Hive学习资料

Hive中内部表和外部表的区别:

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。这样外部表相对来说更加安全些，数据组织也更加灵活，方便共享源数据。默认创建的是内部表，加入external关键词则为创建外部表。

 

时期数和时点数的区别：

时期数是一段时间内的统计，指的是某种现象在一段时间内的总量。通常来说，时期数是可以累加的，从而得到更长时间内的时期数。比如：某种产品的产量、职工工资总额、商品销售额、投资总额等；

时点数是事物在某一时间点上的数量统计，把同一时间点上的数量累积，例如，可以把1-3月各月商品销售额相加，相加之后便得到1季度的商品销售额。时点数具有不可加性，也就是说在一般情况下不能把不同时点的指标数值相加，因为加总后的数值没有实际的意义。例如，不能把一年12个月的月末人口数相加，相加后的结果是没有实际意义的，时点数的大小与时点间隔的长短没有关系。例如，人口数、商品库存量、固定资产价值、设备台数等都是时点数。

判断时期数和时点数的方法就是看指标是否具有可加性。

如果对hive特殊字符进行转义处理，要用两个\，即'\\'：

究其原因可能是有些特殊字符hive需要转义，翻译成hadoop后，hadoop也认为这是一个特殊字符，所以需要再转一次义才能正常工作。

举例来说，如下语句：

Select split（tmp（data）,’\\(’)[0] name from tmp.tmp_test

这条语句就是对于tmp（data）取出tmp的值，以（作为切分。

Hive表格在创建表指定分隔符时，不支持多个字符作为分隔符

hive中create table时指定列分隔符，只能用一个字符，解决办法：

1.可以将源文件中的分隔符替换为一个字符，比如\001（ctrl+A），创建表时指定\001作为分隔符；

2.自定义outputformat和inputformat

Hive 的 outputformat/inputformat 与 hadoop 的 outputformat/inputformat 相当类似，inputformat 负责把输入数据进行格式化，然后提供给 Hive ， outputformat 负责把 Hive 输出的数据重新格式化成目标格式再输出到文件，这种对格式进行定制的方式较为底层，对其进行定制也相对简单，重写 InputFormat 中 RecordReader 类中的 next 方法即可。

(下例中，文件用^^作为切分符，两个字符，然后针对源文件进行修改)

示例代码如下：

Java代码  

1. public boolean next(LongWritable key, BytesWritable value) throws IOException {  
2.         while (reader.next(key,text)) {  
3.             String strReplace = text .toString().toLowerCase().replace( "^^" , "\001" );  
4.             Text txtReplace = new Text();  
5.             txtReplace.set(strReplace );  
6.             value.set(txtReplace.getBytes(), 0, txtReplace.getLength());  
7.             return true ;  
8.         }  
9.       return false ;  

10. }  

 重写 Hive IgnoreKeyTextOutputFormat 中 RecordWriter 中的 write 方法，示例代码如下：

Java代码  

1. public void write (Writable w) throws IOException {  
2.       String strReplace = ((Text)w).toString().replace( "\001" , "^^" );  
3.       Text txtReplace = new Text();  
4.       txtReplace.set(strReplace);  
5.       byte [] output = txtReplace.getBytes();  
6.       bytesWritable .set(output, 0, output. length );  
7.       writer .write( bytesWritable );  
8. }  

 

Hive不支持非等值连接

Hive受限于Map-reduce模型，只支持equi-join（等值连接），

 

hive中order by,sort by, distribute by, cluster by作用以及用法

1. order by

    Hive中的order by跟传统的sql语言中的order by作用是一样的，会对查询的结果做一次全局排序，所以说，只有hive的sql中制定了order by所有的数据都会到同一个reducer进行处理（不管有多少map，也不管文件有多少的block只会启动一个reducer）。但是对于大量数据这将会消耗很长的时间去执行。

    这里跟传统的sql还有一点区别：如果指定了hive.mapred.mode=strict（默认值是nonstrict）,这时就必须指定limit来限制输出条数，原因是：所有的数据都会在同一个reducer端进行，数据量大的情况下可能不能出结果，那么在这样的严格模式下，必须指定输出的条数。

2. sort by

Hive中指定了sort by，那么在每个reducer端都会做排序，也就是说保证了局部有序（每个reducer出来的数据是有序的，但是不能保证所有的数据是有序的，除非只有一个reducer），好处是：执行了局部排序之后可以为接下去的全局排序提高不少的效率（其实就是做一次归并排序就可以做到全局排序了）。

3. distribute by和sort by一起使用

ditribute by是控制map的输出在reducer是如何划分的，这里需要注意的是distribute by必须要写在sort by之前。

4. cluster by

    cluster by的功能就是distribute by和sort by相结合，注意被cluster by指定的列只能是降序，不能指定asc和desc。