【数据库-Hive】Hive基础知识

hive基础

hive基本命令

基本类型

• 基本数据类型：int/float/double/string/boolean/bigint
• 复杂类型：array/map/struct
  

常见Hive语法

use database_name
create database if not exist db_name
desc database db_name

create table table_name(...) row format delimited fields terminated by "\t" atore as textline

select * from table_name

alter table table_name rename to new_table_name

hive -e "sql-cmd"
hive -f test.sql
beeline

生成学生数据

# coding='utf8'

import uuid
import random
import json

name = ['Tom', 'Jerry', 'Jim', 'Angela']
hobby = ['readding', 'play', 'dancing', 'sing']
subject = ['math', 'chinese', 'english', 'computer']

data = []
# user_id|user_name|hobby|scores
# dc8fa3d7414049218c78036e898f10ae|Tom|["sing","dancing"]|{"math":72,"chinese":87,"english":84,"computer":87}
for item in name:
    scores = {
    
    key: random.randint(60, 100) for key in subject}
    data.append("|".join([uuid.uuid4().hex, item, ','.join(random.sample(set(hobby), 2)),
                          ','.join(["{0}:{1}".format(k, v) for k, v in scores.items()])]))
with open('student.csv', 'w') as f:
    f.write('\n'.join(data))

创建表

create database hive_test; 

use hive_test;

-- 创建内部表
create table test(
  user_id string,
  user_name string,
  hobby array<string>,
  scores map<string,int>
) 
row format delimited
fields terminated by '|'
collection items terminated by ','
map keys terminated by ':'
lines terminated by '\n';

load data local inpath '/home/hadoop/data/student.csv' overwrite into table test; -- 本地加载

select * from test;

select * from test where user_name='Tom';

hive -e 'select * from hive_test.test'
hive -f hive_test.sql
beeline -u jdbc:hive2://localhost:10000 -u hadoop -e "select * from hive_test.test"

image.png

内部表&外部表

内部表：和传统数据库的table类似，对应HDFS存储目录，删除表时，删除元数据和表数据
外部表：指向已经存在的hdfs数据，删除时只删除元数据信息

-- 创建外部表
create external table external_table( 
  user_id string,
  user_name string,
  hobby array<string>,
  scores map<string,int>
) 
row format delimited
fields terminated by '|'
collection items terminated by ','
map keys terminated by ':'
lines terminated by '\n';

-- 这里的test.csv是本地的数据
load data local inpath '/home/hadoop/test.csv' overwrite into table external_table; -- 本地加载

hdfs dfs -ls /hive/warehouse/hive_test.db/external_table

表删除

-- 内部表删除后即物理删除，外部表删除后，在hdfs中还存在

drop table test;
drop table exertnal_table;

分区表&分桶表

分区表：partition对应普通数据库第partiton列的密集索引，将数据按照partition列存储到不同目录，便于并行分析，减少数据量
分桶表：对数据进行hash，放到不同文件存储，方便抽样和join查询

创建分区表

-- 创建分区表
create table partition_table( 
  user_id string,
  user_name string,
  hobby array<string>,
  scores map<string,int>
) 
partitioned by (time string)
row format delimited
fields terminated by '|'
collection items terminated by ','
map keys terminated by ':'
lines terminated by '\n';

-- 载入数据
load data local inpath '/home/hadoop/data/student.csv' overwrite into table partition_table partition (time='201912');

-- 查看数据
select count(*) from partition_table where time='201912';

hadoop fs -ls /user/hive/warehouse/partition_table

创建分桶表

-- 创建分桶表
create table bucket_table( 
  user_id string,
  user_name string,
  hobby array<string>,
  scores map<string,int>
) 
clustered by (user_name) sorted by (user_name) into 2 buckets -- clustered
row format delimited
fields terminated by '|'
collection items terminated by ','
map keys terminated by ':'
lines terminated by '\n';

-- 从test表中读取数据插入
insert into bucket_table select * from test;

-- 采样
select * from bucket_table tablesample(bucket 1 out of 2 on user_name);

Hive函数

内置函数

• 字符串类型
  • concat
  • substr
  • upper
  • lower
• 时间类型
  • year
  • month
  • day
• 复杂类型
  • size
  • get_json_object
    

自定义函数

UDF：用来处理输入一行，输出一行的操作，类似于map
UDAF：自定义聚合函数，用来处理输入多行，输出一行的操作，类似reduce
UDTF：自定义表产生函数，用来处理输入一行，输出多行的操作

执行jar包

make clean install
hadoop fs -mkdir /udf
hadoop fs -put /udf/*.jar /udf

add jar hdfs:///udfs/udf-test-1.0-SNAPSHOT.jar;

-- 注册临时函数
create temporary function avg_score as "com.imooc.hive.udf.AvgScore";
select user_name, strlen(user_name),avg_score(scores) from test;

-- 删除注册函数
drop temporary function avg_score;

-- 永久注册需要将jar包放到hdfs上，避免无法找到
create function avg_score as 'com.imooc.hive.udf.AvgScore' using jar 'hdfs://udf/hive-udf-test-1.0-SNAPSHOT.jar';

-- 删除注册函数
drop function avg_score;

Hive存储格式

格式	优点	缺点
TextFile	简单，方便查看	不支持分片
SequenceFile	可压缩 可分割	需要合并 不易查看
OrcFile	分片 按列查询 速度快	不易查看

ORCFile存储格式

列式存储

• OrcFile
  • 支持有限的ACID和更新
  • 查询效率高
• Parquet
  • 不支持ACID和更新
  • 压缩能力高
    

总结

一句话描述Hive

Hive是一个构建在Hadoop之上的数据仓库软件，它可以使已经存的数据结构化，它提供类似sql的查询语句HiveQL对数据进行分析处理。

HQL转换为MapReduce的流程

了解了MapReduce实现SQL基本操作之后，我们来看看Hive是如何将SQL转化为MapReduce任务的，整个编泽过程分为六个阶段;

