七 函数
7.1 系统自带的函数
1:查看系统自带的函数
hive> show functions;
:2:显示自带的函数的用法
hive> desc function upper;
:3:详细显示自带的函数的用法
hive> desc function extended upper;
7.2 自定义函数
1:Hive 自带了一些函数,比如:max/min等,但是数量有限,自己可以通过自定义UDF来方便的扩展。
:2:当Hive提供的内置函数无法满足你的业务处理需要时,此时就可以考虑使用用户自定义函数(UDF:user-defined function)。
3:根据用户自定义函数类别分为以下三种:
(1)UDF(User-Defined-Function)
一进一出
(2)UDAF(User-Defined Aggregation Function)
聚集函数,多进一出
类似于:count/max/min
(3)UDTF(User-Defined Table-Generating Functions)
一进多出
如lateral view explore()
4:官方文档地址
https://cwiki.apache.org/confluence/display/Hive/HivePlugins
5:编程步骤:
(1)继承org.apache.hadoop.hive.ql.UDF
(2)需要实现evaluate函数;evaluate函数支持重载;
(3)在hive的命令行窗口创建函数
a)添加jar
add jar linux_jar_path
b)创建function,
create [temporary] function [dbname.]function_name AS class_name;
(4)在hive的命令行窗口删除函数
Drop [temporary] function [if exists] [dbname.]function_name;
6:注意事项
UDF必须要有返回类型,可以返回null,但是返回类型不能为void;
7.3 自定义UDF函数开发案例
1:创建一个java工程,并创建一个lib文件夹
2:将hive的jar包解压后,将apache-hive-1.2.1-bin\lib文件下的jar包都拷贝到java工程中。
3:创建一个类
package Hive; import org.apache.hadoop.hive.ql.exec.UDF; public class Lower extends UDF { public String evaluate (final String s) { if (s == null) { return null; } return s.toString().toLowerCase(); } }
4:打成jar包上传到服务器/opt/datas/jars/udf.jar
5:将jar包添加到hive的classpath
hive (default)> /opt/datas/zhang-1.0-SNAPSHOT.jar
6:创建临时函数与开发好的java class关联(全类名)
hive (default)> create temporary function udf_lower as "Hive.Lower";
7:即可在hql中使用自定义的函数strip
hive (default)> select ename, udf_lower(ename) lowername from emp;
select ename `大写`, udf_lower(ename) `小写` from emp;
八 压缩和存储
8.1 Hadoop源码编译支持Snappy压缩
8.1.1 资源准备
1:CentOS联网
配置CentOS能连接外网。Linux虚拟机ping www.baidu.com 是畅通的
注意:采用root角色编译,减少文件夹权限出现问题
2:jar包准备(hadoop源码、JDK8 、maven、protobuf)
(1)hadoop-2.8.4-src.tar.gz
(2)jdk-8u144-linux-x64.tar.gz
(3)snappy-1.1.3.tar.gz
(4)apache-maven-3.0.5-bin.tar.gz
(5)protobuf-2.5.0.tar.gz
由于hadoop-2.8.4已经支持snappy压缩,所以这里只是了解一下编译过程。
8.1.2 jar包安装
1:注意:所有操作必须在root用户下完成
2:JDK解压、配置环境变量JAVA_HOME和PATH,验证java-version(如下都需要验证是否配置成功)
