Hive调优学习笔记1

大数据学习之路，不定时修改和增加内容，欢迎指正

第1章 Expalin查看查询计划(重点)

1.1 创建测试用表

1）建大表、小表和JOIN后表得语句

//创建大表
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
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';

2）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;

1.2 基本语法

EXPLAIN [EXTENDED | DEPENDENCY | AUTHORIZATION] query-sql

1.3 案例实操

1）查看下面这条语句得执行计划（推荐使用）

hive (default)> explain select * from bigtable;

hive (default)> explain select click_url, count(*) ct from bigtable group by click_url;

2）查看详细执行计划

hive (default)> explain extended select * from bigtable;

hive (default)> explain extended select click_url, count(*) ct from bigtable group by click_url;

图片太长请执行查看

第2章 Hive建表优化

2.1 分区表

分区表实际上就是对应一份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中得分区就是分目录，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，所以我们需要把常常用在WHERE语句中的字段指定为表的分区字段。

2.1.1 分区表基本操作

1）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

2）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';

注意：分区字段不能是表中已经存在的数据，可以将分区分区字段看作表的伪列

3）加载数据到分区表

(1）数据准备
dept_20200401.log

10 ACCOUNTING 1700
20 RESEARCH 1800

dept_20200401.log

30 SALES 1900
40 OPERATIONS 1700

dept_20200401.log

50 TEST 2000
60 DEV 1900

（2）加载数据

hive (default)> load data local inpath '/opt/module/data/dept_20200401.log' into table dept_partition partition(day='20200401');
hive (default)> load data local inpath '/opt/module/data/dept_20200402.log' into table dept_partition partition(day='20200402');
hive (default)> load data local inpath '/opt/module/data/dept_20200403.log' into table dept_partition partition(day='20200403');

注意：分区表加载数据时，必须指定分区

4）查询分区中数据

单分区查询

hive (default)> select * from dept_partition where day='20200401';

多分区联合查询

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';

5）增加分区

增加单个分区

hive (default)> alter table dept_partition add partition(day='20200404');

同时增加多个分区

hive (default)> alter table dept_partition add partition(day='20200405') partition(day='20200406');

6）删除分区

删除单个分区

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

同时删除多个分区

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

注意：增加多个分区时，用空格分隔；删除多个分区时，用逗号分隔

7）查看分区表有多少个分区

hive> show partitions dept_partition;

8）查看分区表结构

hive> desc formatted dept_partition;
# Partition Information	 	 
# col_name            	data_type           	comment             
day                 	string

思考：如果一天的日志数据量也很大，如何再将数据拆分？

2.1.2 二级分区

1）创建二级分区表

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';

2）正常的加载数据

（1）加载数据到二级分区表中

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

2.1.3 动态分区

关系型数据库中，对分区表Insert数据时候，数据库自动会根据分区字段的值，将数据插入到相应的分区中，Hive中也提供了类似的机制，即动态分区(Dynamic Partition)，只不过，使用Hive的动态分区，需要进行相应的配置

1）开启动态分区参数设置

（1）开启动态分区功能（默认true，开启）

set 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。）

set 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100

set hive.exec.max.dynamic.partitions=100;

（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。

set 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

set 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

set hive.error.no.empty.partition=false;

2）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。
（1）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';

（2）设置动态分区

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

（3）查看目标分区表的分区字段

hive (default)> show partitions dept_partition;

2.2 分桶表

分区提供一个隔离数据和优化查询的遍历方式。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。分区针对的时数据的存储路径，分桶针对的是数据文件。

2.2.1 创建分桶表

1）创建分桶表

（1）数据准备

1001 ss1
1002 ss2
1003 ss3
1004 ss4
1005 ss5
1006 ss6
1007 ss7
1008 ss8
1009 ss9
1010 ss10
1011 ss11
1012 ss12
1013 ss13
1014 ss14
1015 ss15
1016 ss16

（2）创建分桶表

create table stu_buck(id int, name string)
clustered by(id) 
into 4 buckets
row format delimited fields terminated by '\t';

（3）查看表结构

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

（4）导入数据到分桶表中，load的方式

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

（5）查看创建的分桶表中是否分成4个桶
（6）查询分桶的数据

hive(default)> select * from stu_buck;

（7）分桶规则：
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改条记录存放在哪个桶中

2）分桶表操作需要注意的事项：

（1）reduce的个数设置为-1，让Job自行决定需要用多少个reduce或则将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;

2.2.2 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

2.3 合适的文件格式

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

2.3.1 列式存储和行式存储

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。

2.3.2 TEXTFile格式

默认格式，数据不做压缩，磁盘解析开销大。可结合Gzip、Bzip2使用，但是用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。

2.3.3 Orc格式

Orc是Hive0.11版里引入的新的存储格式。

2.3.4 Parquet格式

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。

2.4 合适的压缩格式

为了支持多种压缩/解压缩算法，Hadoop引入了编码/编码器，如下表所示。

压缩性能的比较

实际工作中，常用的压缩为LZO和Snppy