个人的网站,小程序模板源码免费下载,企业网站报价方案模板,免费做直播网站第1章Hive基本概念1.1 Hive1.1.1 Hive的产生背景在那一年的大数据开源社区#xff0c;我们有了HDFS来存储海量数据、MapReduce来对海量数据进行分布式并行计算、Yarn来实现资源管理和作业调度。但是面对海量数据和负责的业务逻辑#xff0c;开发人员要编写MR来对数据进行统计…第1章Hive基本概念1.1 Hive1.1.1 Hive的产生背景在那一年的大数据开源社区我们有了HDFS来存储海量数据、MapReduce来对海量数据进行分布式并行计算、Yarn来实现资源管理和作业调度。但是面对海量数据和负责的业务逻辑开发人员要编写MR来对数据进行统计分析难度极大、效率较低并且对开发者的Java功底也有要求。所以Facebook公司在处理自己的海量数据时开发了hive这个数仓工具。Hive可以帮助开发人员来做完成这些苦活将SQL语句转化为MapReduce在yarn上跑如此开发人员就可以更加专注于业务需求了。1.1.2 hive简介Hive由Facebook开源用于解决海量结构化日志的数据统计工具。Hive是基于Hadoop的一个数据仓库工具将结构化的数据文件映射为一张表并提供类SQL(HQL)查询功能。1.1.3 Hive本质将HQLhiveSQL转化成MapReduce程序1Hive处理的数据存储在HDFS2Hive分析数据底层的实现是MapReduce3执行程序运行在Yarn上4结构化文件如何映射成一张表的借助存储在元数据数据库中的元数据来解析结构化文件1.2 Hive架构原理1.2.1 Hive架构介绍1用户接口ClientCLIcommand-line interface、JDBC/ODBC(jdbc访问hive)、2元数据Metastore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Metastore3Hadoop使用HDFS进行存储使用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。1.2.2 Hive的运行机制hive通过给用户提供的一系列交互接口接收到的用户的指令SQl使用自己的Driver结合元数据MetaStore将这些指令翻译成MapReduce提交到Hadoop中执行最后将执行返回的结果输出到用户交互接口中。1.3 Hive和数据库比较 Hivemysql语言类sqlsql数据规模大数据pb及以上数据量小一般百万左右到达单表极限数据插入能增加insert,不能update,delete能insert,update,delete数据存储Hdfs拥有自己的存储空间计算引擎Mapreduce/spark/tez自己的引擎innodb综上所述Hive压根就不是数据库hive除了语言类似意外存储和计算都是使用Hadoop来完成的。而Mysql则是使用自己的拥有自己的体系。1.4 Hive的优缺点优点缺点1. 提供了类SQl语法操作接口具备快速开发的能力简单、易上手1. Hive的HQL表达能力有限1Hive自动生成MapReduce作业通常情况下不够智能化2. 避免了去写MapReduce减少开发者的学习成本2数据挖掘方面不擅长多个子查询由于MapReduce数据处理流程的限制效率更高的算法却无法实现3. Hive优势在于处理大数据在处理小数据时没有优势因为Hive的执行延迟较高。2. Hive的效率比较低1Hive的执行延迟比较高因为Hive常用于数据分析对实时性要求不高的场合2Hive调优比较困难粒度较粗4. Hive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3. Hive不支持实时查询和行级别更新hive分析的数据是存储在HDFS上的而HDFS仅支持追加写所以在hive中不能update和delete只能select和insert。第2章Hive安装后续更新2.3 Hive元数据的三种部署方式2.3.1 元数据库之Derby1.内嵌模式示意图 2.Derby数据库Derby数据库是Java编写的内存数据库在内嵌模式中与应用程序共享一个JVM应用程序负责启动和停止。Hive默认使用的元数据库为derby并且部署方式是内嵌式在开启Hive之后就会独占元数据库且不与其他客户端共享数据如果想多窗口操作就会报错操作比较局限。为此Hive支持采用MySQL作为元数据库就可以支持多窗口操作。2.3.2 元数据库之Mysql1. 直连模式示意图直连模式问题在公司生产环境中网络环境会非常复杂mysql的所在环境可能存在网络隔离无法直接访问另外mysql的root账户和密码在此模式下会存在泄露风险存在数据安全隐患。2.3.3 元数据之MetaStore Server1.元数据服务模式示意图2.元数据服务模式在服务器端启动MetaStore服务客户端利用Thrift协议通过MetaStore服务访问元数据库。元数据服务的访问方式更适合在生产环境中部署使用相比内嵌式该方式更加的灵活。跨网络跨语言跨平台。2.4 hive的两种访问方式2.4.1 命令行的方式内嵌模式Mysql的直连模式元数据服务模式1. 在前面的操作中我们都是通过cli的方式访问hive的。2. 我们可以切身的体会到通过cli的方式访问hive的不足如cli太过笨重需要hive的jar支持。2.4.2 HiveServer2模式2. JDBC方式访问HiveJDBC方式本质上是将hive包装为服务发布出去开发者使用JDBC的方式连接到服务从而操作hive。减少了对hive环境的依赖.2.5编写启动metastore和hiveserver2脚本//TODO2.6 Hive常用交互命令[atguiguhadoop102 hive]$ bin/hive -help
usage: hive
-d,--define keyvalue Variable subsitution to apply to hive commands. e.g. -d AB or --define AB应用于hive命令的变量替换。如-d AB 或者 –-define AB--database databasename Specify the database to use指定要使用的数据库-e quoted-query-string SQL from command line命令行中的SQL语句-f filename SQL from files文件中的SQL语句-H,--help Print help information打印帮助信息--hiveconf propertyvalue Use value for given property设置属性值--hivevar keyvalue Variable subsitution to apply to hive commands. e.g. --hivevar AB应用于hive命令的变量替换如--hivevar AB-i filename Initialization SQL file初始化SQL文件-S,--silent Silent mode in interactive shell交互式Shell中的静默模式-v,--verbose Verbose mode (echo executed SQL to the console)详细模式将执行的SQl回显到控制台2.6.2 命令中参数-e的使用使用-e参数可以不进入hive的交互窗口执行sql语句[atguiguhadoop102 hive]$ bin/hive -e select * from test2;
……
Logging initialized using configuration in jar:file:/opt/module/hive/lib/hive-common-3.1.2.jar!/hive-log4j2.properties Async: true
Hive Session ID 8f19d950-9936-4543-8b32-501dd61fa395
OK
1002
Time taken: 1.918 seconds, Fetched: 1 row(s)2.6.3 命令中参数-f的使用使用-f参数可以不进入hive交互窗口执行脚本中sql语句1在/opt/module/hive/下创建datas目录并在datas目录下创建hivef.sql文件
[atguiguhadoop102 hive]$ mkdir /opt/module/hive/datas
[atguiguhadoop102 hive]$ touch /opt/module/hive/datas/hive-f.sql2文件中写入正确的sql语句
[atguiguhadoop102 datas]$ vim /opt/module/hive/datas/hive-f.sql
select * from test2;3执行文件中的sql语句
[atguiguhadoop102 hive]$ bin/hive -f /opt/module/hive/datas/hivef.sql4我们还可以通过执行文件中的sql语句将结果写入指定文件中
[atguiguhadoop102 hive]$ bin/hive -f /opt/module/hive/datas/hivef.sql /opt/module/datas/hive_result.txt 2.7 Hive常见属性配置2.7.1 Hive运行日志信息配置1.Hive的log默认存放路径/tmp/atguigu/hive.log当前用户名下2.修改hive的log存放路径到/opt/module/hive/logs① 修改conf目录下hive-log4j2.properties.template文件名称为hive-log4j2.properties[atguiguhadoop102hive]$ mv conf/hive-log4j2.properties.template conf/hive-log4j2.properties② 在hive-log4j.properties文件中修改log存放位置[atguiguhadoop102hive]$ vim conf/hive-log4j2.properties
property.hive.log.dir/opt/module/hive/logs3再次启动hive观察目录/opt/module/hive/logs下是否产生日志2.7.2 Hive启动JVM堆内存配置1.问题新版Hive启动时默认申请的JVM堆内存大小为256M内存太小导致若后期开启本地模式执行相对复杂的SQL经常会报错java.lang.OutOfMemoryError: Java heap space2.解决修改HADOOP_HEAPSIZE参数的值1修改/opt/module/hive/conf/下的hive-env.sh.template[atguiguhadoop102hive]$ mvconf/hive-env.sh.template conf/hive-env.sh
[atguiguhadoop102hive]$ vim conf/hive-env.sh
……
