Fork me on GitHub

Hive之压缩和存储

一.Hadoop源码编译支持Snappy压缩

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
2
3
4
5
(a)hadoop-2.8.4-src.tar.gz
(b)jdk-8u144-linux-x64.tar.gz
(c)snappy-1.1.3.tar.gz
(d)apache-maven-3.0.5-bin.tar.gz
(e)protobuf-2.5.0.tar.gz

2.jar包安装

(0).注意:

所有操作必须在root用户下完成

(1).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)

解压:

1
tar -zxf jdk-8u144-linux-x64.tar.gz -C /opt/module/

修改环境变量

1
vi /etc/profile

修改内容:

1
2
3
#JAVA_HOME
export JAVA_HOME=/opt/module/jdk1.8.0_144
export PATH=$PATH:$JAVA_HOME/bin

使环境变量生效

1
source /etc/profile

验证命令:java -version

(2).Maven解压、配置 MAVEN_HOME和PATH。

解压

1
tar -zxvf apache-maven-3.0.5-bin.tar.gz -C /opt/module/

修改环境变量

1
vi /etc/profile

修改内容

1
2
3
#MAVEN_HOME
export MAVEN_HOME=/opt/module/apache-maven-3.0.5
export PATH=$PATH:$MAVEN_HOME/bin

使环境变量生效

1
source /etc/profile

验证命令:mvn -version

3. 编译源码

(1).准备编译环境
1
2
3
4
5
6
7
8
9
[root@bigdata111 software]# yum install svn

[root@bigdata111 software]# yum install autoconf automake libtool cmake

[root@bigdata111 software]# yum install ncurses-devel

[root@bigdata111 software]# yum install openssl-devel

[root@bigdata111 software]# yum install gcc*
(2).编译安装snappy
1
2
3
4
5
6
7
8
9
[root@bigdata111 software]# tar -zxvf snappy-1.1.3.tar.gz -C /opt/module/

[root@bigdata111 module]# cd snappy-1.1.3/

[root@bigdata111 snappy-1.1.3]# ./configure

[root@bigdata111 snappy-1.1.3]# make

[root@bigdata111 snappy-1.1.3]# make install

查看snappy库文件

1
[root@bigdata111 snappy-1.1.3]# ls -lh /usr/local/lib |grep snappy
(3).编译安装protobuf
1
2
3
4
5
6
7
8
9
[root@bigdata111 software]# tar -zxvf protobuf-2.5.0.tar.gz -C /opt/module/

[root@bigdata111 module]# cd protobuf-2.5.0/

[root@bigdata111 protobuf-2.5.0]# ./configure

[root@bigdata111 protobuf-2.5.0]# make

[root@bigdata111 protobuf-2.5.0]# make install

查看protobuf版本以测试是否安装成功

1
[root@bigdata111 protobuf-2.5.0]# protoc --version
(4).编译hadoop native
1
2
3
4
5
[root@bigdata111 software]# tar -zxvf hadoop-2.8.4-src.tar.gz

[root@bigdata111 software]# cd hadoop-2.8.4-src/

[root@bigdata111 software]# 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。

二.Hadoop压缩配置

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 DEFAULT .deflate
Gzip gzip DEFAULT .gz
bzip2 bzip2 bzip2 .bz2
LZO lzop LZO .lzo
Snappy Snappy .snappy

    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

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.

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

三.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
1
hive (default)>set hive.exec.compress.intermediate=true;
(2)开启mapreduce中map输出压缩功能,默认为false
1
hive (default)>set mapreduce.map.output.compress=true;
(3)设置mapreduce中map输出数据的压缩方式
1
hive (default)>set mapreduce.map.output.compress.codec= org.apache.hadoop.io.compress.SnappyCodec;
(4)执行查询语句
1
hive (default)> select count(ename) name from emp;

四.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:

(1)
1
hive (default)> set mapreduce.job.reduces=3;
(2)开启hive最终输出数据压缩功能,默认为false
1
hive (default)>set hive.exec.compress.output=true;
(3)开启mapreduce最终输出数据压缩,默认为false
1
hive (default)>set mapreduce.output.fileoutputformat.compress=true;
(4)设置mapreduce最终数据输出压缩方式
1
hive (default)> set mapreduce.output.fileoutputformat.compress.codec = org.apache.hadoop.io.compress.SnappyCodec;
(5)设置mapreduce最终数据输出压缩为块压缩
1
hive (default)> set mapreduce.output.fileoutputformat.compress.type=BLOCK;
(6)测试一下输出结果是否是压缩文件
1
hive (default)> insert overwrite local directory '/opt/module/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

1
2
3
hive (default)> set mapreduce.job.reduces=-1;

insert overwrite local directory '/opt/module/datas/distribute-result' select * from test;

五. 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

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。

(1).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。

(2).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

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。

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。

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。

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。

(一)存储文件的压缩比测试:

(0).测试数据(log.data 大小为18.1MB)
(1).TextFile
(a)创建表,存储数据格式为TEXTFILE
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
create table log_text (

track_time string,

url string,

session_id string,

referer string,

ip string,

end_user_id string,

city_id string

)

row format delimited fields terminated by '\t'

stored as textfile ;
(b)向表中加载数据
1
hive (default)> load data local inpath '/opt/module/datas/log.data' into table log_text ;
(c )查看表中数据大小
1
hive (default)> dfs -du -h /user/hive/warehouse/log_text;

18.1 M /user/hive/warehouse/log_text/log.data

(2).ORC
(a)创建表,存储数据格式为ORC
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
create table log_orc(

track_time string,

url string,

session_id string,

referer string,

ip string,

end_user_id string,

city_id string

)

row format delimited fields terminated by '\t'

stored as orc ;
(b)向表中加载数据
1
hive (default)> insert into table log_orc select * from log_text ;
(c )查看表中数据大小
1
hive (default)> dfs -du -h /user/hive/warehouse/log_orc/ ;

2.8 M /user/hive/warehouse/log_orc/000000_0

(3).Parquet
(a)创建表,存储数据格式为parquet
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
create table log_parquet(

track_time string,

url string,

session_id string,

referer string,

ip string,

end_user_id string,

city_id string

)

row format delimited fields terminated by '\t'

stored as parquet ;
(b)向表中加载数据
1
hive (default)> insert into table log_parquet select * from log_text ;
(c )查看表中数据大小
1
hive (default)> dfs -du -h /user/hive/warehouse/log_parquet/ ;

13.1 M /user/hive/warehouse/log_parquet/000000_0

存储文件的压缩比总结:

ORC > Parquet > textFile

(二)存储文件的查询速度测试:

(1).TextFile
1
hive (default)> select count(*) from log_text;

_c0
100000
Time taken: 21.54 seconds, Fetched: 1 row(s)
Time taken: 21.08 seconds, Fetched: 1 row(s)

(2).ORC
1
hive (default)> select count(*) from log_orc;

_c0
100000
Time taken: 20.867 seconds, Fetched: 1 row(s)
Time taken: 22.667 seconds, Fetched: 1 row(s)

(3).Parquet
1
hive (default)> select count(*) from log_parquet;

_c0
100000
Time taken: 22.922 seconds, Fetched: 1 row(s)
Time taken: 21.074 seconds, Fetched: 1 row(s)

存储文件的查询速度总结:查询速度相近。

六.存储和压缩结合

1.修改Hadoop集群具有Snappy压缩方式

(1).查看hadoop checknative命令使用
1
hadoop checknative [-a|-h]  check native hadoop and compression libraries availability
(2).查看hadoop支持的压缩方式
1
hadoop checknative

(3).将编译好的支持Snappy压缩的hadoop-2.8.4.tar.gz包导入到bigdata111的/opt/software中
(4).解压hadoop-2.8.4.tar.gz到当前路径
1
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
1
2
3
pwd

ll

(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/module/hadoop-2.8.4/lib/native路径上
1
cp ../native/* /opt/module/hadoop-2.8.4/lib/native/
(7).分发集群 scp 到其他集群目录
1
scp - r ./native/ root@主机名:绝对路径
(8).再次查看hadoop支持的压缩类型
1
hadoop checknative

(9).重新启动hadoop集群和hive

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
(a)建表语句
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
create table log_orc_none(

track_time string,

url string,

session_id string,

referer string,

ip string,

end_user_id string,

city_id string

)

row format delimited fields terminated by '\t'

stored as orc tblproperties ("orc.compress"="NONE");
(b)插入数据
1
hive (default)> insert into table log_orc_none select * from log_text ;
(c )查看插入后数据
1
hive (default)> dfs -du -h /user/hive/warehouse/log_orc_none/ ;

7.7 M /user/hive/warehouse/log_orc_none/000000_0

(2).创建一个SNAPPY压缩的ORC存储方式
(a)建表语句
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
create table log_orc_snappy(

track_time string,

url string,

session_id string,

referer string,

ip string,

end_user_id string,

city_id string

)

row format delimited fields terminated by '\t'

stored as orc tblproperties ("orc.compress"="SNAPPY");
(b)插入数据
1
hive (default)> insert into table log_orc_snappy select * from log_text ;
(c )查看插入后数据
1
hive (default)> dfs -du -h /user/hive/warehouse/log_orc_snappy/ ;

3.8 M /user/hive/warehouse/log_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

2.8 M /user/hive/warehouse/log_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。

Hive之企业调优

一. Fetch抓取

    Fetch抓取是指,Hive中对某些情况的查询可以不必使用MapReduce计算。例如:SELECT * FROM employees;在这种情况下,Hive可以简单地读取employee对应的存储目录下的文件,然后输出查询结果到控制台。

    在hive-default.xml.template文件中hive.fetch.task.conversion默认是more,老版本hive默认是minimal,该属性修改为more以后,在全局查找、字段查找、limit查找等都不走mapreduce。

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
<property>

<name>hive.fetch.task.conversion</name>

<value>more</value>

<description>

Expects one of [none, minimal, more].