tar -zxf jdk-8u144-linux-x64.tar.gz -C /opt/mod/
vi /etc/profile
#JAVA_HOME export JAVA_HOME=/opt/mod/jdk1.8.0_144 export PATH=$PATH:$JAVA_HOME/bin |
source /etc/profile
验证命令:java -version
3:Maven解压、配置 MAVEN_HOME和PATH。
tar -zxvf apache-maven-3.0.5-bin.tar.gz -C /opt/module/
vi /etc/profile
#MAVEN_HOME export MAVEN_HOME=/opt/mod/apache-maven-3.0.5 export PATH=$PATH:$MAVEN_HOME/bin |
source /etc/profile
验证命令:mvn -version
8.1.3 编译源码
1:准备编译环境
yum install svn
yum install autoconf automake libtool cmake
yum install ncurses-devel
yum install openssl-devel
yum install gcc*
2:编译安装snappy
tar -zxvf snappy-1.1.3.tar.gz -C /opt/mod/
cd snappy-1.1.3/
./configure
make
make install
# 查看snappy库文件
ls -lh /usr/local/lib |grep snappy
3:编译安装protobuf
tar -zxvf protobuf-2.5.0.tar.gz -C /opt/module/
cd protobuf-2.5.0/
./configure
make
make install
# 查看protobuf版本以测试是否安装成功
protoc --version
5:编译hadoop native
tar -zxvf hadoop-2.8.4-src.tar.gz
cd hadoop-2.8.4-src/
mvn clean package -DskipTests -Pdist,native -Dtar -Dsnappy.lib=/usr/local/lib -Dbundle.snappy
执行成功后,/opt/software/hadoop-2.8.4-src/hadoop-dist/target/hadoop-2.8.4.tar.gz即为新生成的支持snappy压缩的二进制安装包。
8.2 Hadoop压缩配置
8.2.1 MR支持的压缩编码
压缩格式 | 工具 | 算法 | 文件扩展名 | 是否可切分 |
DEFAULT | 无 | DEFAULT | .deflate | 否 |
Gzip | gzip | DEFAULT | .gz | 否 |
bzip2 | bzip2 | bzip2 | .bz2 | 是 |
LZO | lzop | LZO | .lzo | 是 |
Snappy | 无 | Snappy | .snappy | 否 |
为了支持多种压缩/解压缩算法,Hadoop引入了编码/解码器,如下表所示
压缩格式 | 对应的编码/解码器 |
DEFLATE | org.apache.hadoop.io.compress.DefaultCodec |
gzip | org.apache.hadoop.io.compress.GzipCodec |
bzip2 | org.apache.hadoop.io.compress.BZip2Codec |
LZO | com.hadoop.compression.lzo.LzopCodec |
Snappy | org.apache.hadoop.io.compress.SnappyCodec |
压缩性能的比较
压缩算法 | 原始文件大小 | 压缩文件大小 | 压缩速度 | 解压速度 |
gzip | 8.3GB | 1.8GB | 17.5MB/s | 58MB/s |
bzip2 | 8.3GB | 1.1GB | 2.4MB/s | 9.5MB/s |
LZO | 8.3GB | 2.9GB | 49.3MB/s | 74.6MB/s |
http://google.github.io/snappy/
On a single core of a Core i7 processor in 64-bit mode, Snappy compresses at about 250 MB/sec or more and decompresses at about 500 MB/sec or more.