exportHADOOP_HEAPSIZE10242.7.3 hive窗口打印默认库和表头1.问题在hive命令行交互窗口中切换数据库后不会提示当前所在数据库是哪个并且在列出的查询结果中也不会带有列名的信息使用中多有不便。2.配置可以修改hive.cli.print.header和hive.cli.print.current.db两个参数的值打印出当前库头。编辑hive-site.xml添加如下两个配置: propertynamehive.cli.print.header/namevaluetrue/value/propertypropertynamehive.cli.print.current.db/namevaluetrue/value
/property2.7.4 参数配置方式set 命令使用查看当前所有的配置信息hiveset;2.配置参数的三种方式配置文件方式命令行参数方式参数声明方式①默认的配置文件hive-default.xml②自定义的配置文件hive-site.xml③Hive同时也会读入Hadoop配置Hive的配置会覆盖Hadoop的配置。④配置文件中设置的参数值对本机内启动的所有hive进程都有效。注意用户自定义配置会覆盖默认配置① 启动hive时可以在命令行添加 --hiveconf param value来设定参数② 测试通过命令行参数方式配置hive不打印当前数据库名[atguiguhadoop102 hive]$ bin/hive --hiveconf hive.cli.print.current.db false注意命令行参数方式仅仅对本次hive启动有效①在进入hive命令行交互窗口后可使用set命令设置参数② 测试通过set命令设置打印当前数据库hive set hive.cli.print.current.db false注意仅在当前连接中设置后起作用若本次中断后重启参数设置则将按照配置文件中的值重置。3.三种配置方式的优先级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。第3章Hive数据类型3.1 基本数据类型Hive数据类型Java数据类型长度例子TINYINTbyte1byte有符号整数20SMALINTshort2byte有符号整数20INTint4byte有符号整数20BIGINTlong8byte有符号整数20BOOLEANboolean布尔类型true或者falseTRUE FALSEFLOATfloat单精度浮点数3.14159DOUBLEdouble双精度浮点数3.14159STRINGstring字符系列。可以指定字符集。可以使用单引号或者双引号。‘now is the time’ “for all good men”TIMESTAMP 时间类型 BINARY 字节数组 对于Hive的String类型相当于数据库的varchar类型该类型是一个可变的字符串不过它不能声明其中最多能存储多少个字符理论上它可以存储2GB的字符数。3.2 集合数据类型数据类型描述语法示例STRUCT和c语言中的struct类似都可以通过“点”符号访问元素内容。例如如果某个列的数据类型是STRUCT{first STRING, last STRING},那么第1个元素可以通过字段.first来引用。struct()例如structstreet:string, city:stringMAPMAP是一组键-值对元组集合使用数组表示法可以访问数据。例如如果某个列的数据类型是MAP其中键-值对是‘first’-’John’和’last’-’Doe’那么可以通过字段名[‘last’]获取最后一个元素map()例如mapstring, intARRAY数组是一组具有相同类型和名称的变量的集合。这些变量称为数组的元素每个数组元素都有一个编号编号从零开始。例如数组值为[‘John’, ‘Doe’]那么第2个元素可以通过数组名[1]进行引用。Array()例如arraystringHive有三种复杂数据类型ARRAY、MAP 和 STRUCT。ARRAY和MAP与Java中的Array和Map类似而STRUCT与C语言中的Struct类似它封装了一个命名字段集合复杂数据类型允许任意层次的嵌套。3.3类型转换1Hive的基本数据类型是可以进行隐式转换的类似于Java的类型转换例如某表达式使用INT类型TINYINT会自动转换为INT类型但是Hive不会进行反向转化例如某表达式使用TINYINT类型INT不会自动转换为TINYINT类型它会返回错误除非使用CAST操作。2隐式类型转换规则如下任何整数类型都可以隐式地转换为一个范围更广的类型如INT可以转换成BIGINT。所有整数类型、FLOAT和STRING类型都可以隐式地转换成DOUBLE。TINYINT、SMALLINT、INT都可以转换为FLOAT。BOOLEAN类型不可以转换为任何其它的类型。3可以使用CAST操作显示进行数据类型转换例如CAST(1 AS INT)将把字符串1 转换成整数1如果强制类型转换失败如执行CAST(X AS INT)表达式返回空值 NULL。第4章DDL数据定义4.1创建数据库创建数据库语法CREATE DATABASE [IF NOTEXISTS] database_name
[COMMENT database_comment]
[LOCATION hdfs_path]
[WITH DBPROPERTIES(property_nameproperty_value, ...)];-- 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。
hive (default) create database bigdata;-- 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
hive (default) create database bigdata;
FAILED: Execution Error, return code 1 from org.apache.hadoop.hive.ql.exec.DDLTask. Database db_hive already exists
hive (default) create database if not exists bigdata;--3创建一个数据库指定数据库在HDFS上存放的位置
hive (default) create database bigdata2 location /bigdata2.db;4.2 查询数据库4.2.1 显示数据库-- 1显示数据库
hive(default) show databases;-- 2过滤显示查询的数据库
hive(default) show databases like bigdata*;
OK
bigdata
bigdata24.2.2 查看数据库详情-- 1显示数据库信息
hive(default) desc database bigdata;
bigdata hdfs://hadoop102:9000/user/hive/warehouse/bigdata.db atguigu USER-- 2显示数据库详细信息extended
hive(default) desc database extended bigdata;
bigdata hdfs://hadoop102:9000/user/hive/warehouse/bigdata.db atguigu USER -- 3创建数据库bigdata3并设置其createtime属性
hive(default) create database bigdata3 with dbproperties(createtime20211022);-- 4再次查询
hive(default) desc database bigdata3
OK
bigdata3 hdfs://hadoop102:8020/user/hive/warehouse/bigdata3.db atguigu USER
hive(default) desc database extended bigdata3
OK
bigdata3 hdfs://hadoop102:8020/user/hive/warehouse/bigdata3.db atguigu USER {createtime20211022}4.2.3 切换当前数据库hive (default) use bigdata;4.3 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。数据库其他的元数据信息都是不可以修改的包括数据库名和数据库所在的目录位置。hive (default) alter database bigdata set dbproperties(createtime20211022);-- 在hive中查看修改结果
hive(default) desc database extended bigdata;
db_name comment location owner_name owner_type parameters
bigdata hdfs://hadoop102:8020/user/hive/warehouse/bigdata.db atguigu USER {createtime20211022}4.4 删除数据库1删除空数据库hive(default)drop database bigdata2;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hive(default) drop database bigdata10;
FAILED: SemanticException [Error10072]: Database does not exist: bigdata10
hive(default)drop database if exists bigdata2;3如果数据库不为空可以采用cascade命令强制删除hive(default) drop database bigdata;
FAILED: Execution Error, returncode 1 from org.apache.hadoop.hive.ql.exec.DDLTask.InvalidOperationException(message:Database bigdata is not empty. One or moretables exist.)
hive(default) drop database bigdatacascade;4.5 创建表1建表语法CREATE [EXTERNAL] TABLE [IF NOT EXISTS] table_name
[(col_name data_type [COMMENT col_comment], ...)]
[COMMENT table_comment]
[PARTITIONED BY (col_name data_type [COMMENTcol_comment], ...)]
[CLUSTERED BY (col_name, col_name, ...)