Some select queries can be converted to single FETCH task minimizing latency.

Currently the query should be single sourced not having any subquery and should not have

any aggregations or distincts (which incurs RS), lateral views and joins.

0\. none : disable hive.fetch.task.conversion

1\. minimal : SELECT STAR, FILTER on partition columns, LIMIT only

2\. more : SELECT, FILTER, LIMIT only (support TABLESAMPLE and virtual columns)

</description>

</property>

案例实操

1.把hive.fetch.task.conversion设置成none,然后执行查询语句,都会执行mapreduce程序。

1
2
3
4
5
6
7
hive (default)> set hive.fetch.task.conversion=none;

hive (default)> select * from emp;

hive (default)> select ename from emp;

hive (default)> select ename from emp limit 3;

2.把hive.fetch.task.conversion设置成more,然后执行查询语句,如下查询方式都不会执行mapreduce程序。

1
2
3
4
5
6
7
hive (default)> set hive.fetch.task.conversion=more;

hive (default)> select * from emp;

hive (default)> select ename from emp;

hive (default)> select ename from emp limit 3;

二. 本地模式

    大多数的Hadoop Job是需要Hadoop提供的完整的可扩展性来处理大数据集的。不过,有时Hive的输入数据量是非常小的。在这种情况下,为查询触发执行任务消耗的时间可能会比实际job的执行时间要多的多。对于大多数这种情况,Hive可以通过本地模式在单台机器上处理所有的任务。对于小数据集,执行时间可以明显被缩短

    用户可以通过设置hive.exec.mode.local.auto的值为true,来让Hive在适当的时候自动启动这个优化。

1
2
3
4
5
6
7
8
9
set hive.exec.mode.local.auto=true;  //开启本地mr

//设置local mr的最大输入数据量,当输入数据量小于这个值时采用local mr的方式,默认为134217728,即128M

set hive.exec.mode.local.auto.inputbytes.max=50000000;

//设置local mr的最大输入文件个数,当输入文件个数小于这个值时采用local mr的方式,默认为4

set hive.exec.mode.local.auto.input.files.max=10;

案例实操

1.开启本地模式,并执行查询语句(注意重启Hive)

1
2
3
hive (default)> set hive.exec.mode.local.auto=true; 

hive (default)> select * from emp cluster by deptno;

Time taken: 1.328 seconds, Fetched: 14 row(s)

2.关闭本地模式,并执行查询语句

1
2
3
hive (default)> set hive.exec.mode.local.auto=false; 

hive (default)> select * from emp cluster by deptno;

Time taken: 20.09 seconds, Fetched: 14 row(s)

三.表的优化

1. 小表、大表Join

    将key相对分散,并且数据量小的表放在join的左边,这样可以有效减少内存溢出错误发生的几率;再进一步,可以使用Group变小的维度表(1000条以下的记录条数)先进内存。在map端完成reduce(预聚合)。

    实际测试发现:新版的hive已经对小表JOIN大表和大表JOIN小表进行了优化。小表放在左边和右边已经没有明显区别。

案例实操

(0)需求:测试大表JOIN小表和小表JOIN大表的效率
(1)建大表、小表和JOIN后表的语句
1
2
3
4
5
6
7
8
// 创建大表
create table bigtable(id bigint, time bigint, uid string, keyword string, url_rank int, click_num int, click_url string) row format delimited fields terminated by '\t';

// 创建小表
create table smalltable(id bigint, time bigint, uid string, keyword string, url_rank int, click_num int, click_url string) row format delimited fields terminated by '\t';

// 创建join后表的语句
create table jointable(id bigint, time bigint, uid string, keyword string, url_rank int, click_num int, click_url string) row format delimited fields terminated by '\t';
(2)分别向大表和小表中导入数据
1
2
3
hive (default)> load data local inpath '/opt/module/datas/bigtable' into table bigtable;

hive (default)>load data local inpath '/opt/module/datas/smalltable' into table smalltable;
(3)关闭mapjoin功能(默认是打开的)
1
set hive.auto.convert.join = false;
(4)执行小表JOIN大表语句
1
2
3
4
5
6
7
8
9
insert overwrite table jointable

select b.id, b.time, b.uid, b.keyword, b.url_rank, b.click_num, b.click_url

from smalltable s

left join bigtable b

on b.id = s.id;
(5)执行大表JOIN小表语句
1
2
3
4
5
6
7
8
9
insert overwrite table jointable

select b.id, b.time, b.uid, b.keyword, b.url_rank, b.click_num, b.click_url

from bigtable b

left join smalltable s

on s.id = b.id;

2.大表Join大表

(1).空KEY过滤

    有时join超时是因为某些key对应的数据太多,而相同key对应的数据都会发送到相同的reducer上,从而导致内存不够。此时我们应该仔细分析这些异常的key,很多情况下,这些key对应的数据是异常数据,我们需要在SQL语句中进行过滤。例如key对应的字段为空,操作如下:

案例实操

(a)配置历史服务器

配置mapred-site.xml

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
<property>

<name>mapreduce.jobhistory.address</name>

<value>bigdata111:10020</value>

</property>

<property>

<name>mapreduce.jobhistory.webapp.address</name>

<value>bigdata111:19888</value>

</property>

启动历史服务器

1
sbin/mr-jobhistory-daemon.sh start historyserver

查看jobhistory

http://192.168.1.102:19888/jobhistory

(b)创建原始数据表、空id表、合并后数据表
1
2
3
4
5
6
7
8
// 创建原始表
create table ori(id bigint, time bigint, uid string, keyword string, url_rank int, click_num int, click_url string) row format delimited fields terminated by '\t';

// 创建空id表
create table nullidtable(id bigint, time bigint, uid string, keyword string, url_rank int, click_num int, click_url string) row format delimited fields terminated by '\t';

// 创建join后表的语句
create table jointable(id bigint, time bigint, uid string, keyword string, url_rank int, click_num int, click_url string) row format delimited fields terminated by '\t';
(c )分别加载原始数据和空id数据到对应表中
1
2
3
hive (default)> load data local inpath '/opt/module/datas/ori' into table ori;

hive (default)> load data local inpath '/opt/module/datas/nullid' into table nullidtable;
(d)测试不过滤空id
1
2
3
hive (default)> insert overwrite table jointable 

select n.* from nullidtable n left join ori o on n.id = o.id;

Time taken: 42.038 seconds

Time taken: 37.284 seconds

Time taken: 97.281 seconds

(e)测试过滤空id
1
2
3
hive (default)> insert overwrite table jointable 

select n.* from (select * from nullidtable where id is not null ) n left join ori o on n.id = o.id;

Time taken: 31.725 seconds

Time taken: 28.876 seconds

(2).空key转换

    有时虽然某个key为空对应的数据很多,但是相应的数据不是异常数据,必须要包含在join的结果中,此时我们可以表a中key为空的字段赋一个随机的值,使得数据随机均匀地分不到不同的reducer上。例如:

案例实操:

不随机分布空null值:

(a)设置5个reduce个数
1
set mapreduce.job.reduces = 5;
(b)JOIN两张表
1
2
3
insert overwrite table jointable

select n.* from nullidtable n left join ori b on n.id = b.id;

结果:可以看出来,出现了数据倾斜,某些reducer的资源消耗远大于其他reducer

随机分布空null值

(a)设置5个reduce个数
1
set mapreduce.job.reduces = 5;
(b)JOIN两张表
1
2
3
insert overwrite table jointable
select n.* from nullidtable n full join ori o on
case when n.id is null then concat('hive', rand()) else n.id end = o.id;

结果:可以看出来,消除了数据倾斜,负载均衡reducer的资源消耗

3.MapJoin

    如果不指定MapJoin或者不符合MapJoin的条件,那么Hive解析器会将Join操作转换成Common Join,即:在Reduce阶段完成join。容易发生数据倾斜。可以用MapJoin把小表全部加载到内存在map端进行join,避免reducer处理。

(1).开启MapJoin参数设置:
(a)设置自动选择Mapjoin
1
2
set hive.auto.convert.join = true;
//默认为true
(b)大表小表的阈值设置(默认25M一下认为是小表):
1
set hive.mapjoin.smalltable.filesize=25000000;
(2).MapJoin工作机制

案例实操

(a)开启Mapjoin功能
1
set hive.auto.convert.join = true; 默认为true
(b)执行小表JOIN大表语句
1
2
3
4
5
insert overwrite table jointable
select b.id, b.time, b.uid, b.keyword, b.url_rank, b.click_num, b.click_url
from smalltable s
join bigtable b
on s.id = b.id;

Time taken: 24.594 seconds

(c )执行大表JOIN小表语句
1
2
3
4
5
insert overwrite table jointable
select b.id, b.time, b.uid, b.keyword, b.url_rank, b.click_num, b.click_url
from bigtable b
join smalltable s
on s.id = b.id;

Time taken: 24.315 seconds

4.Group By

    默认情况下,Map阶段同一Key数据分发给一个reduce,当一个key数据过大时就倾斜了。

    并不是所有的聚合操作都需要在Reduce端完成,很多聚合操作都可以先在Map端进行部分聚合,最后在Reduce端得出最终结果。

(1).开启Map端聚合参数设置
(a)是否在Map端进行聚合,默认为True
1
set hive.map.aggr = true
(b)在Map端进行聚合操作的条目数目
1
set hive.groupby.mapaggr.checkinterval = 100000
(c )有数据倾斜的时候进行负载均衡(默认是false)
1
set hive.groupby.skewindata = true

    当选项设定为 true,生成的查询计划会有两个MR Job。第一个MR Job中,Map的输出结果会随机分布到Reduce中,每个Reduce做部分聚合操作,并输出结果,这样处理的结果是相同的Group By Key有可能被分发到不同的Reduce中,从而达到负载均衡的目的;第二个MR Job再根据预处理的数据结果按照Group By Key分布到Reduce中(这个过程可以保证相同的Group By Key被分布到同一个Reduce中),最后完成最终的聚合操作。

