)
ARRAY	数组是一组具有相同类型和名称的变量的集合。这些变量称为数组的元素，每个数组元素都有一个编号，编号从零开始。例如，数组值为[‘John’, ‘Doe’]，那么第2个元素可以通过数组名[1]进行引用。	array(‘Join’,‘Doe’)

类型转化

1．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。

内部表（管理表）和外部表

EXTERNAL关键字可以让用户创建一个外部表
Hive创建内部表时，会将数据移动到数据仓库指向的路径；若创建外部表，仅记录数据所在的路径，不对数据的位置做任何改变。在删除表的时候，内部表的元数据和数据会被一起删除，而外部表只删除元数据，不删除数据。
相互转换：
内部表转为外部表：

alter table managedTable set tblproperties('EXTERNAL'='TRUE');

外部表转为内部表

alter table externalTable set tblproperties('EXTERNAL'='FALSE');

分区表(动态分区）

Hive默认是静态分区
使用动态分区的时候必须开启动态分区(动态分区默认是关闭的)，语句如下：

set hive.exec.hynamic.partition=true;

用动态方式加载数据到目标表 ，加载之前先设置一下下面的参数：

set hive.exec.dynamic.partition.mode=nonstrict;

这个属性默认是strict，即限制模式，strict是避免全分区字段是动态的，必须至少一个分区字段是指定有值即静态的，且必须放在最前面。设置为nonstrict之后所有的分区都可以是动态的了。

set hive.exec.max.dynamic.partitions.pernode;

允许创建的动态分区的最大数量(100)

set hive.exec.max.dynamic.partitions;

允许创建的所有动态分区的最大数量(1000)

set hive.exec.max.created.files;

允许创建的文件的最大数量(100000)

动态分区插入数据

insert overwrite table par_tab partition(country, state)
select name, country, state from tab;

混合使用动态和静态分区：
静态分区键必须在动态分区键之前

insert overwrite table par_tab partition(country="China", state)
select name, country, state from tab;

country="China"表示静态分区；state表示动态分区
静态分区一 定会创建分区，不管SELECT语句的结果有没有数据。而动态分区，只有在SELECT结果的记录数>0的时候，才会创建分区。

排序

- 全局排序（Order By)
所有数据都通过一个reduce进行处理，所以可能消耗太漫长的时间来执行
-局部排序（Sort By)
对每个reduce排序，每个reduce的输出数据都是有序的，（并非全局有序）
-Distribute By
依据map输入的键计算相应的哈希值，然后按照得到的哈希值将键-值对均分发到多个reduce中去。
如果和Sort by合用，Distribute By 要写在Sort By 前面
- Cluster By
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。

Hive优化