[SORTED BY (col_name [ASC|DESC], ...)] INTO num_bucketsBUCKETS]
[ROW FORMAT row_format]
[STORED AS file_format]
[LOCATION hdfs_path]
[TBLPROPERTIES (property_nameproperty_value, ...)]
[AS select_statement]
[LIKES existing_table_or_view_name]2字段解释说明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EXTERNAL关键字可以让用户创建一个外部表在建表的同时可以指定一个指向实际数据的路径LOCATION在删除表的时候内部表的元数据和数据会被一起删除外部表只删除元数据不删除数据。COMMENT为表和列添加注释。PARTITIONED BY创建分区表CLUSTERED BY创建分桶表SORTED BY不常用对桶中的一个或多个列另外排序ROW FROMATROW 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_nameproperty_value,property_nameproperty_value, ...)] Fields 指定字段之间的分隔符Collection 用于指定集合中元素间的分隔符Map 用于指定map集合中键值对间的分隔符Lines 用于指定每行记录间的分隔符SerDe是Serialize/Deserialize的简称用户在建表时可以自定义SerDe或使用自带的SerDe若未指定Row Format则用自带的SerDeSTORE AS 指定存储文件类型常用的文件存储类型SEQUENCEFILE二进制序列文件、TEXTFILE文本、RCFILE列式存储格式文件如store as textfile、store as sequencefileLOCATION指定表在HDFS上的存储位置AS后跟查询语句根据查询语句结果创建表LIKE允许用户复制现有的表结构但是不复制数据4.5.1 管理表(内部表)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。管理表Hive会控制着元数据和真实数据的生命周期。Hive默认会将这些表的数据存储在hive.metastore.warehouse.dir定义目录的子目录下。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。4.5.2 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SELECTINSERT进入内部表。外部表多用于存储原始数据为多个部门、小组所使用采用外部表共易共享数据。4.5.3 管理表与外部表的互相转换1查询表的类型hive(default) desc formatted student2;
Table Type: MANAGED_TABLE2修改内部表student2为外部表hive(default) alter table student2 set tblproperties(EXTERNALTRUE);3查询表的类型hive(default) desc formatted student2;
Table Type: EXTERNAL_TABLE4修改外部表student2为内部表hive(default) alter table student2 set tblproperties(EXTERNALFALSE);5查询表的类型hive(default) desc formatted student2;
Table Type: MANAGED_TABLE注意(EXTERNALTRUE)和(EXTERNALFALSE)为固定写法区分大小写4.6 修改表4.6.1 重命名表1.语法ALTER TABLE table_name RENAME TO new_table_name-- e.g.,
alter table student3 rename to student4;4.6.2 增加、修改和删除表分区详见7.1章分区表基本操作。4.6.3 增加/修改/替换列信息语法1更新列ALTER TABLE table_name CHANGE [COLUMN] col_old_name col_new_name column_type [COMMENT col_comment] [FIRST|AFTER column_name]-- e.g.,
alter table test2 change column id student_id int;--调整列的位置:现在想让name的列在最前面做如下操作
alter table test2 change name name string first;-- 将name更新到指定列的后面操作如下:
alter table test2 change name name string after student_id;增加和替换列 ALTER TABLE table_name ADD|REPLACE COLUMNS (col_name data_type [COMMENT col_comment], ...) --e.g.,
-- 新增列向test2表中新增一列列名为name类型为string
alter table test2 add columns(name string);-- 替换列替换所有的列
alter table test2 replace columns(id double);4.7删除表drop table test2;4.8 清除表中数据Truncatetruncate table student;第5章DML数据操作5.1 数据导入5.1.1 向表中装载数据Load1.基本语法hive(default)load data [local] inpath 数据的path [overwrite] into table table_name[partition (partcol1val1,…)];Load data加载数据Local表示从本地加载数据到hive表否则是从HDFS加载数据到Hive表Inpath表是加载数据的路径Overwrite表示覆盖表中已有数据否则表示追加Into table表示加载数据到哪张表中Partition表示加载数据到指定分区5.1.2 向表中插入数据Insert--1创建一张表
hive(default) create table student2(id int, name string) row format delimited fields terminated by \t;--2基本插入数据
hive (default) insert intotable student2 values(1,wangwu),(2,zhaoliu);--3将查询结果插入表中
hive(default) insert overwrite table student2 select id, name from student ;Insert into以追加数据的方式插入到表或分区原有数据不会删除Insert overwrite会覆盖表中已存在的数据注意insert不支持插入部分字段。5.1.3 查询语句中创建表并加载数据As Select根据查询结果创建表查询的结果会添加到新创建的表中hive(default) create table if not exists student4 as select id, name from student;5.1.4 创建表时通过Location指定加载数据路径--1上传数据到hdfs上
hive (default) dfs -mkdir /input/student;
hive (default) dfs -put /opt/module/hive/datas/student.txt /input/student/student.txt;--2创建表并指定在hdfs上的位置
hive (default) create external table if not exists student5(id int,name string
)
row format delimited fields terminated by \t
location /input/student;--3查询数据
hive (default) select * from student5;
OK
student5.id student5.name
1001 ss1
1002 ss2
……5.2 数据导出5.2.1 Insert导出--1将查询的结果导出到本地
hive (default) insert overwrite local directory /opt/module/hive/datas/export/student select * from student;--2将查询的结果格式化导出到本地
insert overwrite local directory /opt/module/hive/datas/export/student ROW FORMAT DELIMITED FIELDS TERMINATED BY \t select * from bigdata1.student;--3将查询的结果导出到HDFS上(没有local)
insert overwrite directory /output/student ROW FORMAT DELIMITED FIELDS TERMINATED BY \t select * from student;注意insert导出时hive会自动创建导出目录但是由于是overwrite所以导出路径一定要写准确否则存在误删数据的可能。5.3 数据迁移export和import命令主要用于两个Hadoop平台集群之间Hive表迁移。元数据源真实数据5.3.1 Export导出到HDFS上hive(default) export tabledefault.student2 to /地址; 导出到哪里5.3.2 Import数据到指定Hive表中注意先用export导出后再将数据导入。hive(default) import table student2 from /地址; 从哪里导入第6章查询6.1 基础语法及执行顺序1.查询语句语法SELECT [ALL | DISTINCT]select_expr, select_expr, ...