5.Count(Distinct) 去重统计

    数据量小的时候无所谓,数据量大的情况下,由于COUNT DISTINCT操作需要用一个Reduce Task来完成,这一个Reduce需要处理的数据量太大,就会导致整个Job很难完成,一般COUNT DISTINCT使用先GROUP BY再COUNT的方式替换:

案例实操

(1)创建一张大表
1
hive (default)> create table bigtable(id bigint, time bigint, uid string, keyword string, url_rank int, click_num int, click_url string) row format delimited fields terminated by '\t';
(2)加载数据
1
hive (default)> load data local inpath '/opt/module/datas/bigtable' into table bigtable;
(3)设置5个reduce个数
1
set mapreduce.job.reduces = 5;
(4)执行去重id查询
1
hive (default)> select count(distinct id) from bigtable;

Stage-Stage-1: Map: 1 Reduce: 1 Cumulative CPU: 7.12 sec HDFS Read: 120741990 HDFS Write: 7 SUCCESS
Total MapReduce CPU Time Spent: 7 seconds 120 msec
OK
c0
100001
Time taken: 23.607 seconds, Fetched: 1 row(s)

(5)采用GROUP by去重id(推荐)
1
hive (default)> select count(id) from (select id from bigtable group by id) a;

Stage-Stage-1: Map: 1 Reduce: 5 Cumulative CPU: 17.53 sec HDFS Read: 120752703 HDFS Write: 580 SUCCESS
Stage-Stage-2: Map: 1 Reduce: 1 Cumulative CPU: 4.29 sec HDFS Read: 9409 HDFS Write: 7 SUCCESS
Total MapReduce CPU Time Spent: 21 seconds 820 msec
OK
_c0
100001
Time taken: 50.795 seconds, Fetched: 1 row(s)

    虽然会多用一个Job来完成,但在数据量大的情况下,这个绝对是值得的。

6. 笛卡尔积

    尽量避免笛卡尔积,join的时候不加on条件,或者无效的on条件,Hive只能使用1个reducer来完成笛卡尔积。

7.行列过滤

    列处理:在SELECT中,只拿需要的列,如果有,尽量使用分区过滤,少用SELECT *。

    行处理:在分区剪裁中,当使用外关联时,如果将副表的过滤条件写在Where后面,那么就会先全表关联,之后再过滤,总而言之,就是先where还是先join的执行顺序的问题,以下两种,经过SQL优化器,执行效果大体一样。比如:

案例实操

(1)测试先关联两张表,再用where条件过滤
1
2
3
hive (default)> select o.id from bigtable b
join ori o on o.id = b.id
where o.id <= 10;

Time taken: 34.406 seconds, Fetched: 100 row(s)

(2)通过子查询后,再关联表
1
2
hive (default)> select b.id from bigtable b
join (select id from ori where id <= 10 ) o on b.id = o.id;

Time taken: 30.058 seconds, Fetched: 100 row(s)

8.动态分区调整

    关系型数据库中,对分区表Insert数据时候,数据库自动会根据分区字段的值,将数据插入到相应的分区中,Hive中也提供了类似的机制,即动态分区(Dynamic Partition),只不过,使用Hive的动态分区,需要进行相应的配置。

(1).开启动态分区参数设置
(a)开启动态分区功能(默认true,开启)
1
set hive.exec.dynamic.partition=true
(b)设置为非严格模式(动态分区的模式,默认strict,表示必须指定至少一个分区为静态分区,nonstrict模式表示允许所有的分区字段都可以使用动态分区)
1
set hive.exec.dynamic.partition.mode=nonstrict
(c )在所有执行MR的节点上,最大一共可以创建多少个动态分区。(默认1000)
1
set hive.exec.max.dynamic.partitions=1000
(d)在每个执行MR的节点上,最大可以创建多少个动态分区。该参数需要根据实际的数据来设定。比如:源数据中包含了一年的数据,即day字段有365个值,那么该参数就需要设置成大于365,如果使用默认值100,则会报错。
1
set hive.exec.max.dynamic.partitions.pernode=100
(e)整个MR Job中,最大可以创建多少个HDFS文件。(默认值100000)
1
set hive.exec.max.created.files=100000
(f)当有空分区生成时,是否抛出异常。一般不需要设置。(默认false)
1
set hive.error.on.empty.partition=false
(2).案例实操

    需求:将ori中的数据按照时间(如:20111230000008),插入到目标表ori_partitioned_target的相应分区中。

(a)创建分区表
1
2
3
create table ori_partitioned(id bigint, time bigint, uid string, keyword string, url_rank int, click_num int, click_url string) 
partitioned by (p_time bigint)
row format delimited fields terminated by '\t';
(b)加载数据到分区表中
1
2
hive (default)> load data local inpath '/opt/module/datas/ds1' into table ori_partitioned partition(p_time='20111230000010') ;
hive (default)> load data local inpath '/opt/module/datas/ds2' into table ori_partitioned partition(p_time='20111230000011') ;
(c )创建目标分区表
1
create table ori_partitioned_target(id bigint, time bigint, uid string, keyword string, url_rank int, click_num int, click_url string) PARTITIONED BY (p_time STRING) row format delimited fields terminated by '\t';
(d)设置动态分区
1
2
3
4
5
6
7
8
9
set hive.exec.dynamic.partition = true;  //(默认true)
set hive.exec.dynamic.partition.mode = nonstrict; //(默认strict)
set hive.exec.max.dynamic.partitions = 1000; //(默认1000)
set hive.exec.max.dynamic.partitions.pernode = 100; //(默认100)
set hive.exec.max.created.files = 100000; //(默认值100000)
set hive.error.on.empty.partition = false; //(默认值false)

hive (default)> insert overwrite table ori_partitioned_target partition (p_time)
select id, time, uid, keyword, url_rank, click_num, click_url, p_time from ori_partitioned;
(e)查看目标分区表的分区情况
1
hive (default)> show partitions ori_partitioned_target;
(f)如果不设置非严格模式,报错如下

FAILED: SemanticException [Error 10096]: Dynamic partition strict mode requires at least one static partition column. To turn this off set hive.exec.dynamic.partition.mode=nonstrict

9. 分桶

10.分区

四.数据倾斜

1.合理设置Map数

(1).通常情况下,作业会通过input的目录产生一个或者多个map任务。

    主要的决定因素有:input的文件总个数,input的文件大小,集群设置的文件块大小。

(2).是不是map数越多越好?

    答案是否定的。如果一个任务有很多小文件(远远小于块大小128m),则每个小文件也会被当做一个块,用一个map任务来完成,而一个map任务启动和初始化的时间远远大于逻辑处理的时间,就会造成很大的资源浪费。而且,同时可执行的map数是受限的。

(3).是不是保证每个map处理接近128m的文件块,就高枕无忧了?

    答案也是不一定。比如有一个127m的文件,正常会用一个map去完成,但这个文件只有一个或者两个小字段,却有几千万的记录,如果map处理的逻辑比较复杂,用一个map任务去做,肯定也比较耗时。
针对上面的问题2和3,我们需要采取两种方式来解决:即减少map数和增加map数;

2.小文件进行合并

    在map执行前合并小文件,减少map数:CombineHiveInputFormat具有对小文件进行合并的功能(系统默认的格式)。HiveInputFormat没有对小文件合并功能。

1
set hive.input.format= org.apache.hadoop.hive.ql.io.CombineHiveInputFormat;

3.复杂文件增加Map数

    当input的文件都很大,任务逻辑复杂,map执行非常慢的时候,可以考虑增加Map数,来使得每个map处理的数据量减少,从而提高任务的执行效率。

    增加map的方法为:根据computeSliteSize(Math.max(minSize,Math.min(maxSize,blocksize)))=blocksize=128M公式,调整maxSize最大值。让maxSize最大值低于blocksize就可以增加map的个数。

案例实操

(1)执行查询
1
hive (default)> select count(*) from emp;

Hadoop job information for Stage-1: number of mappers: 1; number of reducers: 1

(2)设置最大切片值为100个字节
1
2
hive (default)> set mapreduce.input.fileinputformat.split.maxsize=100;
hive (default)> select count(*) from emp;

Hadoop job information for Stage-1: number of mappers: 6; number of reducers: 1

4. 合理设置Reduce数

(1).调整reduce个数方法一
(a)每个Reduce处理的数据量默认是256MB
1
set hive.exec.reducers.bytes.per.reducer=256000000
(b)每个任务最大的reduce数,默认为1009
1
set hive.exec.reducers.max=1009
(c )计算reducer数的公式
1
N=min(参数2=1009,总输入数据量/参数1=?)
(2).调整reduce个数方法二

在hadoop的mapred-default.xml文件中修改
设置每个job的Reduce个数

1
set mapreduce.job.reduces = 5;
(3).reduce个数并不是越多越好
(a)过多的启动和初始化reduce也会消耗时间和资源;
(b)另外,有多少个reduce,就会有多少个输出文件,如果生成了很多个小文件,那么如果这些小文件作为下一个任务的输入,则也会出现小文件过多的问题;

    在设置reduce个数的时候也需要考虑这两个原则:处理大数据量利用合适的reduce数;使单个reduce任务处理数据量大小要合适;

五. 并行执行

    Hive会将一个查询转化成一个或者多个阶段。这样的阶段可以是MapReduce阶段、抽样阶段、合并阶段、limit阶段。或者Hive执行过程中可能需要的其他阶段。默认情况下,Hive一次只会执行一个阶段。不过,某个特定的job可能包含众多的阶段,而这些阶段可能并非完全互相依赖的,也就是说有些阶段是可以并行执行的,这样可能使得整个job的执行时间缩短。不过,如果有更多的阶段可以并行执行,那么job可能就越快完成。

