hive知识点

hive知识点 Hive知识点

1.hive定义
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：将HQL转化成MapReduce程序

2.hive优缺点
优点：
① *** 作接口采用类SQL语法，提供快速开发的能力(简单、容易上手)。
②避免了写MapReduce,减少开发人员的学习成本。
③Hive的执行延迟比较高，因此Hive常用于数据分析，对实时性要求不高的场合。
④Hive优势在于处理大数据，对于处理小数据没有优势，因为Hive的执行延迟比较高。
⑤Hive支持用户自定义函数,用户可以根据自己的需求来实现自己的函数。
缺点：
（1）Hive的HQL 表达能力有限
①迭代式算法无法表达
②数据挖掘方面不擅长，由于MapReduce数据处理流程的限制.效率更高的算法却无法实现.
（2）Hive的效率比较低
①Hive自动生成的MapReduce作业，通常情况下不够智能化
②Hive调优比较困难，粒度较粗
3.hive架构
①用户接口客户端（client）：CLI(command-line interface)/JOBC/ODBC(jdbc访问hive)、WEBUI(浏览器访问hive)
②元数据包括：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）表的数据所在的目录等
③Hadoop：使用HDFS进行储存，使用MapReduce进行计算
④驱动器（Driver）：
解析器（SQL Parser）：将SQL字符串转换成抽象语法树AST，这一步一般都用第三方工具库完成，比如antlr；对AST进行语法分析，比如表是否存在，字段是否存在，SQL语义是否有误
编译器（Physical plan）：将AST编译生成逻辑执行计划
优化器（Query Optimizer）：对逻辑执行计划进行优化
执行器（Execution）：把逻辑执行计划转换成可以运行的物理计划。对于Hive来说，就是MR/Spark
4.hive和数据库的区别
①查询语言
由于SQL被广泛的应用在数据仓库中，因此，专门针对Hive的特性设计了类SQL的查询语言HQL。熟悉SQL开发的开发者可以很方便的使用Hive进行开发。

②数据存储位置
Hive 是建立在 Hadoop 之上的，所有 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者本地文件系统中。

③数据更新
由于Hive是针对数据仓库应用设计的，而数据仓库的内容是读多写少的。因此，Hive中不支持对数据的改写和添加，所有的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，因此可以使用 INSERT INTO … VALUES 添加数据，使用 UPDATe … SET修改数据。

④索引
Hive在加载数据的过程中不会对数据进行任何处理，甚至不会对数据进行扫描，因此也没有对数据中的某些Key建立索引。Hive要访问数据中满足条件的特定值时，需要暴力扫描整个数据，因此访问延迟较高。由于 MapReduce 的引入， Hive 可以并行访问数据，因此即使没有索引，对于大数据量的访问，Hive 仍然可以体现出优势。数据库中，通常会针对一个或者几个列建立索引，因此对于少量的特定条件的数据的访问，数据库可以有很高的效率，较低的延迟。由于数据的访问延迟较高，决定了 Hive 不适合在线数据查询。

⑤执行
Hive中大多数查询的执行是通过 Hadoop 提供的 MapReduce 来实现的。而数据库通常有自己的执行引擎。

⑥执行延迟
Hive 在查询数据的时候，由于没有索引，需要扫描整个表，因此延迟较高。另外一个导致 Hive 执行延迟高的因素是 MapReduce框架。由于MapReduce 本身具有较高的延迟，因此在利用MapReduce 执行Hive查询时，也会有较高的延迟。相对的，数据库的执行延迟较低。当然，这个低是有条件的，即数据规模较小，当数据规模大到超过数据库的处理能力的时候，Hive的并行计算显然能体现出优势。

⑦可扩展性
由于Hive是建立在Hadoop之上的，因此Hive的可扩展性是和Hadoop的可扩展性是一致的（世界上最大的Hadoop 集群在 Yahoo!，2009年的规模在4000 台节点左右）。而数据库由于 ACID 语义的严格限制，扩展行非常有限。目前最先进的并行数据库 Oracle 在理论上的扩展能力也只有100台左右。

⑧数据规模
由于Hive建立在集群上并可以利用MapReduce进行并行计算，因此可以支持很大规模的数据；对应的，数据库可以支持的数据规模较小。

五、hive元数据包括哪些，存在哪里
元数据包括：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；
默认存储在自带的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TINYINT1byte有符号整数10SMALINT2byte有符号整数10INT4byte有符号整数10BIGINT8byte有符号整数10BOOLEAN布尔类型，true或者falseTRUEFLOAT单精度浮点数1.0DOUBLE双精度浮点数1.0STRING字符串“abcd”TIMESTAMP日期，时间戳或者字符串1327882394或者‘2020-5-20 15：30：20’

复杂数据类型

数据类型长度例子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)

七、内部表外部表区别
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

八、往表中添加数据的5种方式（重载，追加，覆盖，插入，保留到新建表）
①向表中装载数据（Load）
②通过查询语句向表中插入数据（Insert）
③查询语句中创建表并加载数据（As Select）
④创建表时通过Location指定加载数据路径
⑤import数据到指定Hive表中