FROMtable_reference
[WHEREwhere_condition]
[GROUP BYcol_list]
[ORDER BYcol_list]
[CLUSTER BYcol_list| [DISTRIBUTE BY col_list] [SORT BY col_list]]
[LIMITnumber]2.书写次序和执行次序顺序书写次序书写次序说明执行次序执行次序说明1select查询from先执行表与表直接的关系2from先执行表与表直接的关系on3join onjoin4wherewhere过滤5group by分组group by分组6having分组后再过滤having分组后再过滤7distribute bycluster by4个byselect查询8sort bydistinct去重9order bydistribute by cluster by4个by10limit限制输出的行数sort by11union/union all合并order by12 limit限制输出的行数13 union /union all合并6.2 基本查询Select…From6.2.3 算术运算符运算符描述ABA和B 相加A-BA减去BA*BA和B 相乘A/BA除以BA%BA对B取余ABA和B按位取与A|BA和B按位取或A^BA和B按位取异或~AA按位取反6.2.4 常用函数sethive.exec.mode.local.autotrue;本地模式1求emp表的总行数count
hive(default) select count(*) cnt from emp;2求emp表中工资的最大值max
hive(default) select max(sal) max_sal from emp;3求emp表中工资的最小值min
hive (default) select min(sal)min_sal from emp;4求emp表中工资的总和sum
hive(default) select sum(sal) sum_sal from emp; 5求emp表中工资的平均值avg
hive(default) select avg(sal) avg_sal from emp;6.2.5 Limit语句一般的查询会返回多行数据在成产环境中通常使用LIMIT子句用于限制返回的行数。-- 取前5个
hive (default) select ename, sal from emp limit 5; -- 从第二个开始 取3个。
hive (default) select ename, sal from emp limit 2,3;6.2.6 Where语句1使用WHERE子句将不满足条件的行过滤掉2WHERE子句紧随FROM子句注意where子句中不能使用字段别名。6.2.7 比较运算符Between/In/ Is Null1.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。null与其他值比较或者运算得到的结果也是null操作符支持的数据类型描述AB基本数据类型如果A等于B则返回TRUE反之返回FALSEAB基本数据类型如果A和B都为NULL则返回TRUE如果一边为NULL返回FalseAB, 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FALSEAB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FALSEAB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FALSEAB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FALSEAB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FALSEA [NOT] BETWEEN B AND C基本数据类型如果AB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FALSEA IS NOT NULL所有数据类型如果A不等于NULL则返回TRUE反之返回FALSEIN(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 BSTRING 类型B是一个SQL下的简单正则表达式也叫通配符模式如果A与其匹配的话返回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%代表任意个数字符‘%x’表示A必须以字母’x’结尾_代表任一一个字符‘%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。不支持正则A RLIKE BSTRING 类型B是基于java的正则表达式如果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子字符串匹配。6.2.8 Like和RLike1like关键字使用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。3RLIKE关键字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。$x --代表以x结尾^x --代表以x开头.* -- 任意数量字符. -- 一个任意字符* -- 上一个字符可以无限次出现或者不出现6.2.9 逻辑运算符And/Or/Not 含义AND逻辑并OR逻辑或NOT逻辑否6.2 分组6.2.1 Group By语句1. 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。6.2.2Having语句1having与where不同点① where后面不能写聚合函数而having后面可以使用聚合函数。② having只用于group by分组统计语句。6.3 Join语句6.3.1 等值JoinHive支持通常的SQL JOIN语句。1案例实操根据dept表和emp表中的deptno相等查询empno、deptno、ename和dnamehive(default)selectempno,dept.deptno,ename,dname
from emp
join dept on emp.deptnodept.deptno;6.3.2 内连接1.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。2.案例实操通过emp表和dept表查询员工编号、员工姓名、部门编号、部门名称。hive(default) selecte.empno,e.ename,e.deptno,d.deptno,d.dname
from emp e
join dept d on e.deptnod.deptno;6.3.4 左外连接1.左外连接JOIN操作符左边表中符合join子句的所有记录将会被返回。2.案例实操通过emp表和dept表查询员工编号、员工姓名、部门编号、部门名称。hive(default)selecte.empno,e.ename,e.deptno,d.deptno,d.dname
from emp e
left join dept d on e.deptnod.deptno;ok
e.empno e.ename e.deptno d.deptno d.dname
1001 fanfan 50 NULL NULL
……6.3.5 右外连接1.右外连接JOIN操作符右边表中符合join子句的所有记录将会被返回。2. 案例实操通过emp表和dept表查询员工编号、员工姓名、部门编号、部门名称。hive(default) selecte.empno,e.ename,e.deptno,d.deptno,d.dname
from emp e
right join dept d on e.deptnod.deptno;OK
e.empno e.ename e.deptno d.deptno d.dname
NULL NULL NULL 40 OPERATIONS6.3.6 满外连接1.满外连接将会返回所有表中符合WHERE语句条件的所有记录。2.案例实操通过emp表和dept表查询员工编号、员工姓名、部门编号、部门名称。hive (default) selecte.empno,e.ename,e.deptno,d.deptno,d.dnamefrom emp e
full join dept d on e.deptnod.deptno;Ok
e.empno e.ename e.deptno d.deptno d.dname
NULL NULL NULL 40 OPERATIONS
1001 fanfan 50 NULL NULL
……6.3.7 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。1.join操作转换成MR① 大多数情况下Hive会对每对JOIN连接对象启动一个MapReduce任务。② 本例中会首先启动一个MapReducejob对表e和表d进行连接操作③ 然后会再启动一个MapReducejob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。6.3.8 笛卡尔积1笛卡尔积会在下面条件下产生① 省略连接条件② 连接条件无效③ 所有表中的所有行互相连接2案例实操hive(default) selectempno,dname
from emp, dept;6.4 排序6.4.1 全局排序Order By1. Order By全局排序只有一个Reducer2. 顺序① ASCascend: 升序默认② DESCdescend: 降序3. 位置ORDER BY 子句在SELECT语句的结尾① 查询员工信息按工资升序排列
hive (default) select * from emp order by sal;② 查询员工信息按工资降序排列
hive (default) select * from emp order by sal desc;③ 按照员工薪水的2倍排序
hive (default) select ename, sal*2 twosal from emp order by twosal;④ 按照部门和工资升序排序
hive (default) select ename, deptno, sal from emp order by deptno, sal ;使用order by对数据排序时只有一个reduce面对海量数据排序时一个reduce效率太低并且大多数场景下并不需要全局排序。6.4.2 每个Reduce内部排序Sort By1.Sort by:在每个Reducer内部进行排序对全局结果集来说不是有序。sort by为每个reducer产生一个排序文件每个Reducer内部进行排序对全局结果来说不是排序。2.通过命令设置reduce个数Hive默认会根据数据量来设置reduce的个数这里手动设置reduce个数hive(default) set mapreduce.job.reduces3;
hive(default) set mapreduce.job.reduces;6.4.3 分区Distribute By1.Distribute By在有些情况下我们需要控制某个特定行应该到哪个reducer通常时为了进行后续的聚集操作。distributeby可以实现。distribute by类似MR中partition自定义分区进行分区结合sort by使用。2.案例实操① 先按照部门编号分区再按照员工薪水降序排序。hive(default) set mapreduce.job.reduces3;
hive(default) insert overwrite local directory /opt/module/hive/datas/distribute-result row format delimited fieldsterminated by \tselectename,empno,deptno,sal
from emp
distribute by deptno
sort by sal desc;注意distribute by的分区规则是根据分区字段的hash码与reduce的个数进行模除后余数相同的分到一起。Hive要求DISTRIBUTEBY语句要写在SORTBY语句之前。测试完毕后记得将mapreduce.job.reduces的值恢复到-1否则下面的分区和分桶测试就会报错。set mapreduce.job.reduces; mapreduce.job.reduces-1默认是按数据量来分配。6.4.6 Cluster By1.cluster by① 当distribute by和sort by字段相同时可以使用cluster by方式。②cluster by除了具有distribute by的功能外还兼具sort by的功能。③ 但是排序只能是升序排序不能指定排序规则为ASC或者DESC。2. 案例实操查询emp表中的员工姓名、员工编号、部门编号、薪资并按照部门编号分区排序。以下两种写法等价hive(default) select ename,empno,deptno,sal from emp cluster by deptno;
hive(default) select ename,empno,deptno,salfrom emp distribute by deptno sort bydeptno;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。第7章分区表和分桶表7.1 分区表1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。2该文件夹下是该分区所有的数据文件。3Hive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。4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。7.1.1 分区表基本操作1.需要根据日期对日志进行管理,通过部门信息模拟2.创建分区表语法(partitioned by )create table dept_partition(
deptno int, --部门编号
dname string, --部门名称
loc string --部门位置
)
partitioned by (day string)
row format delimited fields terminated by \t;注意分区字段不能是表中已经存在的数据可以将分区字段看作表的伪列。3. 向dept_partition表的分区加载数据hive (default) load data local inpath /opt/module/hive/datas/dept_20200401.log into table dept_partition partition(day20200401);