    通过设置参数hive.exec.parallel值为true,就可以开启并发执行。不过,在共享集群中,需要注意下,如果job中并行阶段增多,那么集群利用率就会增加。

1
2
set hive.exec.parallel=true;              //打开任务并行执行,默认false
set hive.exec.parallel.thread.number=16; //同一个sql允许最大并行度,默认为8。

    当然,得是在系统资源比较空闲的时候才有优势,否则,没资源,并行也起不来。

六.严格模式

    Hive提供了一个严格模式,可以防止用户执行那些可能意向不到的不好的影响的查询。

    通过设置属性hive.mapred.mode值为默认是非严格模式nonstrict 。开启严格模式需要修改hive.mapred.mode值为strict,开启严格模式可以禁止3种类型的查询。

1
2
3
4
5
6
7
8
9
10
11
12
13
<property>
<name>hive.mapred.mode</name>
<value>strict</value>
<description>
The mode in which the Hive operations are being performed.
In strict mode, some risky queries are not allowed to run. They include:
Cartesian Product.
No partition being picked up for a query.
Comparing bigints and strings.
Comparing bigints and doubles.
Orderby without limit.
</description>
</property>

1.对于分区表,除非where语句中含有分区字段过滤条件来限制范围,否则不允许执行。换句话说,就是用户不允许扫描所有分区。进行这个限制的原因是,通常分区表都拥有非常大的数据集,而且数据增加迅速。没有进行分区限制的查询可能会消耗令人不可接受的巨大资源来处理这个表。

2.对于使用了order by语句的查询,要求必须使用limit语句。因为order by为了执行排序过程会将所有的结果数据分发到同一个Reducer中进行处理,强制要求用户增加这个LIMIT语句可以防止Reducer额外执行很长一段时间。

3.限制笛卡尔积的查询。对关系型数据库非常了解的用户可能期望在执行JOIN查询的时候不使用ON语句而是使用where语句,这样关系数据库的执行优化器就可以高效地将WHERE语句转化成那个ON语句。不幸的是,Hive并不会执行这种优化,因此,如果表足够大,那么这个查询就会出现不可控的情况

七. JVM重用

    JVM重用是Hadoop调优参数的内容,其对Hive的性能具有非常大的影响,特别是对于很难避免小文件的场景或task特别多的场景,这类场景大多数执行时间都很短。

    Hadoop的默认配置通常是使用派生JVM来执行map和Reduce任务的。这时JVM的启动过程可能会造成相当大的开销,尤其是执行的job包含有成百上千task任务的情况。JVM重用可以使得JVM实例在同一个job中重新使用N次。N的值可以在Hadoop的mapred-site.xml文件中进行配置。通常在10-20之间,具体多少需要根据具体业务场景测试得出。

1
2
3
4
5
6
7
<property>
<name>mapreduce.job.jvm.numtasks</name>
<value>10</value>
<description>How many tasks to run per jvm. If set to -1, there is
no limit.
</description>
</property>

    这个功能的缺点是,开启JVM重用将一直占用使用到的task插槽,以便进行重用,直到任务完成后才能释放。如果某个“不平衡的”job中有某几个reduce task执行的时间要比其他Reduce task消耗的时间多的多的话,那么保留的插槽就会一直空闲着却无法被其他的job使用,直到所有的task都结束了才会释放。

八.推测执行

    在分布式集群环境下,因为程序Bug(包括Hadoop本身的bug),负载不均衡或者资源分布不均等原因,会造成同一个作业的多个任务之间运行速度不一致,有些任务的运行速度可能明显慢于其他任务(比如一个作业的某个任务进度只有50%,而其他所有任务已经运行完毕),则这些任务会拖慢作业的整体执行进度。为了避免这种情况发生,Hadoop采用了推测执行(Speculative Execution)机制,它根据一定的法则推测出“拖后腿”的任务,并为这样的任务启动一个备份任务,让该任务与原始任务同时处理同一份数据,并最终选用最先成功运行完成任务的计算结果作为最终结果。

    设置开启推测执行参数:Hadoop的mapred-site.xml文件中进行配置

1
2
3
4
5
6
7
8
9
10
11
<property>
<name>mapreduce.map.speculative</name>
<value>true</value>
<description>If true, then multiple instances of some map tasks may be executed in parallel.</description>
</property>

<property>
<name>mapreduce.reduce.speculative</name>
<value>true</value>
<description>If true, then multiple instances of some reduce tasks may be executed in parallel.</description>
</property>

不过hive本身也提供了配置项来控制reduce-side的推测执行:

1
2
3
4
5
<property>
<name>hive.mapred.reduce.tasks.speculative.execution</name>
<value>true</value>
<description>Whether speculative execution for reducers should be turned on. </description>
</property>

    关于调优这些推测执行变量,还很难给一个具体的建议。如果用户对于运行时的偏差非常敏感的话,那么可以将这些功能关闭掉。如果用户因为输入数据量很大而需要执行长时间的map或者Reduce task的话,那么启动推测执行造成的浪费是非常巨大大。

九. 压缩

详见之前的文章。

十. 执行计划(Explain)

1.基本语法

1
EXPLAIN [EXTENDED | DEPENDENCY | AUTHORIZATION] query

2.案例实操

(1)查看下面这条语句的执行计划
1
2
hive (default)> explain select * from emp;
hive (default)> explain select deptno, avg(sal) avg_sal from emp group by deptno;
(2)查看详细执行计划
1
2
hive (default)> explain extended select * from emp;
hive (default)> explain extended select deptno, avg(sal) avg_sal from emp group by deptno;

以下是在MySQL中的显示

EXPLAIN字段

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
Table:显示这一行的数据是关于哪张表的
possible_keys:显示可能应用在这张表中的索引。如果为空,没有可能的索引。可以为相关的域从WHERE语句中选择一个合适的语句
key:实际使用的索引。如果为NULL,则没有使用索引。MYSQL很少会选择优化不足的索引,此时可以在SELECT语句中使用USE INDEX(index)来强制使用一个索引或者用IGNORE INDEX(index)来强制忽略索引
key_len:使用的索引的长度。在不损失精确性的情况下,长度越短越好
ref:显示索引的哪一列被使用了,如果可能的话,是一个常数
rows:MySQL认为必须检索的用来返回请求数据的行数
type:这是最重要的字段之一,显示查询使用了何种类型。从最好到最差的连接类型为system、const、eq_reg、ref、range、index和ALL
system、const:可以将查询的变量转为常量. 如id=1; id为 主键或唯一键.
eq_ref:访问索引,返回某单一行的数据.(通常在联接时出现,查询使用的索引为主键或惟一键)
ref:访问索引,返回某个值的数据.(可以返回多行) 通常使用=时发生
range:这个连接类型使用索引返回一个范围中的行,比如使用>或<查找东西,并且该字段上建有索引时发生的情况(注:不一定好于index)
index:以索引的顺序进行全表扫描,优点是不用排序,缺点是还要全表扫描
ALL:全表扫描,应该尽量避免
Extra:关于MYSQL如何解析查询的额外信息,主要有以下几种
using index:只用到索引,可以避免访问表.
using where:使用到where来过虑数据. 不是所有的where clause都要显示using where. 如以=方式访问索引.
using tmporary:用到临时表
using filesort:用到额外的排序. (当使用order by v1,而没用到索引时,就会使用额外的排序)
range checked for eache record(index map:N):没有好的索引.

Hive之函数

一.系统自带的函数

1.查看系统自带的函数

1
hive> show functions;

2.显示自带的函数的用法

1
hive> desc function upper;

3.详细显示自带的函数的用法

1
hive> desc function extended upper;

二. 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
1
add jar linux_jar_path
(b)创建function,
1
create [temporary] function [dbname.]function_name AS class_name;
(4)在hive的命令行窗口删除函数
1
Drop [temporary] function [if exists] [dbname.]function_name;

6.注意事项

(1)UDF必须要有返回类型,可以返回null,但是返回类型不能为void;

三. 自定义UDF函数开发案例

1.创建一个maven工程:

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.添加pomy依赖:

pom.xml

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
<dependencies>
<!-- https://mvnrepository.com/artifact/org.apache.hive/hive-metastore -->
<dependency>
<groupId>org.apache.hive</groupId>
<artifactId>hive-metastore</artifactId>
<version>2.3.0</version>
</dependency>

<!-- https://mvnrepository.com/artifact/org.apache.hive/hive-jdbc -->
<dependency>
<groupId>org.apache.hive</groupId>
<artifactId>hive-jdbc</artifactId>
<version>2.3.0</version>
</dependency>

<!-- https://mvnrepository.com/artifact/org.apache.hive/hive-exec -->
<dependency>
<groupId>org.apache.hive</groupId>
<artifactId>hive-exec</artifactId>
<version>2.3.0</version>
</dependency>

<!-- https://mvnrepository.com/artifact/org.apache.hive/hive-common -->
<dependency>
<groupId>org.apache.hive</groupId>
<artifactId>hive-common</artifactId>
<version>2.3.0</version>
</dependency>

</dependencies>

4.创建一个类

1
2
3
4
5
6
7
8
9
10
11
12
13
14
package HiveUDF;
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();
}
}

5.打成jar包上传到服务器/opt/module/jars/Hive-1.0-SNAPSHOT.jar

(1)打包:

(2)上传:

上传

6.将jar包添加到hive的classpath

1
hive (default)> add jar /opt/module/jars/Hive-1.0-SNAPSHOT.jar ;

7.创建临时函数与开发好的java class关联(全类名)

1
hive (default)> create temporary function udf_lower as "HiveUDF.Lower";

8.即可在hql中使用自定义的函数strip

1
hive (default)> select ename, udf_lower(ename) lowername from emp;