九、往分区中添加数据的三种方式（装载，追加，覆盖）
①创建文件夹后load数据到分区
②上传数据后添加分区
③上传数据后修复

装载 LOAR DATA INPATH '/hive/teacher' INTO TABLE teacher;
追加 LOAR DATA LOCAL INPATH '/home/hadoop/hive/teacher.txt' INTO TABLE teacher;
覆盖 LOAR DATA LOCAL INPATH '/home/hadoop/hive/teacher.txt' OVERWRITE INTO TABLE teacher;

十、建表完整语句

CREATE TABLE IF NOT EXISTS teacher(
 id INT COMMENT'编号'，
 name STRING COMMENT'名字'
)COMMENT'教师表'
ROW FORMAT DELIMITED 
FIELDS TERMINATED BY ' '

十一、窗口函数的 *** 作（统计和排名）
LEAD :返回当前行以下n行的指定列的列值
LAG： 返回当前行以上n行的指定列的列值
FIRST_VALUE:返回当前窗口指定列的第一个值
LAST_VALUE：返回当前窗口指定列的最后一个值

统计类函数：
COUNT
SUM
MIN
MAX
AVG
排名类函数：
RANK
ROW_NUMBER
DENSE_RANK
CUME_DIST
PERCENT_RANK
NTILE(x):将数据集平均分到x个组里面，返回每条记录所在的组号

十二、行转列，列转行
（1）行转列:
①CONCAt(string A/col, string B/col…)：返回输入字符串连接后的结果，支持任意个输入字符串;
②CONCAT_Ws(separator, str1, str2,…)：它是一个特殊形式的 CONCAt()。第一个参数剩余参数间的分隔符。分隔符可以是与剩余参数一样的字符串。如果分隔符是 NULL，返回值也将为 NULL。这个函数会跳过分隔符参数后的任何 NULL 和空字符串。分隔符将被加到被连接的字符串之间;
③COLLECT_SET和COLLECT_LIST(col)：把聚合后的某列的多个值拼装为数组。COLLECT_SET会去除数组中重复的元素，而COLLECT_LIST不会
④CAST:转换数据类型

（2）列转行:
EXPLODE(col)：将hive一列中复杂的array或者map结构拆分成多行。
LATERAL VIEW
用法：LATERAL VIEW udtf(expression) tableAlias AS columnAlias

十三、order by、sort by、Distribute By、Cluster By的用法区别
①Order By：全局排序，只有一个Reducer
(1)使用 ORDER BY 子句排序
ASC（ascend）: 升序（默认）
DESC（descend）: 降序
(2)ORDER BY 子句在SELECT语句的结尾
②Sort By：对于大规模的数据集order by的效率非常低。在很多情况下，并不需要全局排序，此时可以使用sort by
③Distribute By：在有些情况下，我们需要控制某个特定行应该到哪个reducer，通常是为了进行后续的聚集 *** 作。distribute by 子句可以做这件事。distribute by类似MR中partition（自定义分区），进行分区，结合sort by使用
④Cluster By:当distribute by和sorts by字段相同时，可以使用cluster by方式。cluster by除了具有distribute by的功能外还兼具sort by的功能。但是排序只能是升序排序，不能指定排序规则为ASC或者DESC
十四、hive的优化思路
（1）MapJoin：小表在前大表在后，把小表全部读入内存中
（2）行列过滤：过滤空值（根据行列进行过滤）
（3）列式存储：hive的格式
（4）采用分区技术：建分区表
（5）合理设置Map数:过多的map数会造成数据倾斜
（6）合理设置Reduce数：过多的Reduce数会造成文件过多
（7) 压缩：时间换空间，空间换时间

十五、hive如何解决数据倾斜
（1）不同数据类型关联产生数据倾斜
（2）控制空值分布
（3）group by
（4）mapjoin：小表在前大表在后，把小表全部读入内存中
（5）数据倾斜时开启负载均衡（在Reduce）
十六、窗口函数和分组的区别
如果是分组函数，select后面只能跟分组后的字段，或者是聚合函数
如果是窗口函数，窗口函数在指定的窗口内，对每条记录都做一次计算
如果是分组 *** 作，会有去重的效果，但是partition不会去重
十七、分桶抽样查询
对于非常大的数据集，有时用户使用的是一个具有代表性的查询结果而不是全部结果。Hive可以通过对表进行抽样来满足这个需求
查询stu_back中的数据：hive(default)>select * from stu_buck tablesample(bucket 1 out of 4 on id)
十八、如何往分桶表中添加数据
先建立一个临时表，通过load data，将TXT文本导入到临时表中，然后再在hive中建立一个具有分桶结构的表，开启强制分桶，使用insert select语句间接的把数据从临时表导入到分桶表中。
十九、为什么要用分桶表？
单个分区或者表中的数据量越来越大，当分区不能更细粒的划分数据时，所以会采用分桶技术，将数据更细粒度的划分和管理​。
分区提供了一个隔离数据和优化查询的遍利方式，但是当分区的数量过多时，会产生过多的小分区，这样会给namenode带来较大的压力，分桶是将数据集分解成更容易管理的若干部分的另一个技术​。
二十、分桶的意义
①为了保存分桶查询结果的分桶结构​（数据已经按照分同字段进行了hash散列）
②分桶表数据进行抽样和JOIN时，可以提高mapreduce程序效率​
二十一、SQL优化
​大表对大表：尽量减少数据集，可以通过分区表，避免扫描全表或者全字段
大表对小表：设置自动识别小表，将小表放入内存中去执行