Hive知识归纳——详解 hive 各个知识点

有点标题党了，但是大部分常用知识点也算是涉及到了，希望对你有帮助

Hive是什么？

概念

•    从概念上讲：由Facebook开源的一款基于hadoop的用于统计海量结构化数据的一个数据仓库。

•   从本质上讲：将HQL语句转换成MapReduce程序的一个工具。

产生：

• 让了方便非java开发人员对hdfs上的数据做 MapReduce 操作

架构

1. 从客户端编辑 sql 语句提交到服务端，通过解释器，编译器，优化器生成执行计划，然后提交到 Hadoop 集群运行

其中计划执行的最小单元是一个个 operator，每个operator代表一个操作或者一个MR作业

1. Hive的元数据依赖于关系型数据库，其真实数据是存在于Hadoop之上的

2. 下图为 Hive 架构简图，其中 Hadoop 展示的是 1.x 版本的，2.x 以后是提交到 yarn上运行。

   
   

   

   image.png

支持的数据类型

1. 复杂类型
   | array_type
   | map_type
   | struct_type

2. 简单类型
   |TINYINT
   | SMALLINT
   | INT
   | BIGINT
   | BOOLEAN
   | FLOAT
   | DOUBLE
   | STRING

表的类型

1. 外部表：删除表时，只会删除元数据信息，而不对真实数据进行修改

2. 内部表：也叫管理表，删除表时，会对元数据和真实数据一起删除。

HIve分区

• 意义

1. 其意义主要在于优化查询，对于分区表，我们一般都要求使用分区字段进行过滤，以加快查询速度

• 静态分区使用

1. 建表是指定分区（其中分区在hdfs上表现为文件夹分类管理形式）

create table day_hour_table (id int, content string) partitioned by (dt string, hour string);

1. 在已有的表上添加分区

ALTER TABLE table_name ADD PARTITION (dt='2018-06-02', hour='18')

1. 在已有表上删除某分区

ALTER TABLE table_name DROP PARTITION (dt='2018-06-02', hour='18')

1. 向分区表中添加数据：

LOAD DATA INPATH "/testFile" INTO TABLE table_name PARTITION(dt='2018-06-02', hour='18')

• 动态分区

1. 开启支持动态分区

set hive.exec.dynamic.partition=true;
默认：false

1. 
   

set hive.exec.dynamic.partition.mode=nostrict;
默认：strict（至少有一个分区列是静态分区）

1. 相关参数

set hive.exec.max.dynamic.partitions.pernode;
每一个执行mr节点上，允许创建的动态分区的最大数量(100)
set hive.exec.max.dynamic.partitions;
所有执行mr节点上，允许创建的所有动态分区的最大数量(1000)
set hive.exec.max.created.files;
所有的mr job允许创建的文件的最大数量(100000)

1. 加载数据

from table_name1
insert overwrite table table_name2 partition(age, sex)
select id, name, age, sex, address distribute by age, sex;

hive 分桶

• 分桶表是对列值取哈希值的方式，将不同数据放到不同文件中存储。
  对于hive中每一个表、分区都可以进一步进行分桶。
  由列的哈希值除以桶的个数来决定每条数据划分在哪个桶中。

• 适用场景：
  数据抽样（ sampling ）、map-join

1. 开启支持分桶

set hive.enforce.bucketing=true;
默认：false；设置为true之后，mr运行时会根据bucket的个数自动分配reduce task个数。（用户也可以通过mapred.reduce.tasks自己设置reduce任务个数，但分桶时不推荐使用）
注意：一次作业产生的桶（文件数量）和reduce task个数一致。

1. 创建分桶表

CREATE TABLE tb_name( id INT, name STRING, age INT)
CLUSTERED BY (age) INTO 4 BUCKETS
ROW FORMAT DELIMITED FIELDS TERMINATED BY ',';

1. 加载数据：

insert into table tb_name select id, name, age from source_tb_name;

1. 抽样

select id, name, age from tb_name tablesample(bucket 1 out of 2 on age);
一共4个桶，抽取2（4/2）个bucket的数据，抽取第1、第3（1+2）个bucket的数据