Hive 查询

一.基本查询(Select…From)

1.全表和特定列查询

(1).全表查询
1
hive (default)> select * from emp;
(2).选择特定列查询
1
hive (default)> select empno, ename from emp;

注意:

  • SQL 语言大小写不敏感。
  • SQL 可以写在一行或者多行
  • 关键字不能被缩写也不能分行
  • 各子句一般要分行写。
  • 使用缩进提高语句的可读性。

2. 列别名

(1).重命名一个列。
(2).便于计算。
(3).紧跟列名,也可以在列名和别名之间加入关键字‘AS’
(4).案例实操
(a)查询名称和部门
1
hive (default)> select ename AS name, deptno dn from emp;

3.算术运算符

运算符 描述
A+B A和B 相加
A-B A减去B
A*B A和B相乘
A/B A除以B
A%B A对B取余/模
A&B A和B按位取与
A|B A和B按位取或
A^B A和B按位取异或
~A A按位取反
(1)案例实操

查询出所有员工的薪水后加1显示。

1
hive (default)> select sal +1 from emp;

4.常用函数

(1).求总行数(count)
1
hive (default)> select count(1) cnt from emp;

(2).求工资的最大值(max)
1
hive (default)> select max(sal) max_sal from emp;

(3).求工资的最小值(min)
1
hive (default)> select min(sal) min_sal from emp;
(4).求工资的总和(sum)
1
hive (default)> select sum(sal) sum_sal from emp; 
(5).求工资的平均值(avg)
1
hive (default)> select avg(sal) avg_sal from emp;

5.Limit语句

典型的查询会返回多行数据。LIMIT子句用于限制返回的行数。

1
hive (default)> select * from emp limit 5;

二.Where语句

0.定义

(1).使用WHERE子句,将不满足条件的行过滤掉。
(2).WHERE子句紧随FROM子句。
(3).案例实操

查询出薪水大于1000的所有员工

1
hive (default)> select ename , sal from emp where sal > 1000;

1.比较运算符(Between/In/ Is Null)

(1).下面表中描述了谓词操作符,这些操作符同样可以用于JOIN…ON和HAVING语句中。
操作符 支持的数据类型 描述
A=B 基本数据类型 如果A等于B则返回TRUE,反之返回FALSE
A<=>B 基本数据类型 如果A和B都为NULL,则返回TRUE,其他的和等号(=)操作符的结果一致,如果任一为NULL则结果为NULL
A<>B, A!=B 基本数据类型 A或者B为NULL则返回NULL;如果A不等于B,则返回TRUE,反之返回FALSE
A<B 基本数据类型 A或者B为NULL,则返回NULL;如果A小于B,则返回TRUE,反之返回FALSE
A<=B 基本数据类型 A或者B为NULL,则返回NULL;如果A小于等于B,则返回TRUE,反之返回FALSE
A>B 基本数据类型 A或者B为NULL,则返回NULL;如果A大于B,则返回TRUE,反之返回FALSE
A>=B 基本数据类型 A或者B为NULL,则返回NULL;如果A大于等于B,则返回TRUE,反之返回FALSE
A [NOT] BETWEEN B AND C 基本数据类型 如果A,B或者C任一为NULL,则结果为NULL。如果A的值大于等于B而且小于或等于C,则结果为TRUE,反之为FALSE。如果使用NOT关键字则可达到相反的效果。
A IS NULL 所有数据类型 如果A等于NULL,则返回TRUE,反之返回FALSE
A IS NOT NULL 所有数据类型 如果A不等于NULL,则返回TRUE,反之返回FALSE
IN(数值1, 数值2) 所有数据类型 使用 IN运算显示列表中的值
A [NOT] LIKE B STRING 类型 B是一个SQL下的简单正则表达式,如果A与其匹配的话,则返回TRUE;反之返回FALSE。B的表达式说明如下:‘x%’表示A必须以字母‘x’开头,‘%x’表示A必须以字母’x’结尾,而‘%x%’表示A包含有字母’x’,可以位于开头,结尾或者字符串中间。如果使用NOT关键字则可达到相反的效果。
A RLIKE B, A REGEXP B STRING 类型 B是一个正则表达式,如果A与其匹配,则返回TRUE;反之返回FALSE。匹配使用的是JDK中的正则表达式接口实现的,因为正则也依据其中的规则。例如,正则表达式必须和整个字符串A相匹配,而不是只需与其字符串匹配。
(2).案例实操
(a)查询出薪水等于5000的所有员工
1
hive (default)> select * from emp where sal =5000;
(b)查询工资在500到1000的员工信息,注意between … and 是闭区间
1
hive (default)> select * from emp where sal between 500 and 1000;
(c )查询comm(奖金)为空的所有员工信息
1
hive (default)> select * from emp where comm is null;
(d)查询工资是1500和5000的员工信息
1
hive (default)> select * from emp where sal IN (1500, 5000);

2.Like和RLike

(1).使用LIKE运算选择类似的值
(2).选择条件可以包含字符或数字:
  • % 代表零个或多个字符(任意个字符)。

  • _ 代表一个字符。

(3).RLIKE子句是Hive中这个功能的一个扩展,其可以通过Java的正则表达式这个更强大的语言来指定匹配条件。
(4).案例实操
(a)查找以2开头薪水的员工信息
1
hive (default)> select * from emp where sal LIKE '2%';
(b)查找第二个数值为2的薪水的员工信息
1
hive (default)> select * from emp where sal LIKE '_2%';
(c )查找薪水中含有2的员工信息
1
hive (default)> select * from emp where sal RLIKE '[2]';

3.逻辑运算符(And/Or/Not)

操作符 含义
AND 逻辑并
OR 逻辑或
NOT 逻辑否

案例实操

(1)查询薪水大于1000,部门是30
1
hive (default)> select * from emp where sal>1000 and deptno=30;
(2)查询薪水大于1000,或者部门是30
1
hive (default)> select * from emp where sal>1000 or deptno=30;
(3)查询除了20部门和30部门以外的员工信息
1
hive (default)> select * from emp where deptno not IN(30, 20);

三. 分组

1.Group By语句

GROUP BY语句通常会和聚合函数一起使用,按照一个或者多个列队结果进行分组,然后对每个组执行聚合操作。

案例实操:

(1)计算emp表每个部门的平均工资
1
hive (default)> select t.deptno, avg(t.sal) avg_sal from emp t group by t.deptno;

(2)计算emp每个部门中每个岗位的最高薪水
1
hive (default)> select t.deptno, t.job, max(t.sal) max_sal from emp t group by t.deptno, t.job;

2. Having语句

(1).having与where不同点
  • where针对表中的列发挥作用,查询数据;having针对查询结果中的列发挥作用,筛选数据。

  • where后面不能写分组函数,而having后面可以使用分组函数。

  • having只用于group by分组统计语句。

(2).案例实操:
(a)求每个部门的平均薪水大于2000的部门

求每个部门的平均工资

1
hive (default)> select deptno, avg(sal) from emp group by deptno;

(b)求每个部门的平均薪水大于2000的部门
1
hive (default)> select deptno, avg(sal) avg_sal from emp group by deptno having avg_sal > 2000;

四.Join语句

1.等值Join

Hive支持通常的SQL JOIN语句,但是只支持等值连接,不支持非等值连接。

案例实操

(1)根据员工表和部门表中的部门编号相等,查询员工编号、员工名称和部门编号;
1
hive (default)> select e.empno, e.ename, d.deptno, d.dname from emp e join dept d on e.deptno = d.deptno;

同样与

1
hive (default)> select e.empno,e.ename,d.deptno,d.dname from emp e,dept d where e.deptno=d.deptno;

2. 表的别名

(1).好处
  • 使用别名可以简化查询。
  • 使用表名前缀可以提高执行效率。
(2).案例实操

合并员工表和部门表

1
hive (default)> select e.empno, e.ename, d.deptno from emp e join dept d on e.deptno = d.deptno;

3.内连接

内连接:只有进行连接的两个表中都存在与连接条件相匹配的数据才会被保留下来。

1
hive (default)> select e.empno, e.ename, d.deptno from emp e join dept d on e.deptno = d.deptno;

4.左外连接

左外连接:JOIN操作符左边表中符合WHERE子句的所有记录将会被返回。

1
hive (default)> select e.empno, e.ename, d.deptno from emp e left join dept d on e.deptno = d.deptno;

5.右外连接

右外连接:JOIN操作符右边表中符合WHERE子句的所有记录将会被返回。

1
hive (default)> select e.empno, e.ename, d.deptno from emp e right join dept d on e.deptno = d.deptno;

6.满外连接

满外连接:将会返回所有表中符合WHERE语句条件的所有记录。如果任一表的指定字段没有符合条件的值的话,那么就使用NULL值替代。

1
hive (default)> select e.empno, e.ename, d.deptno from emp e full join dept d on e.deptno = d.deptno;

7.多表连接

注意:连接 n个表,至少需要n-1个连接条件。例如:连接三个表,至少需要两个连接条件。

(0)数据准备
(1)创建位置表
1
2
3
4
5
create table if not exists default.location(
loc int,
loc_name string
)
row format delimited fields terminated by '\t';
(2)导入数据
1
hive (default)> load data local inpath '/opt/module/datas/location.txt' into table default.location;
(3)多表连接查询distinct
1
2
3
4
5
6
hive (default)>SELECT e.ename, d.deptno, l. loc_name
FROM emp e
JOIN dept d
ON d.deptno = e.deptno
JOIN location l
ON d.loc = l.loc;


    大多数情况下,Hive会对每对JOIN连接对象启动一个MapReduce任务。本例中会首先启动一个MapReduce job对表e和表d进行连接操作,然后会再启动一个MapReduce job将第一个MapReduce job的输出和表l;进行连接操作。