8.2.2 压缩参数配置
要在Hadoop中启用压缩,可以配置如下参数(mapred-site.xml文件中):
参数 | 默认值 | 阶段 | 建议 |
io.compression.codecs (在core-site.xml中配置) | org.apache.hadoop.io.compress.DefaultCodec, org.apache.hadoop.io.compress.GzipCodec, org.apache.hadoop.io.compress.BZip2Codec, org.apache.hadoop.io.compress.Lz4Codec | 输入压缩 | Hadoop使用文件扩展名判断是否支持某种编解码器 |
mapreduce.map.output.compress | false | mapper输出 | 这个参数设为true启用压缩 |
mapreduce.map.output.compress.codec | org.apache.hadoop.io.compress.DefaultCodec | mapper输出 | 使用LZO、LZ4或snappy编解码器在此阶段压缩数据 |
mapreduce.output.fileoutputformat.compress | false | reducer输出 | 这个参数设为true启用压缩 |
mapreduce.output.fileoutputformat.compress.codec | org.apache.hadoop.io.compress. DefaultCodec | reducer输出 | 使用标准工具或者编解码器,如gzip和bzip2 |
mapreduce.output.fileoutputformat.compress.type | RECORD | reducer输出 | SequenceFile输出使用的压缩类型:NONE和BLOCK |
8.3 开启Map输出阶段压缩
开启map输出阶段压缩可以减少job中map和Reduce task间数据传输量。具体配置如下:
案例实操:
1:开启hive中间传输数据压缩功能,默认为false
hive (default)> set hive.exec.compress.intermediate=true;
2:开启mapreduce中map输出压缩功能,默认为false
hive (default)> set mapreduce.map.output.compress=true;
3:设置mapreduce中map输出数据的压缩方式
hive (default)> set mapreduce.map.output.compress.codec= org.apache.hadoop.io.compress.SnappyCodec;
4:执行查询语句
hive (default)> select count(ename) name from emp;
8.4 开启Reduce输出阶段压缩
当Hive将输出写入到表中时,输出内容同样可以进行压缩。属性hive.exec.compress.output控制着这个功能。用户可能需要保持默认设置文件中的默认值false,这样默认的输出就是非压缩的纯文本文件了。用户可以通过在查询语句或执行脚本中设置这个值为true,来开启输出结果压缩功能。
案例实操:
hive (default)> set mapreduce.job.reduces=3;
1:开启hive最终输出数据压缩功能,默认为false
hive (default)> set hive.exec.compress.output=true;
2:开启mapreduce最终输出数据压缩,默认为false
hive (default)> set mapreduce.output.fileoutputformat.compress=true;
3:设置mapreduce最终数据输出压缩方式
hive (default)> set mapreduce.output.fileoutputformat.compress.codec = org.apache.hadoop.io.compress.SnappyCodec;
4:设置mapreduce最终数据输出压缩为块压缩
hive (default)> set mapreduce.output.fileoutputformat.compress.type=BLOCK;
5:测试一下输出结果是否是压缩文件
hive (default)> insert overwrite local directory '/opt/datas/distribute-result' select * from emp distribute by deptno sort by empno desc;
测试:不设置reduce,结果是否是压缩格式
hive (default)> set mapreduce.job.reduces=-1;
insert overwrite local directory '/opt/datas/distribute-result' select * from stu;
8.5 文件存储格式
Hive支持的存储数的格式主要有:TEXTFILE 、SEQUENCEFILE、ORC、PARQUET。
简写:
行储存:textFile 、 sequencefile 、
列储存:orc 、parquet
8.5.1 列式存储和行式存储
上图左边为逻辑表,右边第一个为行式存储,第二个为列式存储。
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。
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。
8.5.2 TextFile格式
默认格式,数据不做压缩,磁盘开销大,数据解析开销大。可结合Gzip、Bzip2使用,但使用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。
8.5.3 Orc格式
Orc (Optimized Row Columnar)是Hive 0.11版里引入的新的存储格式。