1. Antir定义SQL的语法规则，亮成SQL词法，语法解析，将SQL转化为抽象语法树AST Tree
2. 遍历AST Tree，抽象出查询的基本组成单元QueryBlock
3. 遍历QueryBlock，翻译为执行操作树OperatorTree
4. 逻辑层优化器进行OperatorTree变换，合并不必要的ReduceSinkOperator，减少shutfle数据量
5. 遍历OperatorTree，翻译为MapReduce任务
6. 物理层优化器进行MapReduce任务的变换，生成最终的执行计划
   

Hive与Mysql的区别

1. 产品定位

Hive是数据仓库，是为海量数据的离线分析设计的，不支持OLTP(联机事务处理)所需的关健功能ACID，而更接近于0LAP(联机分析技术)，适合高线处理大数据集;而MySQL是关系型数据库，是为实时业务设计的。

2. 可扩展性

Hive中的数据存储在HDFS(Hadop的分布式文件系统)，metastore元数据一般存稳在独立的关系型数据库中，而MySQL则是服务量本地的文件系统;因此Hive具有良好的可扩展性，数据库由于ACID语义的严格限制，扩展性十分有限。

3. 读写模式

Hive为读时模式，数据的验证则是在查询时进行的，这有利于大数据集的导入，读时模式使数据的加酸非常讯速，数据的加战仅是文件复制或移动。MySQL为写时模式，数据在与入数据库时对照模式检查，与时模式有利于提升查询性能，因为数据库可以对列进行索引。

4. 数据更新

Hive是针对数据仓库应用设计的，而数仓的内容是读多写少的，Hive中不支持对数据进行改写，所有数据都是在加载的时候确定好的;而数据库中的数据通常是需要经常进行修改的，

5. 索引

Hive支持索引，但是He的索引与关系型数据库中的索引并不相同，比如，Hve不支持主提或者外性，He课供了有限的案引功能，可以为一些字段建立案引，一张表的索引数据在储在另外一张表中，由于数看的访间延识较高，Hve不活合在的数据查询:数据库在少量的特定条件的数据访问中，索引可以提供较低的延记。

6. 计算模型

Hive使用的模型是MapReduce(也可以onspark)，而MySQL使用的是自己设计的Executor计算模

Hive数据存储格式

Hive中的数据存储格式分为TextFle，SequenceFile和Orc三种，其中TexFle是默认的存结格式，通过简单的分隔符可以对csv等类型的文件进行解析。而ORCFile是我们常用的一种存储格式，因为ORCFle是列式存储格式，更加适合大数据查的场景，

Hive表类型

Hive几和基本表类型:内部表、外部表、分区表、分桶表。
**内部表: **内部表的数据，会存放在HDFS中的特定的位置中，我们在安装Hive的配置中是在/hive/warehouse，当删除表时，数据文件也会一并删除；适用于临时创建的中间表
**外部表: **适用于想要在Hive之外使用表的数据的情况。当你删除Extemal Table时，只是删除了表的元数据，它的数据并没有被清除，适用于数据多部门共享，建表时使用create exdernal table，指定exdernal关键字即可。
**分区表: **分区表创建表的时候需要指定分区字段，分区字段与普通字段的区别;分区字段会在HDFS表目录下生成一个分区字段名称的目录，而普通字段则不会，查询的时候可以当成普通字段来使用，一般不直接和业务直接相关。
**分桶表: **将内部表，外部表和分区表进一步组织成桶表，可以将表的列通过Hash算法进一步分解成不同的文件存储。

重点关注一下分区表和分桶表，HQL通讨where字句来限制条件提取数据，那么遍历一张大表，不如将这张大表拆分成多个小表，并通过合话的索引来扫描表中的一小部分，分区和分桶都是采用了这种理念。

分区会创建物理目录，并目可以具有子目录(通常会按照时间，地区分区)，目录名以=创建，分区名会作为表中的伪列，这样通过where字句中加入分区的眼制可以在仅扫描对应子目录下的数据，通过parifioned by (field1 tvpe…)

分桶可以继续在分区的基础上再划分小表，分桶根据哈希值来确定数据的分布(即MapReducer中的分区!)，比如分区下的一部分数据可以根据分桶再分为多个桶，这样在查询时先计算对应列的哈希值并计算桶号，只需要扫满对应桶中的数据即可，通过clustered by(field ) into n buckets

Hive自定义函数

当Hive提供的内置函数无法满定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，Hive中包含三类自定义函数:
**UDF:**普通的用户自定义函故、接受单行输入，并产生单行输出。如转换字符串大小写，获取字符串长度等
**UDAF:**用户定义聚集因数(User-defined aggregatefunction)，接受多行输入，并产生单行输出，比如MAX，COUNT函数。
**UDTF:**用户定义表生成函数(User-defined table-generating function)。接受单行输入，井产生多行输出(即一个表)，不是特别常用

面试题

1、提交一条SQL到Hive后，Hive的执行流程是什么样的




2、Hive表存储模型有哪些？分区分桶的作用？
3、什么是数据倾斜，如何解决数据倾斜？

• 原因
  • key分布不均匀，业务数据本身的特型
  • 建表考虑不周，SQL语句本身有数据倾斜
• 解决
  • 调整参数：hive.map.aggr hive.groupby.skewindata
  • 调整SQL语句：Join方式、空值、大小表join

4、Hive存储格式有哪些？平常用哪个？
5、Hive查询时有哪些优化项？
6、使用Hive过程中，遇到过哪些问题？如何解决？