hive (default) load data local inpath /opt/module/hive/datas/dept_20200402.log into table dept_partition partition(day20200402);
hive (default) load data local inpath /opt/module/hive/datas/dept_20200403.log into table dept_partition partition(day20200403);注意分区表加载数据时必须指定分区4. 查询分区表中数据单分区查询hive(default) select * from dept_partition where day20200401;多分区联合查询union必走MR 效率较低hive (default) select * from dept_partition where day20200401unionselect * from dept_partition where day20200402unionselect * from dept_partition where day20200403;
hive (default) select * from dept_partition where day20200401 orday20200402 or day20200403 ; 5增加分区-- 添加单个分区
hive(default) alter tabledept_partition add partition(day20200404);
hive (default)show partitionsdept_partition;-- 同时添加多个分区
hive (default) alter table dept_partition add partition(day20200405) partition(day20200406);
hive (default) show partitions dept_partition;6删除分区-- ① 删除单个分区
hive (default) alter table dept_partition drop partition (day20200406);
hive (default) show partitions dept_partition;-- ② 同时删除多个分区
hive (default) alter table dept_partition drop partition (day20200404), partition(day20200405);
hive (default) show partitions dept_partition;注意在添加同时添加多个分区时多个分区间用” ”(空格)间隔在同时删除多个分区时多个分区间使用”,”间隔.7. 查看分区表结构hive (default) desc formatted dept_partition;# Partition Information
# col_name data_type comment
day string 7.1.2 二级分区1. 创建二级分区表create table dept_partition2(deptno int,dname string,loc string
)
partitioned by (day string, hour string)
row format delimited fields terminated by \t;2.加载数据-- ① 加载数据到二级分区表中
hive (default) load data local inpath /opt/module/hive/datas/dept_20200401.log into table dept_partition2 partition(day20200401, hour11);
-- ② 查询分区数据
hive (default) select * from dept_partition2 where day20200401 and hour11;3让分区表和数据产生关联的三种方式1方式一上传数据后修复 (msck repair 命令)-- 1.上传数据
hive (default) dfs -mkdir -p /user/hive/warehouse/dept_partition2/day20200401/hour12;
hive (default) dfs -put /opt/module/hive/datas/dept_20200402.log /user/hive/warehouse/dept_partition2/day20200401/hour12;-- 2.查询数据查询不到刚上传的数据
hive (default) select * from dept_partition2 where day20200401 and hour12;-- 3.执行修复命令
hive (default) msck repair table dept_partition2;-- 4.再次查询数据
hive (default) select * from dept_partition2 where day20200401 and hour12;2方式二上传数据后添加分区-- 1. 上传数据
hive (default) dfs -mkdir -p /user/hive/warehouse/dept_partition2/day20200401/hour13;
hive (default) dfs -put /opt/module/hive/datas/dept_20200403.log /user/hive/warehouse/dept_partition2/day20200401/hour13;-- 2.执行添加分区
hive (default) alter table dept_partition2 add partition(day20200401,hour13);-- 3.查询数据
hive (default) select * from dept_partition2 where day20200401 and hour14;3方式三创建文件夹后load数据到分区-- 1.创建目录
hive (default) dfs -mkdir -p /user/hive/warehouse/mydb.db/dept_partition2/day20200401/hour14;-- 2.上传数据
hive (default) load data local inpath /opt/module/hive/datas/dept_20200401.log into table dept_partition2 partition(day20200401,hour14);-- 3.查询数据
hive (default) select * from dept_partition2 where day20200401 and hour14;7.1.3 动态分区引言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1开启动态分区功能默认true开启hive (default) set hive.exec.dynamic.partitiontrue;2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。hive (default) set hive.exec.dynamic.partition.modenonstrict3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1000hive(default) set hive.exec.max.dynamic.partitions1000;4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。hive(default) set hive.exec.max.dynamic.partitions.pernode100;5整个MRJob中最大可以创建多少个HDFS文件。默认100000hive(default) set hive.exec.max.created.files100000;6当有空分区生成时是否抛出异常。一般不需要设置。默认falsehive(default) set hive.error.on.empty.partitionfalse;7.2 分桶表1.引言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。2.分桶表对于一张表或者分区Hive可以进一步组织成桶也就是更为细粒度的数据范围划分。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。分区针对的是数据的存储路径细分文件夹分桶针对的是数据文件按规则多文件放一起。3.创建分桶表 (clustered by)create table stu_bucket(id int, name string)
clustered by(id)
into 4 buckets
row format delimited fields terminated by \t;-- 查看表结构
hive (default) desc formatted stu_bucket;
Num Buckets:4 注意想要将表创建为4个桶需要将hive中mapreduce.job.reduces参数设置为4或设置为-1;4. 导入数据到分桶表load的方式将HDFS上的数据导入到分桶表中注意hive版本新版本中load数据可以直接跑MR但是也会有点问题老版本的Hive需要将数据传到一张表中然后采用查询的方式导入到分桶表中-- 导入数据到分桶表
hive (default) load data local inpath /opt/module/hive/datas/student.txt into table stu_bucket;-- 查询分桶的数据
hive(default) select * from stu_bucket;6. 分桶规则:Hive的分桶采用对分桶字段的值进行哈希然后除以桶的个数求余的方式决定该条记录存放在哪个桶当中7. 分桶表操作需要注意的事项:①mapreduce.job.reduces-1,让Job自行决定需要用多少个reduce或者将reduce的个数设置为大于等于分桶表的桶数②从hdfs中load数据到分桶表中避免本地文件找不到问题(跑MR任务)8. insert方式将数据导入分桶表hive(default) truncate table stu_bucket;删除表内数据不删表结构因此只能删内表
hive(default) insert into table stu_bucket select * fromstudent ;第8章函数8.1 系统内置函数1查看系统自带的函数hive show functions;
OK
tab_name
abs
……2显示自带的函数的用法hive desc function abs;
OK
tab_name
abs(x) - returns the absolute value of x3详细显示自带的函数的用法 (desc function extended [function_name])hive desc function extended abs;
OK
tab_name
abs(x) - returns the absolute value of x
Example: SELECT abs(0) FROM src LIMIT 1;0 SELECT abs(-5) FROM src LIMIT 1;5
Function class:org.apache.hadoop.hive.ql.udf.generic.GenericUDFAbs
Function type:BUILTIN8.2 常用内置函数8.2.1 空字段赋值-NVL防止空字段参与计算1.函数说明hive(default)desc function extended nvl;
OK
tab_name
nvl(value,default_value) - Returns default value ifvalue is null else returns value
Example: SELECTnvl(null,bla) FROM src LIMIT 1;bla
Functionclass:org.apache.hadoop.hive.ql.udf.generic.GenericUDFNvl
Function type:BUILTIN2.解释NVL给值为NULL的数据赋值它的格式是NVL( valuedefault_value)。功能如果value为NULL则NVL函数返回default_value的值否则返回value的值如果两个参数都为NULL 则返回NULL。8.2.2 CASE WHEN THEN ELSE END函数说明:根据不同数据返回不同的值如CASE a WHEN b THEN c [WHEN d THEN e]* [ELSE f]END当ab时返回c当ad时返回d当ae时放回e其他情况返回f。8.2.3 行转列相关函数说明(1) CONCAT(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;hive (default) desc function extended concat;
OK
tab_name
concat(str1, str2, ... strN) - returns the concatenation of str1, str2, ... strN or concat(bin1, bin2, ... binN) - returns the concatenation of bytes in binary data bin1, bin2, ... binN
Returns NULL if any argument is NULL.
Example: SELECT concat(abc, def) FROM src LIMIT 1;abcdef
Function class:org.apache.hadoop.hive.ql.udf.generic.GenericUDFConcat
Function type:BUILTIN(2) CONCAT_WS(separator, str1, str2,...)hive (default) desc function extended concat_ws;
OK
tab_name
concat_ws(separator, [string | array(string)]) - returns the concatenation of the strings separated by the separator.