Beeline 和 HIveServer2

• beeline 要与 HIveServer2 配合使用

• 服务端启动 HIveServer2

• 客户端可以通过beeline -u jdbc:hive2://hostname:10000/db_name -n username 进行hive的连接

• 这里HiveServer2的另外一个功能，就是提供给开发者一个jdbc的开发接口

Hive 函数

• UDTF：一进多出函数，对于某个数据经过函数会产生多条记录，eg: explode

• UDF：一进一出函数，对于一个数据经过函数处理，还是一条数据 eg: to_date

• UDAF：多进一出函数，多条数据经过函数处理会聚合成一条数据 eg: count

• 这块内容其实挺多的，但是官网都有详细的文档，这里再赘述也就没什么意义了，

Hive 索引

• 目的：优化查询以及检索性能

1. 创建索引：

create index t1_index on table tb_name1(name)
as 'org.apache.hadoop.hive.ql.index.compact.CompactIndexHandler' with deferred rebuild
in table t1_index_table;
as：指定索引器；
in table：指定索引表，若不指定默认生成在default__psn2_t1_index__表中

1. 查询索引
   show index on tb_name1;

2. 重建索引（建立索引之后必须重建索引才能生效）
   ALTER INDEX t1_index ON tb_name1 REBUILD;

3. 删除索引
   DROP INDEX IF EXISTS t1_index ON tb_name1;

5.使用的时候根据索引条件查询能加快查询速度，但是由于索引表也是需要维护的，会带来额外开销。

数据倾斜

• 什么时数据倾斜？什么导致的数据倾斜？

1. 一般来说，在分布式计算系统中，我们期望的每个节点完成任务的时间是一致的，但是实际生产环境中，因为种种原因会导致某些节点处理的数据较大，导致完成任务时间与其他节点相差很大，导致整个任务完成时间过长，这就是我们常说的数据倾斜

2. 一般来说，导致数据倾斜的原因都是因为数据分布的不均匀导致的，而 Hive 因为底层是通过 MR 实现的，所以数据倾斜一般都是发生在 Reduce 端，而 Reduce 端处理的数据是由我们的 Partition 决定的，这就为我们寻找数据倾斜的原因提供了一个最基本的思路。

3.默认的我们 partition 都是通过 key 来决定的，所以一般导致数据倾斜的原因都是  key 的分布不均匀，同时也采用了一些可能会导致数据倾斜的操作，比如 group by , join 等。

• 数据倾斜解决方案

1. Hive自带的数据倾斜解决方案，主要是针对 group by ;

a. 设置参数 ：set hive.map.aggr=true ,开启 map 端的聚合功能，也就是 MR 程序中写的 combiner

1. hive.groupby.mapaggr.checkinterval：
   map端group by执行聚合时处理的多少行数据（默认：100000）,

2. hive.map.aggr.hash.min.reduction：
   进行聚合的最小比例（预先对100000条数据做聚合，若 (聚合之后的数据量)/100000 的值大于该配置设    置值0.5，则不会聚合）

3. hive.map.aggr.hash.percentmemory：
   map端聚合使用的内存的最大值

4. hive.map.aggr.hash.force.flush.memory.threshold：
   map端做聚合操作是hash表的最大可用内容，大于该值则会触发flush

b. 设置 set hive.groupby.skewindata=true ，开启Group By 产生数据倾斜优化

该处理方式是将一次group 操作进行了两次处理，首先会对map端输入的数据进行随机分发给reduce端，因为是随机的，所以数据会均匀分发给reduce 进行 group ，然后对第一次group处理的数据再进行一次正常的 group操作，因为有了第一次的处理，第二次处理的数据将会大大减少，从而使得数据倾斜问题不再明显。严格来说，这并没有解决数据倾斜问题，但是却大大减少了数据倾斜带来的影响

• Join产生的数据倾斜
  a. Map端进行join：适合小表 join 大表的情况

1. 通过修改以下配置启用自动的mapjoin：
   set hive.auto.convert.join = true;
   （该参数为true时，Hive自动对左边的表统计量，如果是小表就加入内存，即对小表使用Map join）

2. hive.mapjoin.smalltable.filesize;
   （大表小表判断的阈值，如果表的大小小于该值则会被加载到内存中运行）

3. hive.ignore.mapjoin.hint；
   （默认值：true；是否忽略mapjoin hint 即HQL 语句中的 mapjoin 标记）

4. hive.auto.convert.join.noconditionaltask;
   （默认值：true；将普通的join转化为普通的mapjoin时，是否将多个mapjoin转化为一个mapjoin）

5. hive.auto.convert.join.noconditionaltask.size;
   （将多个mapjoin转化为一个mapjoin时，其表的最大值）

b. 对于两张都是大表的情况，我们可以想办法将一个大表转化为小表，然后采用 a 方案；另外我们也可以使用分桶的思想，将导致数据倾斜的 key 过滤出来额外处理。其中 https://blog.csdn.net/s646575997/article/details/51510661 这上面有些案例可以参考，