可以看到每个Orc文件由1个或多个stripe组成,每个stripe250MB大小,这个Stripe实际相当于RowGroup概念,不过大小由4MB->250MB,这样应该能提升顺序读的吞吐率。每个Stripe里有三部分组成,分别是Index Data,Row Data,Stripe Footer:
1:Index Data:一个轻量级的index,默认是每隔1W行做一个索引。这里做的索引应该只是记录某行的各字段在Row Data中的offset。
2:Row Data:存的是具体的数据,先取部分行,然后对这些行按列进行存储。对每个列进行了编码,分成多个Stream来存储。
3:Stripe Footer:存的是各个Stream的类型,长度等信息。
每个文件有一个File Footer,这里面存的是每个Stripe的行数,每个Column的数据类型信息等;每个文件的尾部是一个PostScript,这里面记录了整个文件的压缩类型以及FileFooter的长度信息等。在读取文件时,会seek到文件尾部读PostScript,从里面解析到File Footer长度,再读FileFooter,从里面解析到各个Stripe信息,再读各个Stripe,即从后往前读。
8.5.4 Parquet格式
Parquet是面向分析型业务的列式存储格式,由Twitter和Cloudera合作开发,2015年5月从Apache的孵化器里毕业成为Apache顶级项目。
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。
通常情况下,在存储Parquet数据的时候会按照Block大小设置行组的大小,由于一般情况下每一个Mapper任务处理数据的最小单位是一个Block,这样可以把每一个行组由一个Mapper任务处理,增大任务执行并行度。
Parquet文件的格式如下图所示:
上图展示了一个Parquet文件的内容,一个文件中可以存储多个行组,文件的首位都是该文件的Magic Code,用于校验它是否是一个Parquet文件,Footer length记录了文件元数据的大小,通过该值和文件长度可以计算出元数据的偏移量,文件的元数据中包括每一个行组的元数据信息和该文件存储数据的Schema信息。除了文件中每一个行组的元数据,每一页的开始都会存储该页的元数据,在Parquet中,有三种类型的页:数据页、字典页和索引页。数据页用于存储当前行组中该列的值,字典页存储该列值的编码字典,每一个列块中最多包含一个字典页,索引页用来存储当前行组下该列的索引,目前Parquet中还不支持索引页。
8.5.5 主流文件存储格式对比实验
从存储文件的压缩比和查询速度两个角度对比。
存储文件的压缩比测试:
1:测试数据(bigtable 大小为116MB)
2:TextFile
(1)创建表,存储数据格式为TEXTFILE
create table bigtable_text( |
(2)向表中加载数据
hive (default)> load data local inpath '/opt/datas/bigtable' into table bigtable_text; |
(3)查看表中数据大小
hive (default)> dfs -du -h /user/hive/warehouse/bigtable_text |
115.1 M /user/hive/warehouse/bigtable_text/bigtable
3:ORC
(1)创建表,存储数据格式为ORC
create table bigtable_orc( |
(2)向表中加载数据
hive (default)> insert into table bigtable_orc select * from bigtable_text; |
(3)查看表中数据大小
hive (default)> dfs -du -h /user/hive/warehouse/bigtable_orc/ ; |
29.6 M /user/hive/warehouse/bigtable_orc/000000_0
4:Parquet
(1)创建表,存储数据格式为parquet
create table bigtable_parquet( |
(2)向表中加载数据
hive (default)> insert into table bigtable_parquet select * from bigtable_text; |
(3)查看表中数据大小
hive (default)> dfs -du -h /user/hive/warehouse/bigtable_parquet/; |
101.1 M /user/hive/warehouse/bigtable_parquet/000000_0
存储文件的压缩比总结:
ORC > Parquet > textFile
存储文件的查询速度测试:
1)TextFile
hive (default)> select count(*) from bigtable_text;
Total MapReduce CPU Time Spent: 0 msec
OK
_c0
1000000
Time taken: 2.769 seconds, Fetched: 1 row(s)
2)ORC
hive (default)> select count(*) from bigtable_orc;
Total MapReduce CPU Time Spent: 0 msec
OK
_c0
1000000
Time taken: 1.691 seconds, Fetched: 1 row(s)
3)Parquet
hive (default)> select count(*) from bigtable_parquet;
Total MapReduce CPU Time Spent: 0 msec
OK
_c0
1000000
Time taken: 1.747 seconds, Fetched: 1 row(s)
存储文件的查询速度总结:查询速度相差不多。
8.6 存储和压缩结合
8.6.1 修改Hadoop集群具有Snappy压缩方式
1)查看hadoop checknative命令使用
hadoop
checknative [-a|-h] check native hadoop and compression libraries availability
2)查看hadoop支持的压缩方式
hadoop checknative