Example: SELECT concat_ws(., www, array(facebook, com)) FROM src LIMIT 1;www.facebook.com
Function class:org.apache.hadoop.hive.ql.udf.generic.GenericUDFConcatWS
Function type:BUILTIN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;注意: CONCAT_WS must be string or arraystring(3) COLLECT_SET(col)hive (default) desc function extended collect_set;
OK
tab_name
collect_set(x) - Returns a set of objects with duplicate elements eliminated
Function class:org.apache.hadoop.hive.ql.udf.generic.GenericUDAFCollectSet
Function type:BUILTIN它的主要作用是将某字段的值进行去重汇总产生array类型字段。(4) COLLECT_LIST(col):它的主要作用是将某字段的值进行不去重汇总产生array类型字段。8.2.4 列转行函数说明(1) EXPLODE(col)将hive表的一列中复杂的array或者map结构拆分成多行。hive (default) desc function extended explode;
OK
tab_name
explode(a) - separates the elements of array a into multiple rows, or the elements of a map into multiple rows and columns
Function class:org.apache.hadoop.hive.ql.udf.generic.GenericUDTFExplode
Function type:BUILTIN(2) SPLIT(stringstr, string regex): 按照regex字符串分割str会返回分割后的字符串数组hive (default) desc function extended split;
OK
tab_name
split(str, regex) - Splits str around occurances that match regex
Example: SELECT split(oneAtwoBthreeC, [ABC]) FROM src LIMIT 1;[one, two, three]
Function class:org.apache.hadoop.hive.ql.udf.generic.GenericUDFSplit
Function type:BUILTIN(3) LATERAL VIEW用法LATERAL VIEW udtf(expression) tableAlias AScolumnAlias解释用于和split, explode等UDTF一起使用它能够将一列数据拆成多行数据在此基础上可以对拆分后的数据进行聚合。lateral view首先为原始表的每行调用UDTFUDTF会报一行拆分成一行或者多行lateral view再把结果组合产生一个支持别名表的虚拟表。8.2.5 窗口函数开窗函数1开窗函数介绍① 窗口函数不同于我们熟悉的常规函数及聚合函数它输入多行数据一个窗口为每行数据进行一次计算返回一个值。② 灵活运用窗口函数可以解决很多复杂的问题如去重、排名、同比及和环比、连续登录等。2.语法Functionarg1 …… over[partition by arg1 ……] [order by arg1 ……] [window_expression]FunctionOverwindow_expression解释支持的函数解释指定分析函数工作的数据窗口大小窗口会随着行的变化而变化。解释窗口边界的设置聚合函数:sum()、max()、min()、avg()等。Partition by表示将数据先按字段进行分区n preceding往前n行n following往后n行排序函数rank()row_number()、dens_rank()、ntile()等。current row当前行Order by表示将各个分区内的数据按字段进行排序unbounded preceding从前面的起点开始统计比较函数lead()、lag()、first_value()等。unbounded following到后面的终点结束NTILE(n)用于将分组数据按照顺序切分成n片返回当前切片值。将一个有序的数据集划分为多个桶(bucket)并为每行分配一个适当的桶数切片值第几个切片第几个分区等概念。它可用于将数据划分为相等的小切片为每一行分配该小切片的数字序号。NTILE不支持ROWS BETWEEN比如NTILE(2) OVER(PARTITION BY dept_no ORDER BY salary ROWS BETWEEN 3 PRECEDING - AND CURRENT ROW)。如果切片不均匀默认增加第一个切片的分布。lead(col,n,default) over() 说明 用于统计窗口内向下第n行的值参数1 为要取值的列名参数2 为向下第n行默认值为1这个值是固定的不能动态的变化参数3 为默认值当向下第n行的值为NULL时取默认值如果不指定则默认值为NULLlag(col,n,default) over() 说明 用于统计窗口内向上第n行的值与lead()刚好相反参数1 为要取值的列名参数2 为向上第n行默认值为1这个值是固定的不能动态的变化参数3 为默认值当向上第n行的值为NULL时取默认值如果不指定则默认值为NULL3.使用详解如果不指定partition by则不对数据进行分区换句话说所有数据看作同一个分区。如果不指定order by则不对各分区进行排序通常用于那些顺序无关的窗口函数如sum如果不指定窗口子句不指定order by默认使用分区内所有行等同于Function() over(rows between unbounded precedeing and unbounded following)如果指定order by默认使用分区内第起点到当前行等同于Function() over(rows between unbounded preceding and current row)8.2.6 Rank1函数说明RANK()排序相同时会重复总数不会变; 重复的名次一样但是下一名名次会以前面人数1来定DENSE_RANK()排序相同时会重复总数会减少;就是若有重复则最后一名的名次不会和总数相等 即并列ROW_NUMBER()会根据顺序计算字段相同就按排头字段继续排;8.3 自定义函数1内置函数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自定义函数当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UDFuser-defined function。3根据用户自定义函数类别分为以下三种①UDFUser-Defined-Function-- 一进一出②UDAFUser-Defined Aggregation Function-- 聚合函数多进一出类似count/max/min③UDTFUser-Defined Table-GeneratingFunctions--炸裂函数一进多出如explode()4官方文档地址https://cwiki.apache.org/confluence/display/Hive/HivePlugins5编程步骤①继承Hive提供的类·org.apache.hadoop.hive.ql.udf.generic.GenericUDF
·org.apache.hadoop.hive.ql.udf.generic.GenericUDTF;② 实现类中的抽象方法③ 在hive的命令行窗口创建函数6.hive中引入自定义函数步骤-- ① 添加jar
hive(default)add jar linux_jar_path
-- ② 创建function
hive(default)create [temporary] function [dbname.]function_nameAS class_name;
-- ③ 在hive的命令行窗口删除函数
hive(default)drop [temporary] function [if exists][dbname.]function_name;8.4 自定义UDF函数1需求:自定义一个UDF实现计算给定字符串的长度例如hive(default)select my_len(abcd);
ok
42案例实操1创建一个Maven工程Hive2在工程项目的pom.xml文件中导入依赖dependenciesdependencygroupIdorg.apache.hive/groupIdartifactIdhive-exec/artifactIdversion3.1.2/version/dependency
/dependencies3创建一个类import org.apache.hadoop.hive.ql.exec.UDFArgumentException;
import org.apache.hadoop.hive.ql.exec.UDFArgumentLengthException;
import org.apache.hadoop.hive.ql.exec.UDFArgumentTypeException;
import org.apache.hadoop.hive.ql.metadata.HiveException;
import org.apache.hadoop.hive.ql.udf.generic.GenericUDF;
import org.apache.hadoop.hive.serde2.objectinspector.ObjectInspector;
import org.apache.hadoop.hive.serde2.objectinspector.primitive.PrimitiveObjectInspectorFactory;/*** 自定义UDF函数需要继承GenericUDF类* 需求: 计算指定字符串的长度*/
public class MyStringLength extends GenericUDF {/**** param arguments 输入参数类型的鉴别器对象* return 返回值类型的鉴别器对象* throws UDFArgumentException*/Overridepublic ObjectInspector initialize(ObjectInspector[] arguments) throws UDFArgumentException {// 判断输入参数的个数if(arguments.length !1){throw new UDFArgumentLengthException(Input Args Length Error!!!);}// 判断输入参数的类型if(!arguments[0].getCategory().equals(ObjectInspector.Category.PRIMITIVE)){throw new UDFArgumentTypeException(0,Input Args Type Error!!!);}//函数本身返回值为int需要返回int类型的鉴别器对象return PrimitiveObjectInspectorFactory.javaIntObjectInspector;}/*** 函数的逻辑处理* param arguments 输入的参数* return 返回值* throws HiveException*/Overridepublic Object evaluate(DeferredObject[] arguments) throws HiveException {if(arguments[0].get() null){return 0 ;}return arguments[0].get().toString().length();}Overridepublic String getDisplayString(String[] children) {return ;}