    注意:为什么不是表d和表l先进行连接操作呢?这是因为Hive总是按照从左到右的顺序执行的。

8.笛卡尔积

(1).笛卡尔集会在下面条件下产生:
  • 省略连接条件
  • 连接条件无效
  • 所有表中的所有行互相连接
(2).案例实操
1
hive (default)> select empno, deptno from emp, dept;

FAILED: SemanticException Column deptno Found in more than One Tables/Subqueries

9.连接谓词中不支持or

1
hive (default)> select e.empno, e.ename, d.deptno from emp e join dept d on e.deptno = d.deptno or e.ename=d.ename;  

五.排序

1.全局排序(Order By)

Order By:全局排序,一个MapReduce

(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。
(3).案例实操
(a)查询员工信息按工资升序排列
1
hive (default)> select * from emp order by sal;

(b)查询员工信息按工资降序排列
1
hive (default)> select * from emp order by sal desc;

2.按照别名排序

按照员工薪水的2倍排序

1
hive (default)> select ename, sal*2 twosal from emp order by twosal;

3.多个列排序

按照部门和工资升序排序

1
hive (default)> select ename, deptno, sal from emp order by deptno, sal ;

    注:这个是先按部门号排序,部门号相同,按薪水升序排序

4.每个MapReduce内部排序(Sort By)

    Sort By:每个MapReduce内部进行排序,分区规则按照key的hash来运算,(区内排序)对全局结果集来说不是排序。

(1).设置reduce个数
1
hive (default)> set mapreduce.job.reduces=3;
(2).查看设置reduce个数
1
hive (default)> set mapreduce.job.reduces;
(3).根据部门编号降序查看员工信息
1
hive (default)> select * from emp sort by empno desc;

(4).将查询结果导入到文件中(按照部门编号降序排序)
1
hive (default)> insert overwrite local directory '/opt/module/datas/emp.txt' row format delimited fields terminated by '\t' select * from emp sort by deptno desc;


5.分区排序(Distribute By)

Distribute By:类似MR中partition,进行分区,结合sort by使用。

    注意,Hive要求DISTRIBUTE BY语句要写在SORT BY语句之前。

    对于distribute by进行测试,一定要分配多reduce进行处理,否则无法看到distribute by的效果。

案例实操:

(1)先按照部门编号分区,再按照员工编号降序排序。
1
2
3
hive (default)> set mapreduce.job.reduces=3;

hive (default)> insert overwrite local directory '/opt/module/datas/distribute-result' row format delimited fields terminated by '\t' select * from emp distribute by deptno sort by empno desc;


6.Cluster 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。但是排序只能是倒序排序,不能指定排序规则为ASC或者DESC。

(1).以下两种写法等价
1
hive (default)> insert overwrite local directory '/opt/module/datas/cluster-result' row format delimited fields terminated by '\t' select * from emp cluster by deptno;


1
hive (default)> select * from emp distribute by deptno sort by deptno;

    注意:按照部门编号分区,不一定就是固定死的数值,可以是20号和30号部门分到一个分区里面去。

六.分桶及抽样查询

1.分桶表数据存储

    分区针对的是数据的存储路径;分桶针对的是数据文件。

    分区提供一个隔离数据和优化查询的便利方式。不过,并非所有的数据集都可形成合理的分区,特别是之前所提到过的要确定合适的划分大小这个疑虑。

    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。

(1).先创建分桶表,通过直接导入数据文件的方式
(a)数据准备
(b)创建分桶表
1
2
3
4
create table stu_buck(id int, name string)
clustered by(id)
into 4 buckets
row format delimited fields terminated by '\t';
(c )查看表结构
1
hive (default)> desc formatted stu_buck;

Num Buckets: 4

(d)导入数据到分桶表中
1
hive (default)> load data local inpath '/opt/module/datas/s/student.txt' into table stu_buck;
(e)查看创建的分桶表中是否分成4个桶

发现并没有分成4个桶。是什么原因呢?

(2).创建分桶表时,数据通过子查询的方式导入
(a)先建一个普通的stu表
1
2
create table stu(id int, name string)
row format delimited fields terminated by '\t';
(b)向普通的stu表中导入数据
1
load data local inpath '/opt/module/datas/s/student.txt' into table stu;
(c )清空stu_buck表中数据
1
2
3
truncate table stu_buck;

select * from stu_buck;
(d)导入数据到分桶表,通过子查询的方式
1
2
insert into table stu_buck
select id, name from stu;

(e)发现还是只有一个分桶

(g)需要设置一个属性
1
2
3
4
5
6
7
8
hive (default)> set hive.enforce.bucketing=true;

hive (default)> set mapreduce.job.reduces=-1;

hive (default)> truncate table stu_buck;

hive (default)> insert into table stu_buck
select id, name from stu;


(h)查询分桶的数据
1
hive (default)> select * from stu_buck;

2.分桶抽样查询

    对于非常大的数据集,有时用户需要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。

查询表stu_buck中的数据。

1
hive (default)> select * from stu_buck tablesample(bucket 1 out of 4 on id);

注:tablesample是抽样语句,语法:TABLESAMPLE(BUCKET x OUT OF y) 。

1
hive (default)> select * from stu_buck tablesample(bucket 1 out of 3 on id);

不是桶数的倍数或者因子也可以,但是不推荐。

    y必须是table总bucket数的倍数或者因子。hive根据y的大小,决定抽样的比例。例如,table总共分了4份,当y=2时,抽取(4/2=)2个bucket的数据,当y=8时,抽取(4/8=)1/2个bucket的数据。

1
hive (default)> select * from stu_buck tablesample(bucket 1 out of 2 on id);

image.png

    x表示从哪个bucket开始抽取。例如,table总bucket数为4,tablesample(bucket 4 out of 4),表示总共抽取(4/4=)1个bucket的数据,抽取第4个bucket的数据。

1
hive (default)> select * from stu_buck tablesample(bucket 1 out of 8 on id);

    注意:x的值必须小于等于y的值,否则

FAILED: SemanticException [Error 10061]: Numerator should not be bigger than denominator in sample clause for table stu_buck

3.数据块抽样

    Hive提供了另外一种按照百分比进行抽样的方式,这种是基于行数的,按照输入路径下的数据块百分比进行的抽样。

1
hive (default)> select * from stu tablesample(0.1 percent) ;

    提示:这种抽样方式不一定适用于所有的文件格式。另外,这种抽样的最小抽样单元是一个HDFS数据块。因此,如果表的数据大小小于普通的块大小128M的话,那么将会返回所有行。

Hive DML数据操作

一. 数据导入

1.向表中装载数据(Load)

(1).语法
1
hive>load data [local] inpath '/opt/module/datas/student.txt' [overwrite] into table student [partition (partcol1=val1,…)];

(a)load data:表示加载数据
(b)local:表示从本地加载数据到hive表;否则从HDFS加载数据到hive表
(c )inpath:表示加载数据的路径
(d)overwrite:表示覆盖表中已有数据,否则表示追加
(e)into table:表示加载到哪张表
(f)student:表示具体的表名
(g)partition:表示上传到指定分区

(2).实操案例
(a)创建一张表
1
hive (default)> create table student (id string, name string) row format delimited fields terminated by '\t';
(b)加载本地文件到hive
1
hive (default)> load data local inpath '/opt/module/datas/student.txt' into table default.student;
(c)加载HDFS文件到hive中

上传文件到HDFS

1
hive (default)> dfs -put /opt/module/datas/student.txt /user/movle/hive;

加载HDFS上数据

1
hive (default)>load data inpath '/user/movle/hive/student.txt' into table default.student;

(d)加载数据覆盖表中已有的数据

上传文件到HDFS

1
hive (default)> dfs -put /opt/module/datas/student.txt /user/movle/hive/;

加载数据覆盖表中已有的数据

1
hive (default)>load data inpath '/user/movle/hive/student.txt' overwrite into table default.student;

注:load hdfs的数据相当于mv文件到另一个目录中,原目录文件消失

2. 通过查询语句向表中插入数据(Insert)

(1)创建一张分区表
1
hive (default)> create table student6(id int, name string) partitioned by (month string) row format delimited fields terminated by '\t';
(2)基本插入数据
1
hive (default)> insert into table  student6 partition(month='201909') values(1,'wangwu');
(3)基本模式插入(根据单张表查询结果)
1
2
hive (default)> insert overwrite table student6 partition(month='201908')
select id, name from student6 where month='201909';

(4)多插入模式(根据多张表查询结果)
1
2
3
4
5
hive (default)> from student6
insert overwrite table student6 partition(month='201907')
select id, name where month='201909'
insert overwrite table student6 partition(month='201906')
select id, name where month='201909';

3.查询语句中创建表并加载数据(As Select)

详见5章创建表。
根据查询结果创建表(查询的结果会添加到新创建的表中)

1
2
create table if not exists student7
as select id, name from student;

4.创建表时通过Location指定加载数据路径

(1).创建表,并指定在hdfs上的位置
1
2
3
4
5
hive (default)> create table if not exists student5(
id int, name string
)
row format delimited fields terminated by '\t'
location '/user/hive/warehouse/student5';
(2)上传数据到hdfs上
1
hive (default)> dfs -put /opt/module/datas/student.txt  /user/hive/warehouse/student5;
(3)查询数据
1
hive (default)> select * from student5;

5.Import数据到指定Hive表中

注意:先用export导出后,再将数据导入。同在HDFS上是Copy级操作
先导出:

1
hive (default)> export table default.student6 to '/user/hive/warehouse/export/student';

再导入:

1
hive (default)> import table student2 partition(month='201909') from '/user/hive/warehouse/export/student';

二. 数据导出

1. Insert导出

(1).将查询的结果导出到本地,数据之间无间隔
1
2
hive (default)> insert overwrite local directory '/opt/module/datas/export/student'
select * from student;


