目录
十三. order by、sort by、Distribute By、Cluster By的用法区别
一.hive的定义
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MapReduc程序。
二.hive的优缺点
优点:
1.操作接口采用类SQL语法,提供快速开发能力(简单,易上手);
2.不用写mapreduce,减少学习成本;
3.执行处理大数据,常用与数据分析,对实时性要求不高的场合;
4.适合处理大数据,因为hive执行延迟比较高。
5.hive支持用户自定义函数
缺点:
1.hive的HQL表达能力有限
(1)迭代式算法无法表达
(2)数据挖掘不擅长
2.hive的效率比较低
(1)自动生成mapreduce,不够智能化
(2)hive调优比较困难,粒度较粗
三. hive架构
1.客户端
2.驱动器(解析,编译,优化和执行)
3.元数据
4.Hadoop
四.hive和数据库的区别
1、数据存储位置。Hive是建立在Hadoop之上的,所有的Hive的数据都是存储在HDFS中的。而数据库则可以将数据保存在块设备或本地文件系统中。
2、数据格式。Hive中没有定义专门的数据格式,由用户指定,需要指定三个属性:列分隔符,行分隔符,以及读取文件数据的方法。数据库中,存储引擎定义了自己的数据格式。所有数据都会按照一定的组织存储。
3、数据更新。Hive的内容是读多写少的,因此,不支持对数据的改写和删除,数据都在加载的时候中确定好的。数据库中的数据通常是需要经常进行修改。
4、执行延迟。Hive在查询数据的时候,需要扫描整个表(或分区),因此延迟较高,只有在处理大数据是才有优势。数据库在处理小数据是执行延迟较低。
5、索引。Hive没有,数据库有
6、执行。Hive是MapReduce,数据库是Executor
7、可扩展性。Hive高,数据库低
8、数据规模。Hive大,数据库小
五.hive元数据包括哪些,存在哪里
元数据(Metastore)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;
存在自带的derby数据库中,推荐使用MySQL存储Metastore
六. hive基本数据类型&&复杂数据类型
基本数据类型:
数据类型 | 长度 | 例子 |
TINYINT | 1byte有符号整数 | 10 |
SMALINT | 2byte有符号整数 | 10 |
INT | 4byte有符号整数 | 10 |
BIGINT | 8byte有符号整数 | 10 |
BOOLEAN | 布尔类型,true或者false | |
FLOAT | 单精度浮点数 | 1.0 |
DOUBLE | 双精度浮点数 | 1.0 |
STRING | 字符串 | "dzqc" |
TIMESTAMP | 日期,时间戳或者字符串 | 1327882394或者'2020-5-20 15:30:20' |
ARRAY | 一组有序字段,类型必须相同 | Array(1,2) |
MAP | 一组无序的键值对 | Map('a',1,'b',2) |
STRUCT | 一组命名的字段,字段类型可以不同 | Struct('a',1,1,0) |
复杂数据类型:
Hive有三种复杂数据类型ARRAY、MAP和STRUCT。
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。与Java中的Array类似。
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。与Java中的Map类似
STRUCT:和c语言中的struct类似,都可以通过“点”符号访问元素内容。
七. 内部表外部表区别
1.内部表数据由hive自身管理,外部表数据由HDFS管理;
2.删除内部表会直接删除元数据(metadata)及存储数据;删除外部表仅仅会删除元数据,HDFS上的文件并不会被删除
3.对内部表的修改会将修改直接同步给元数据,而对外部表的表结构和分区进行修改,则需要修复
八. 往表中添加数据的5种方式
1.装载
2.插入
3.追加
4.覆盖
5.保留到新建表
九. 往分区中添加数据的三种方式
1.覆盖
2.追加
3.装载
十. 建表的完整语句
CREATE TABLE IF NOT EXISTS table_name(
id INT,
name STRING
)ROW FORMAT DELIMITE
FIELDS TERMINATED BY '';
十一. 窗口函数的操作
RANK:值相同时,名次会重复,总数不变;比如,1,2,2,2,5
DENSE_RANK:值相同时,名次会重复,总数变少;比如,1,2,2,2,3
ROW_NUMBER:值相同时,名次按照顺序不重复,总数不变;比如,1,2,3,4,5
十二. 行转列,列转行
--行转列
--1 80,90 ,xxx,xx
--2 90-85-xxx-xx
SELECT * FROM score;
SELECT student_id,CONCAT_WS('-',COLLECT_LIST(CAST(score AS STRING))) AS `成绩`
FROM score GROUP BY student_id ;
--列转行
--跟Java wordcout差不多
--第一步 xshell创建数据
--第二步 创建表
CREATE TABLE IF NOT EXISTS doc(text STRING);
SELECT * FROM doc;
--第三步 导入数据
LOAD DATA LOCAL INPATH '/home/hadoop/hive/doc.txt' INTO TABLE doc;
--第四步去除空格(逗号)
SELECT SPLIT(text,' ') FROM doc;
--第五步把数据单独存放
SELECT EXPLODE(SPLIT(text,' ')) FROM doc;
--第六步完成词频统计进行展示
SELECT a.word,COUNT(*) FROM (SELECT EXPLODE(SPLIT(text,' ')) word FROM doc)a GROUP BY a.word;
十三. order by、sort by、Distribute By、Cluster By的用法区别
1.order by:会对输入做全局排序,只有一个reduce,会导致当输入规模较大时,消耗较长的计算时间。
2.sort by:不是全局排序,在数据进入reduce前进行排序,sort by不同于order by,它不受hive.mapred.mode属性的影响,sort by的数据只能保证在同一个reduce中的数据可以按指定字段排序。
3.Distribute By:distribute by是控制在map端如何拆分数据给reduce端的。hive会根据distribute by后面列,对应reduce的个数进行分发,默认是采用hash算法。distribute by经常和sort by配合使用。
4.Cluster By:cluster by除了具有distribute by的功能外还兼具sort by的功能。但是排序只能是倒叙排序,不能指定排序规则为ASC或者DESC。
十四. hive的优化思路
1.mpajoin
2.行列过滤
3.列式存储
4.采用分区技术
5.合理设置map数
6.合理设置reduce数
7.压缩
十五. hive如何解决数据倾斜
1.mapjoin
2.group by
3.控制空值分布
4.开启数据倾斜时的负载均衡