}4打成jar包上传到服务器/opt/module/hive/datas/myudf.jar5将jar包添加到hive的classpathhive(default) add jar /opt/module/hive/datas/myudf.jar;8.5 创建临时函数创建临时函数与开发好的java class关联create temporary function xxxfunction_name as 全类名;hive(default) create temporary function my_len as com.atguigu.hive. MyStringLength;2.在hql中使用自定义的函数hive(default) select ename,my_len(ename) ename_len from emp;注意临时函数只跟会话有关系跟库没有关系只要创建临时函数的会话不断再当前会话下任意一个库都可以使用其他会话全部不能使用。8.6 创建永久函数注意因为add jar的方式本身也是临时生效所以在创建永久函数的时候需要执行路径应且因为元数据的原因这个路径还得是HDFS上的路径create function xxxfunction_name as 全类名 using jar HDFS上的路径;hive (default) create function my_len2 as com.atguigu.hive.udf.MyUDF using jar hdfs://hadoop102:8020/udf/myudf.jar;
即可在hql中使用自定义的永久函数hive(default)
select ename,my_len2(ename) ename_len
from emp;删除永久函数hive(default) drop function my_len2;注意永久函数跟会话没有关系创建函数的会话断了以后其他会话也可以使用。永久函数创建的时候在函数名之前需要自己加上库名如果不指定库名的话会默认把当前库的库名给加上。永久函数使用的时候需要在指定的库里面操作,或者在其他库里面使用的话加上 库名.函数名。 第9章压缩和存储Hive不会强制要求将数据转换成特定的格式才能使用。利用Hadoop的InputFormat API可以从不同数据源读取数据使用OutputFormat API可以将数据写成不同的格式输出。对数据进行压缩虽然会增加额外的CPU开销但是会节约客观的磁盘空间并且通过减少载入内存的数据量而提高I/O吞吐量会更加提高网络传输性能。原则上Hadoop的job时I/O密集型的话就可以采用压缩可以提高性能如果job是CPU密集型的话那么使用压缩可能会降低执行性能。9.1 Hadoop压缩配置9.1.1 MR支持的压缩编码压缩格式算法文件扩展名是否可切分DeflateDeflate.deflate否GzipDeflate.gz否Bzip2Bzip2.bz2是LzoLzo.lzo是SnappySnappy.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DEFLATEorg.apache.hadoop.io.compress.DefaultCodecgziporg.apache.hadoop.io.compress.GzipCodecbzip2org.apache.hadoop.io.compress.BZip2CodecLZOcom.hadoop.compression.lzo.LzopCodecSnappyorg.apache.hadoop.io.compress.SnappyCodec为什么需要这么多的压缩方案呢每一个压缩方案都在压缩和解压缩速度和压缩率间进行权衡。如下是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gzip8.3GB1.8GB17.5MB/s58MB/sbzip28.3GB1.1GB2.4MB/s9.5MB/sLZO8.3GB2.9GB49.3MB/s74.6MB/s9.1.2 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.compressfalsemapper输出这个参数设为true启用压缩mapreduce.map.output.compress.codecorg.apache.hadoop.io.compress.DefaultCodecmapper输出使用LZO、LZ4或snappy编解码器在此阶段压缩数据mapreduce.output.fileoutputformat.compressfalsereducer输出这个参数设为true启用压缩mapreduce.output.fileoutputformat.compress.codecorg.apache.hadoop.io.compress. DefaultCodecreducer输出使用标准工具或者编解码器如gzip和bzip2mapreduce.output.fileoutputformat.compress.typeRECORDreducer输出SequenceFile输出使用的压缩类型NONE和BLOCK9.2 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。1具体配置如下--1开启hive中间传输数据压缩功能
hive (default) set hive.exec.compress.intermediate true;--2开启mapreduce中map输出压缩功能
hive (default) set mapreduce.map.output.compresstrue;--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;9.3 开启Reduce输出阶段压缩当Hive将输出写入到表中时可以通过属性hive.exec.compress.output对输出内容进行压缩。将hive.exec.compress.output false这样输出就是非压缩的纯文本文件了。将hive.exec.compress.output true来开启输出结果压缩功能。设置步骤如下--1开启hive最终输出数据压缩功能
hive (default) set hive.exec.compress.outputtrue;--2开启mapreduce最终输出数据压缩
hive (default) set mapreduce.output.fileoutputformat.compresstrue;--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.typeBLOCK;--5测试一下输出结果是否是压缩文件
hive (default) insert overwrite local directory/opt/module/hive/datas/distribute-result select * from emp distribute by deptno sort by empno desc;--6查看目录/opt/module/hive/datas/distribute-result下文件
[atguiguhadoop102 distribute-result]$ ll
总用量 4
-rw-r--r--. 1 atguigu atguigu 493 10月 21 22:56 000000_0.snappy9.4 文件存储格式Hive支持的存储数据的格式主要有TEXTFILE、SEQUENCEFILE、ORC、PARQUET。9.4.1 列式存储和行式存储如图所示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列存储的特点每个字段的数据聚集存储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。9.4.2 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。9.4.3 Orc格式Orc (Optimized Row Columnar)是Hive0.11版里引入的新的存储格式。如下图所示可以看到每个Orc文件由1个或多个stripe组成每个stripe一般为HDFS的块大小每一个stripe包含多条记录这些记录按照列进行独立存储对应到Parquet中的rowgroup的概念。每个Stripe里有三部分组成分别是IndexDataRowDataStripeFooter1IndexData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。2Row 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。3StripeFooter存的是各个Stream的类型长度等信息。每个文件有一个FileFooter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FileFooter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。9.4.4 Parquet格式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。1行组(Row Group)每一个行组包含一定的行数在一个HDFS文件中至少存储一个行组类似于orc的stripe的概念。2列块(Column Chunk)在一个行组中每一列保存在一个列块中行组中的所有列连续的存储在这个行组文件中。一个列块中的值都是相同类型的不同的列块可能使用不同的算法进行压缩。3页(Page)每一个列块划分为多个页一个页是最小的编码的单位在同一个列块的不同页可能使用不同的编码方式。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。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。第10章企业级调优10.1 执行计划Explain1基本语法EXPLAIN [EXTENDED | DEPENDENCY |AUTHORIZATION] query10.2 Hive建表优化10.2.1 分区表10.2.2 分桶表10.2.3 合适的文件格式10.3 HQL语法优化10.3.1 列裁剪和分区裁剪在生产环境中会面临列很多或者数据量很大时如果使用select * 或者不指定分区进行全列或者全表扫描时效率很低。Hive在读取数据时可以只读取查询中所需要的列忽视其他的列这样做可以节省读取开销中间表存储开销和数据整合开销1.列裁剪在查询时只读取需要的列。2.分区裁剪在查询中只读取需要的分区。10.3.2 Group By1.介绍默认情况下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。(例如Combiner)2进行参数设置--1开启Map端聚合参数设置
-- ① 是否在Map端进行聚合默认为True
hive(default) set hive.map.aggr true-- ② 在Map端进行聚合操作的条目数目
hive(default) set hive.groupby.mapaggr.checkinterval 100000-- ③ 有数据倾斜的时候进行负载均衡默认是false
hive(default) set hive.groupby.skewindata true ④ 当开启数据负载均衡时生成的查询计划会有两个MRJob。第一个MRJob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MRJob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。10.3.3 CBO优化join的时候表的顺序的关系前面的表都会被加载到内存中。后面的表进行磁盘扫描select a.*, b.*, c.* from a join b on a.id b.id join c on b.tt c.tt;Hive 自 0.14.0 开始加入了一项 Cost based Optimizer 来对 HQL 执行计划进行优化这个功能通过 hive.cbo.enable 来开启。在 Hive 1.1.0 之后这个属性是默认开启的它可以自动优化HQL中多个Join的顺序并选择合适的Join算法。CBO成本优化器代价最小的执行计划就是最好的执行计划。传统的数据库成本优化器做出最优化的执行计划是依据统计信息来计算的。Hive 的成本优化器也一样Hive 在提供最终执行前优化每个查询的执行逻辑和物理执行计划。这些优化工作是交给底层来完成的。根据查询成本执行进一步的优化从而产生潜在的不同决策如何排序连接执行哪种类型的连接并行度等等。要使用基于成本的优化也称为 CBO请在查询开始设置以下参数set hive.cbo.enabletrue;