(2)将查询的结果格式化导出到本地,数据之间”\t”间隔
1
2
3
hive (default)> insert overwrite local directory '/opt/module/datas/export/student1'
ROW FORMAT DELIMITED FIELDS TERMINATED BY '\t'
select * from student;

(3)将查询的结果导出到HDFS上(没有local)
1
2
3
hive (default)> insert overwrite directory '/user/movle/student2'
ROW FORMAT DELIMITED FIELDS TERMINATED BY '\t'
select * from student;


注:虽然同是HDFS,但不是copy操作

2.Hadoop命令导出到本地

1
hive (default)> dfs -get /user/hive/warehouse/student6/month=201909/000000_0  /opt/module/datas/export/student3.txt;

3.Hive Shell 命令导出

基本语法:(hive -f/-e 执行语句或者脚本 > file)

1
bin/hive -e 'select * from default.student;' > /opt/module/datas/export/student4.txt;

4. Export导出到HDFS上

1
hive (default)> export table default.student to '/user/hive/warehouse/export/student2';



5.Sqoop导出

三.清除表中数据(Truncate)

注意:Truncate只能删除管理表,不能删除外部表中数据

1
hive (default)> truncate table student;

Hive DDL数据定义

一.创建数据库

1.创建一个数据库,数据库在HDFS上的默认存储路径是/user/hive/warehouse/*.db。

1
hive (default)> create database db_hive;

可能出现的报错:

1
FAILED: Execution Error, return code 1 from org.apache.hadoop.hive.ql.exec.DDLTask. MetaException(message:For direct MetaStore DB connections, we don't support retries at the client level.)

解决办法https://blog.csdn.net/mo_ing/article/details/81219533

个人解决版本:使用mysql-connector-java-5.1.27.jar,而不是mysql-connector-java-5.1.18.jar

2.避免要创建的数据库已经存在错误,增加if not exists判断。(标准写法)

1
hive> create database db_hive;

FAILED: Execution Error, return code 1 from org.apache.hadoop.hive.ql.exec.DDLTask. Database db_hive already exists

标准写法:

1
hive (default)> create database if not exists db_hive;

3.创建一个数据库,指定数据库在HDFS上存放的位置

1
hive (default)> create database db_hive2 location '/db_hive2.db';

二.修改数据库

    用户可以使用ALTER DATABASE命令为某个数据库的DBPROPERTIES设置键-值对属性值,来描述这个数据库的属性信息。数据库的其他元数据信息都是不可更改的,包括数据库名和数据库所在的目录位置。

1
hive (default)> alter database db_hive set dbproperties('createtime'='20190506');

在mysql中查看修改结果

1
hive> desc database extended db_hive;

三.查询数据库

1.显示数据库

(1)显示数据库
1
hive> show databases;
(2)过滤显示查询的数据库
1
hive> show databases like 'db_hive*';

2. 查看数据库详情

(1)显示数据库信息
1
hive> desc database db_hive;
(2)显示数据库详细信息,extended
1
hive> desc database extended db_hive;

3.切换当前数据库

1
hive (default)> use db_hive;

image.png

四.删除数据库

1.删除空数据库

1
hive>drop database db_hive2;

2.如果删除的数据库不存在,最好采用 if exists判断数据库是否存在

1
hive> drop database db_hive2;

正确做法:

1
hive> drop database if exists db_hive2;

3.如果数据库不为空,可以采用cascade命令,强制删除

1
hive> drop database db_hive;

正确做法:

1
hive> drop database db_hive cascade;

五.创建表

1.建表语法

1
CREATE [EXTERNAL] TABLE [IF NOT EXISTS] table_name 
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
[(col_name data_type [COMMENT col_comment], ...)] 

[COMMENT table_comment]

[PARTITIONED BY (col_name data_type [COMMENT col_comment], ...)]

[CLUSTERED BY (col_name, col_name, ...)

[SORTED BY (col_name [ASC|DESC], ...)] INTO num_buckets BUCKETS]

[ROW FORMAT row_format]

[STORED AS file_format]

[LOCATION hdfs_path]

2..字段解释说明:

(1)CREATE TABLE 创建一个指定名字的表。

如果相同名字的表已经存在,则抛出异常;用户可以用 IF NOT EXISTS 选项来忽略这个异常。

(2)EXTERNAL关键字可以让用户创建一个外部表

在建表的同时指定一个指向实际数据的路径(LOCATION),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。

(3)COMMENT:为表和列添加注释。
(4)PARTITIONED BY 创建分区表
(5)CLUSTERED BY 创建分桶表
(6)SORTED BY 不常用
(7)ROW FORMAT

DELIMITED [FIELDS TERMINATED BY char] [COLLECTION ITEMS TERMINATED BY char] [MAP KEYS TERMINATED BY char] [LINES TERMINATED BY char] | SERDE serde_name [WITH SERDEPROPERTIES (property_name=property_value, property_name=property_value, …)]

    用户在建表的时候可以自定义SerDe或者使用自带的SerDe。如果没有指定ROW FORMAT 或者ROW FORMAT DELIMITED,将会使用自带的SerDe。在建表的时候,用户还需要为表指定列,用户在指定表的列的同时也会指定自定义的SerDe,Hive通过SerDe确定表的具体的列的数据。

(8)STORED AS指定存储文件类型

    常用的存储文件类型:SEQUENCEFILE(二进制序列文件)、TEXTFILE(文本)、RCFILE(列式存储格式文件)
    如果文件数据是纯文本,可以使用STORED AS TEXTFILE。如果数据需要压缩,使用 STORED AS SEQUENCEFILE。

(9)LOCATION :指定表在HDFS上的存储位置。
(10)LIKE允许用户复制现有的表结构,但是不复制数据。

六.管理表

1.理论

    默认创建的表都是所谓的管理表,有时也被称为内部表。因为这种表,Hive会(或多或少地)控制着数据的生命周期。Hive默认情况下会将这些表的数据存储在由配置项hive.metastore.warehouse.dir(例如,/user/hive/warehouse)所定义的目录的子目录下。 当我们删除一个管理表时,Hive也会删除这个表中数据。管理表不适合和其他工具共享数据。

2.案例实操

(1)普通创建表
1
2
3
4
5
6
7
8
9
10
11
create table if not exists student2(

id int, name string

)

row format delimited fields terminated by '\t'

stored as textfile

location '/user/hive/warehouse/student2';
(2)根据查询结果创建表(查询的结果会添加到新创建的表中)
1
2
create table if not exists student3
as select id from student;

(3)根据已经存在的表结构创建表
1
create table if not exists student4 like student;
(4)查询表的类型
1
hive (default)> desc formatted student4;

七. 外部表

1.理论

    因为表是外部表,所以Hive并非认为其完全拥有这份数据。删除该表并不会删除掉这份数据,不过描述表的元数据信息会被删除掉。

2.管理表和外部表的使用场景:

    每天将收集到的网站日志定期流入HDFS文本文件。在外部表(原始日志表)的基础上做大量的统计分析,用到的中间表、结果表使用内部表存储,数据通过SELECT+INSERT进入内部表。

3.案例实操

分别创建部门和员工外部表,并向表中导入数据。

(1)原始数据
(2)建表语句

创建部门表

1
2
3
4
5
6
create external table if not exists default.dept(
deptno int,
dname string,
loc int
)
row format delimited fields terminated by '\t';


创建员工表

1
2
3
4
5
6
7
8
9
10
create external table if not exists default.emp(
empno int,
ename string,
job string,
mgr int,
hiredate string,
sal double,
comm double,
deptno int)
row format delimited fields terminated by '\t';
(3)查看创建的表
1
hive (default)> show tables;

查看创建的表

(4)向外部表中导入数据

导入数据

1
2
3
hive (default)> load data local inpath '/opt/module/datas/dept.txt' into table default.dept;

hive (default)> load data local inpath '/opt/module/datas/emp.txt' into table default.emp;

查询结果

1
2
3
hive (default)> select * from emp;

hive (default)> select * from dept;

(5)查看表格式化数据
1
hive (default)> desc formatted dept;

八.分区表

    分区表实际上就是对应一个HDFS文件系统上的独立的文件夹,该文件夹下是该分区所有的数据文件。Hive中的分区就是分目录,把一个大的数据集根据业务需要分割成小的数据集。在查询时通过WHERE子句中的表达式选择查询所需要的指定的分区,这样的查询效率会提高很多。

1.分区表基本操作

(1)引入分区表(需要根据日期对日志进行管理)
1
2
3
4
5
/user/hive/warehouse/log_partition/20190702/20190702.log

/user/hive/warehouse/log_partition/20190703/20190703.log

/user/hive/warehouse/log_partition/20190704/20190704.log
(2)创建分区表语法
1
2
3
4
5
hive (default)> create table dept_partition(
deptno int, dname string, loc string
)
partitioned by (month string)
row format delimited fields terminated by '\t';
(3)加载数据到分区表中
1
2
3
4
5
hive (default)> load data local inpath '/opt/module/datas/dept.txt' into table default.dept_partition partition(month='201909');

hive (default)> load data local inpath '/opt/module/datas/dept.txt' into table default.dept_partition partition(month='201908');

hive (default)> load data local inpath '/opt/module/datas/dept.txt' into table default.dept_partition partition(month='201907');


(4)查询分区表中数据

单分区查询

1
hive (default)> select * from dept_partition where month='201909';

多分区联合查询

1
2
3
4
5
hive (default)> select * from dept_partition where month='201909'
union
select * from dept_partition where month='201908'
union
select * from dept_partition where month='201907';


(5)增加分区

创建单个分区

1
hive (default)> alter table dept_partition add partition(month='201906') ;

同时创建多个分区

1
hive (default)>  alter table dept_partition add partition(month='201905') partition(month='201904');


注:增加多个分区之间用空格” “隔开,删除多个分区用”,”隔开

(6)删除分区

删除单个分区

1
hive (default)> alter table dept_partition drop partition (month='201904');