17/12/24 20:32:52 WARN bzip2.Bzip2Factory: Failed to load/initialize native-bzip2 library system-native, will use pure-Java version
17/12/24 20:32:52 INFO zlib.ZlibFactory: Successfully loaded & initialized native-zlib library
Native library checking:
hadoop: true /opt/mod/hadoop-2.8.4/lib/native/libhadoop.so
zlib: true /lib64/libz.so.1
snappy: false
lz4: true revision:99
bzip2: true
3)将编译好的支持Snappy压缩的hadoop-2.8.4.tar.gz包导入到bigdata31的/opt/software中
4)解压hadoop-2.8.4.tar.gz到当前路径
tar -zxvf hadoop-2.8.4.tar.gz
5)进入到/opt/software/hadoop-2.8.4/lib/native路径可以看到支持Snappy压缩的动态链接库
pwd
/opt/software/hadoop-2.8.4/lib/native
6)拷贝/opt/software/hadoop-2.8.4/lib/native里面的所有内容到开发集群的/opt/mod/hadoop-2.8.4/lib/native路径上
cp ../native/* /opt/mod/hadoop-2.8.4/lib/native/
7)分发集群 scp 到其他集群目录
scp - r ./native/ root@主机名:绝对路径
8)再次查看hadoop支持的压缩类型
hadoop checknative
17/12/24 20:45:02 WARN bzip2.Bzip2Factory: Failed to load/initialize native-bzip2 library system-native, will use pure-Java version
17/12/24 20:45:02 INFO zlib.ZlibFactory: Successfully loaded & initialized native-zlib library
Native library checking:
hadoop: true /opt/mod/hadoop-2.8.4/lib/native/libhadoop.so
zlib: true /lib64/libz.so.1
snappy: true /opt/mod/hadoop-2.8.4/lib/native/libsnappy.so.1
lz4: true revision:99
bzip2: false
9)重新启动hadoop集群和hive
8.6.2 测试存储和压缩
官网:https://cwiki.apache.org/confluence/display/Hive/LanguageManual+ORC
ORC存储方式的压缩:
Key | Default | Notes |
orc.compress | ZLIB | high level compression (one of NONE, ZLIB, SNAPPY) |
orc.compress.size | 262,144 | number of bytes in each compression chunk |
orc.stripe.size | 67,108,864 | number of bytes in each stripe |
orc.row.index.stride | 10,000 | number of rows between index entries (must be >= 1000) |
orc.create.index | true | whether to create row indexes |
orc.bloom.filter.columns | "" | comma separated list of column names for which bloom filter should be created |
orc.bloom.filter.fpp | 0.05 | false positive probability for bloom filter (must >0.0 and <1.0) |
1:创建一个非压缩的的ORC存储方式
(1)建表语句
create table bigtable_noorc( |
(2)插入数据
hive (default)> insert into table bigtable_noorc select * from bigtable_text; |
(3)查看插入后数据
hive (default)> dfs -du -h /user/hive/warehouse/bigtable_noorc/; |
65.6 M /user/hive/warehouse/bigtable_noorc/000000_0
2:创建一个SNAPPY压缩的ORC存储方式
(1)建表语句
create table bigtable_orc_snappy( |
(2)插入数据
hive (default)> insert into bigtable_orc_snappy select * from bigtable_text ; |
(3)查看插入后数据
hive (default)> dfs -du -h /user/hive/warehouse/bigtable_orc_snappy/; |
42.8 M /user/hive/warehouse/bigtable_orc_snappy/000000_0
3:上一节中默认创建的ORC存储方式,导入数据后的大小为
29.6 M /user/hive/warehouse/bigtable_orc/000000_0
比Snappy压缩的还小。原因是orc存储文件默认采用ZLIB压缩。比snappy压缩的小。
4)存储方式和压缩总结:
在实际的项目开发当中,hive表的数据存储格式一般选择:orc或parquet。压缩方式一般选择snappy,lzo。