HIve 优化

谈起优化，上面很大一部分内容都有涉及，这里我们主要谈谈 HQL 优化

1. 某些容易导致数据倾斜的函数

• count(distinct *)
  该用法在MR 的 reduce 阶段只有一个 reduce 来处理，当数据量较大会导致严重的数据倾斜。
  可以通过
  select count(1) from (select distinct(uid) d_uid from t)
  来优化

• order by key
  对于全局排序也有上面类似的问题
  为了解决上面的问题，我们需要先了解下hive的几种排序
  order by:全局排序，一般不用
  cluster by：全局排序，建议使用，但是只能是降序，不能指定asc和desc
  sort by：局部排序，这个局部就是每个 reduce 内部，所以不能保证全局有序，单个使用意义不大，需要结合 distribute by一起使用
  distribute by：分区排序，在分发数据给 reduce 的时候保证 reduce 是有序的，结合 sort by，可以做到全局有序
  所以上面这个问题可以通过
  select a,b,c from t distribute by a sort by a asc, b desc
  来解决

1. Union All insert

//union allinsert overwrite table t
select a,b,c   
from t1      
union all   
select a,b,c from t2//普通方式insert overwrite table t
select a,b,c  from t1
insert overwrite table t
select a,b,c  from t2

1. limit
   limit 限制，对于hive 很多时候都是需要进行全表统计，然后显示 limit 限制的条数的记录，对于执行速度并没有多大的提升，如果我们的需求是可以通过抽样来看整体情况的，那么全表扫描无疑是很浪费资源的，所以hive也是提供了相应的优化机制，来允许我们才用抽样使用 limit
   hive.limit.optimize.enable=true --- 开启对数据源进行采样的功能
hive.limit.row.max.size --- 设置最小的采样容量
hive.limit.optimize.limit.file --- 设置最大的采样样本数

2. join
   这里我们这里略过咯，至于为什么？你猜。。。。。

3. 本地执行
   当我们觉得有些任务是杀鸡用牛到的时候，可以尝试运用本地运行，分布式计算只有再数据量足够大的时候才能体现其优势，否则单机是更快的。
   通过 mapred.job.tracker=true 参数开启本地模式
   当然，hive 也提供了自动开启本地模式的优化机制
   通过 hive.exec.mode.local.auto开启自动执行，自动开启的条件如下：
   1.job的输入数据量小于参数：hive.exec.mode.local.auto.inputbytes.max(默认128MB)
   2.job的map数必须小于参数：hive.exec.mode.local.auto.tasks.max(默认4)
   3.job的reduce数必须为0或者1

4. stage 并行执行
   对于一些复杂的 hql 可能会需要多个 stage 一起执行来完成，默认情况下，hive 是根据其解析的计划串行执行一个个 stage 的，为了提高执行速度，我们可以开启 stage 并行执行。
   通过 hive.exec.parallel=true开启

stage 是什么？ hive 将sql 解析后自动生成的一个抽象概念，比如我们要做饭，那么这个 stage 就可以理解为：1.买菜买米，2.煮饭，3.炒菜，4.上桌。如果开启了并行执行那么，煮饭 和 炒菜 就可以一起执行了，当然前提是你要忙的过来，所以集群资源要足够才行，如果没开启，那么就傻傻的 先煮饭，饭熟了，再炒菜

1. JVM 重用
   这里JVM 重用是针对 hive 底层的执行引擎 MR 来说的，默认的一个 task 启动一个 jvm 进程来执行。
   通过mapred.job.reuse.jvm.num.tasks=1 可以设置每个JVM 执行的 task 数量

为什么默认值是1 ？

因为如果JVM设置的task数量超过1，那么这个JVM只有等待其执行完自己指定的任务，或者整个 job执行完成才会退出释放资源。
我们可以来假设一下，我们有 6 个task分别是 1，2，3，4，5，6。对应执行的JVM 是 1到6 号，其中 1 需要1min 执行完，其余的都是1s执行完，如果一个jvm执行完一个任务就退出，那么可能在 2s 到 3s 的时候，就只有 1号JVM 占用资源了，而如果不是，2到6号 在 2-3s 执行完毕，但是因为有重用功能，会导致这几个 JVM 继续等待其他任务的派发，直到 1号JVM 执行完毕才会释放 ，导致资源的浪费。
所以才资源不是很充足的情况下，该功能还是要慎用噢~！

远程调试

通过 hive --debug port=9999  来开启远程调，关于java 远程调试可以参考其他文章

小文件合并

可以参考：https://blog.csdn.net/yycdaizi/article/details/43341239

数据仓库建模

作者：code_solve
链接：https://www.jianshu.com/p/9fe1559fea30