同时删除多个分区

1
hive (default)> alter table dept_partition drop partition (month='201905'), partition (month='201906');

(7)查看分区表有多少分区
1
hive> show partitions dept_partition;
(8)查看分区表结构
1
hive> desc formatted dept_partition;

2.分区表注意事项

(1).创建二级分区表
1
2
3
4
5
hive (default)> create table dept_partition2(
deptno int, dname string, loc string
)
partitioned by (month string, day string)
row format delimited fields terminated by '\t';
(2).正常的加载数据
(a)加载数据到二级分区表中
1
hive (default)> load data local inpath '/opt/module/datas/dept.txt' into table default.dept_partition2 partition(month='201909', day='13');
(b)查询分区数据
1
hive (default)> select * from dept_partition2 where month='201909' and day='13';

3.把数据直接上传到分区目录上,让分区表和数据产生关联的两种方式

(1)方式一:上传数据后修复

上传数据

1
2
3
hive (default)> dfs -mkdir -p /user/hive/warehouse/dept_partition2/month=201909/day=12;

hive (default)> dfs -put /opt/module/datas/dept.txt /user/hive/warehouse/dept_partition2/month=201909/day=12;

查询数据(查询不到刚上传的数据)

1
hive (default)> select * from dept_partition2 where month='201909' and day='12';

执行修复命令

1
hive>msck repair table dept_partition2;

再次查询数据

1
hive (default)> select * from dept_partition2 where month='201909' and day='12';

(2)方式二:上传数据后添加分区

上传数据

1
2
3
hive (default)> dfs -mkdir -p /user/hive/warehouse/dept_partition2/month=201909/day=11;

hive (default)> dfs -put /opt/module/datas/dept.txt /user/hive/warehouse/dept_partition2/month=201909/day=11;

执行添加分区

1
hive (default)> alter table dept_partition2 add partition(month='201909', day='11');

查询数据

1
hive (default)> select * from dept_partition2 where month='201909' and day='11';

(3)方式三:上传数据后load数据到分区

创建目录

1
hive (default)> dfs -mkdir -p /user/hive/warehouse/dept_partition2/month=201909/day=10;

上传数据

1
hive (default)> load data local inpath '/opt/module/datas/dept.txt' into table dept_partition2 partition(month='201909',day='10');

查询数据

1
hive (default)> select * from dept_partition2 where month='201909' and day='10';

九.修改表

1.重命名表

(1).语法
1
ALTER TABLE table_name RENAME TO new_table_name
(2).实操案例
1
hive (default)> alter table dept_partition2 rename to dept_partition4;

2. 增加和删除表分区

详见1.6.1分区表基本操作。同上

3. 增加/修改/替换列信息

(1).语法

更新列

1
ALTER TABLE table_name CHANGE [COLUMN] col_old_name col_new_name column_type [COMMENT col_comment] [FIRST|AFTER column_name]

增加和替换列

1
ALTER TABLE table_name ADD|REPLACE COLUMNS (col_name data_type [COMMENT col_comment], ...) 

注:ADD是代表新增一字段,字段位置在所有列后面(partition列前),REPLACE则是表示替换表中所有字段。

(2).实操案例
(a)查询表结构
1
hive> desc dept_partition;
(b)添加列
1
hive (default)> alter table dept_partition add columns(deptdesc string);
(c )查询表结构
1
hive>desc dept_partition;

(d)更新列
1
hive (default)> alter table dept_partition change column deptdesc desc int;
(e)查询表结构
1
hive>desc dept_partition;

(f)替换列
1
hive (default)> alter table dept_partition replace columns(deptno string, dname string, loc string);
(g)查询表结构
1
hive>desc dept_partition;

十.删除表

1
hive (default)> drop table dept_partition;

Hive将本地文件导入Hive案例

0.需求:

将本地/opt/module/datas/student.txt这个目录下的数据导入到hive的student(id int, name string)表中。

1.数据准备:在/opt/module/datas/student.txt这个目录下准备数据

(1)在/opt/module/目录下创建datas
1
mkdir datas
(2)在/opt/module/datas/目录下创建student.txt文件并添加数据
1
2
touch student.txt
vi student.txt

添加内容:

1
2
3
1001	zhangshan
1002 lishi
1003 zhaoliu

注意以tab键间隔。

2.Hive实际操作

(1)启动hive
1
bin/hive
(2)显示数据库
1
show databases;
(3)使用default数据库
1
use default;
(4)显示default数据库中的表
1
show tables;
(5)删除已创建的student表
1
drop table student;
(6)创建student表, 并声明文件分隔符’\t’
1
create table student(id int, name string) ROW FORMAT DELIMITED FIELDS TERMINATED BY '\t';
(7)加载/opt/module/datas/student.txt 文件到student数据库表中。
1
load data local inpath '/opt/module/datas/student.txt' into table student;
(8)Hive查询结果
1
select * from student;

image.png

可能是编码的问题吧,留个坑
在hdfs中就是正常的,所以应该是格式问题

Hive参数配置方式

1.查看当前所有的配置信息

1
set;

2.参数的配置三种方式

(1)配置文件方式
  • 默认配置文件:hive-default.xml
  • 用户自定义配置文件:hive-site.xml

    注意:用户自定义配置会覆盖默认配置。另外,Hive也会读入Hadoop的配置,因为Hive是作为Hadoop的客户端启动的,Hive的配置会覆盖Hadoop的配置。配置文件的设定对本机启动的所有Hive进程都有效。

(2)命令行参数方式

启动Hive时,可以在命令行添加-hiveconf param=value来设定参数。
例如:

1
bin/hive -hiveconf mapred.reduce.tasks=10;

注意:仅对本次hive启动有效
查看参数设置:

1
hive (default)> set mapred.reduce.tasks;

显示为:mapred.reduce.tasks=10
默认mapred.reduce.tasks=-1

(3)参数声明方式

可以在HQL中使用SET关键字设定参数
例如:

1
hive (default)> set mapred.reduce.tasks=10;

注意:仅对本次hive启动有效。
查看参数设置

1
hive (default)> set mapred.reduce.tasks;

上述三种设定方式的优先级依次递增。即配置文件<命令行参数<参数声明。注意某些系统级的参数,例如log4j相关的设定,必须用前两种方式设定,因为那些参数的读取在会话建立以前已经完成了。

Hive常见属性配置

1.Hive数据仓库位置配置

(1)Default数据仓库的最原始位置是在hdfs上的:/user/hive/warehouse路径下
(2)在仓库目录下,没有对默认的数据库default创建文件夹。如果某张表属于default数据库,直接在数据仓库目录下创建一个文件夹。
(3)修改default数据仓库原始位置(将hive-default.xml.template如下配置信息拷贝到hive-site.xml文件中)
1
2
3
4
5
<property>
<name>hive.metastore.warehouse.dir</name>
<value>/user/hive/warehouse</value>
<description>location of default database for the warehouse</description>
</property>

配置同组用户有执行权限

1
bin/hdfs dfs -chmod g+w /user/hive/warehouse

2.查询后信息显示配置

(1)在hive-site.xml文件中添加如下配置信息,就可以实现显示当前数据库,以及查询表的头信息配置。
1
2
3
4
5
6
7
8
9
<property>
<name>hive.cli.print.header</name>
<value>true</value>
</property>

<property>
<name>hive.cli.print.current.db</name>
<value>true</value>
</property>
(2)重新启动hive,对比配置前后差异

(a)配置前
(b)配置后

3 Hive运行日志信息配置

(1)Hive的log默认存放在/tmp/itstar/hive.log目录下(当前用户名下)
(2)修改hive的log存放日志到/opt/module/hive/logs
(a)修改/opt/module/hive/conf/hive-log4j.properties.template文件名称为hive-log4j.properties
1
2
3
pwd

mv hive-log4j.properties.template hive-log4j.properties
(b)在hive-log4j.properties文件中修改log存放位置
1
hive.log.dir=/opt/module/hive/logs

Hive基本操作

一.Hive基本操作

1.启动hive

1
bin/hive

2.查看数据库

1
show databases;

3.打开默认数据库

1
use default;

4.显示default数据库中的表

1
show tables;

5.创建一张表

1
create table student(id int, name string) ;

6.显示数据库中有几张表

1
show tables;

7.查看表的结构

1
desc student;

8.向表中插入数据

1
insert into student values(1001,"ss1");

9.查询表中数据

1
select * from student;

10.退出hive

1
quit;

二.hive常用交互命令

1.“-e”不进入hive的交互窗口执行sql语句

1
bin/hive -e "select id from student;"

image.png

2.“-f”执行脚本中sql语句

(1)在/opt/module/datas目录下创建hivef.sql文件
1
touch hive.sql

文件中写入正确的sql语句

1
select * from student;
(2)执行文件中的sql语句
1
bin/hive -f /opt/module/datas/hive.sql
(3)执行文件中的sql语句并将结果写入文件中(注:可能含有其他的表信息,如表头)
1
bin/hive -f /opt/module/datas/hive.sql  > /opt/module/datas/hive_result.txt

三.Hive其他命令操作

1.退出hive窗口:

1
2
exit;
quit;

在新版的oracle中没区别了,在以前的版本是有的:
exit:先隐性提交数据,再退出;
quit:不提交数据,退出;

2.在hive cli命令窗口中如何查看hdfs文件系统

1
dfs -ls /;

3.在hive cli命令窗口中如何查看linux本地系统

1
! ls /opt/module/datas;

4.查看在hive中输入的所有历史命令

(1)进入到当前用户的根目录/root或/home/itstar
(2)查看. hivehistory文件
1
cat .hivehistory

  • Copyrights © 2015-2021 Movle
  • 访问人数: | 浏览次数:

请我喝杯咖啡吧~

支付宝
微信