set hive.compute.query.using.statstrue;
set hive.stats.fetch.column.statstrue;
set hive.stats.fetch.partition.statstrue;Removed In: Hive 3.0.0 with HIVE-1793210.3.4 谓词下推谓词下推保证结果正确的前提下将SQL语句中的where谓词逻辑都尽可能提前执行减少下游处理的数据量。对应逻辑优化器是PredicatePushDown配置项为hive.optimize.ppd默认为true。什么是谓词where后面的条件优势通过谓词下推过滤条件将在map端提前执行减少了map端的输出降低了数据IO节约资源提升性能。案例实操-- 1打开谓词下推优化属性
hive (default) set hive.optimize.ppd true; #谓词下推默认是true--2查看先关联两张表再用where条件过滤的执行计划
hive (default) explain select o.id from bigtable b join bigtable o on o.id b.id where o.id 10;-- 3查看子查询后再关联表的执行计划
hive (default) explain select b.id from bigtable b
join (select id from bigtable where id 10) o on b.id o.id;--1测试先关联两张表再用where条件过滤
hive (default) select o.id from bigtable b
join bigtable 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
hive (default) select b.id from bigtable b
join (select id from bigtable where id 10 ) o on b.id o.id;
Time taken: 30.058 seconds, Fetched: 100 row(s)10.3.5 MapJoinMapJoin 是将 Join 双方比较小的表直接分发到各个 Map 进程的内存中在 Map 进程中进行 Join 操 作这样就不用进行Reduce 步骤从而提高了速度。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-- 1设置自动选择MapJoin
set hive.auto.convert.jointrue; #默认为true-- 2大表小表的阈值设置默认25M以下认为是小表
set hive.mapjoin.smalltable.filesize25000000;2MapJoin工作机制MapJoin 是将 Join 双方比较小的表直接分发到各个 Map 进程的内存中在 Map 进程中进行Join 操作这样就不用进行 Reduce 步骤从而提高了速度。3案例实操1开启MapJoin功能hive(default) set hive.auto.convert.join true; //默认为true2执行小表JOIN大表语句注意此时小表(左连接)作为主表所有数据都要写出去因此此时会走reduce; mapjoin失效hive(default)Explain
select b.id, b.t,b.uid, b.keyword, b.url_rank, b.click_num, b.click_url
from smalltable s
left join bigtable b
on s.id b.id;3执行大表JOIN小表语句hive(default)Explain
select b.id, b.t,b.uid, b.keyword, b.url_rank, b.click_num, b.click_url
from bigtable b
left join smalltable s
on b.id s.id;10.3.6 大表、大表SMB JOIN重点1. SMB sort merge bucket join2. SMB案例分桶大表join① 创建分桶表1--bigtable_buck1,桶的个数不要超过可用CPU的核数hive(default) create tablebigtable_buck1(id bigint,t bigint,uid string,keyword string,url_rank int,click_num int,click_url string)
clustered by(id)
sorted by(id)
into 6 buckets -- 桶的个数和CPU核数和Reduce数需要一致
row format delimited fieldsterminated by \t;hive(default) insert into bigtable_buck1 select * from bigtable; ② 创建分桶表2--bigtable_buck2表桶的个数是bigtable_buck1的倍数关系这里取一倍。hive(default)create table bigtable_buck2 like bigtable_buck1;
hive(default)insert into bigtable_buck2 select * from bigtable;③设置参数开启SMBhive(default) sethive.optimize.bucketmapjoin true;
hive(default) sethive.optimize.bucketmapjoin.sortedmerge true;
hive(default) sethive.input.formatorg.apache.hadoop.hive.ql.io.BucketizedHiveInputFormat;④ 测试SMB joinhive(default)insert overwrite tablejointable
select b.id, b.t, b.uid,b.keyword, b.url_rank, b.click_num, b.click_url
from bigtable_buck1 s
join bigtable_buck2 b
on b.id s.id;10.3.7 笛卡尔积1. 什么是笛卡尔积2. 产生笛卡尔积的条件① 两个表join时不写on条件② 两个表join时on条件无效3. 问题Hive中笛卡尔积的查询只能使用一个Reducer来完成面对海量数据很容易出现问题。4. 解决不要写笛卡尔积开启严格模式不允许在HQL中出现笛卡尔积10.4 数据倾斜1.数据倾斜现象绝大多数任务都很快完成只有一个或者少数几个任务执行的很慢甚至最终执行失败。2.数据过量现象数据过量的表现为所有任务都执行的很慢这个时候只有提高执行资源才可以优化HQL的执行效率。3. 数据倾斜的原因导致倾斜的原因在于按照key分组后少量的任务负载着绝大部分数据的计算也就是说产生数据倾斜的HQL中一定存在着分组的操作。所以从HQL的角度我们可以将数据倾斜分为单表携带了Group by字段的查询和两表多表join的查询10.4.1 单表数据倾斜优化1. 使用参数优化当任务中存在group by操作同时聚合函数为count或者sum可以设置参数来处理数据倾斜的问题就是上文10.3节中的Group by处理方式。-- ① 是否在Map端进行聚合默认为True
hive(default) set hive.map.aggr true-- ② 在Map端进行聚合操作的条目数目
hive(default) set hive.groupby.mapaggr.checkinterval 100000--③ 有数据倾斜的时候进行负载均衡默认是false
hive(default) set hive.groupby.skewindata true2. 增加Reduce数量当数据中的多个key同时导致数据倾斜可以通过增加reduce的数量解决数据倾斜问题1调整Reduce个数方法1-- ① 每个Reduce处理的数据量默认是256MB
hive(default) set hive.exec.reducers.bytes.per.reducer256000000-- ②每个任务最大的reduce数默认为1009
hive(default)set hive.exec.reducers.max1009-- ③计算reducer数的公式
Nmin(参数2总输入数据量/参数1)2调整Reduce个数方法2通过参数配置的方式三种直接指定reduce的个数参数mapreduce.job.reduces。hive(default) set mapreduce.job.reduces 15;10.4.2 join数据倾斜优化1.使用参数在编写 Join 查询语句时如果确定是由于 join 出现的数据倾斜那么请做如下设置-- # join的键对应的记录条数超过这个值则会进行分拆值根据具体数据量设置
set hive.skewjoin.key100000;-- # 如果是join过程出现倾斜应该设置为true
set hive.optimize.skewjoinfalse;如果开启了在Join过程中Hive会将计数超过阈值hive.skewjoin.key默认100000的倾斜key对应的行临时写进文件中然后再启动另一个job做map join生成结果。通过 hive.skewjoin.mapjoin.map.tasks参数还可以控制第二个job的mapper数量默认10000。sethive.skewjoin.mapjoin.map.tasks10000;2. 大小表join可以使用MapJoin没有Reduce阶段就不会出现数据倾斜。详情见3.5节3. 大表大表join使用打散加扩容方式解决数据倾斜问题选择其中较大的表做打散处理select *,concat(id,-,0 or 1 or 2) from A;t1选择其中较小的表做扩容处理select *,concat(id,-,0) from B
union all
select *,concat(id,-,1) from B
union all
select *,concat(id,-,2) from B;t210.5 Hive job 优化10.5.1 Hive Map阶段优化1.复杂文件增加Map数量1使用场景当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。2增加map数量的方法computeSliteSize(Math.max(minSize,Math.min(maxSize,blocksize)))blocksize128M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。3案例实操-- ① 执行查询
hive(default) select count(*) from emp;
Hadoop job information for Stage-1: number ofmappers: 1; number of reducers: 1-- ②设置最大切片值为100个字节
hive(default) set mapreduce.input.fileinputformat.split.maxsize100;
hive(default) select count(*) from emp;
Hadoop job information for Stage-1: number ofmappers: 6; number of reducers: 12. 小文件进行合并1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。hive(default) set hive.input.format org.apache.hadoop.hive.ql.io.CombineHiveInputFormat;2在Map-Reduce的任务结束时合并小文件的设置-- 在map-only任务结束时合并小文件默认true
hive(default) SET hive.merge.mapfiles true;-- 在map-reduce任务结束时合并小文件默认false
hive(default) SET hive.merge.mapredfiles true;--合并文件的大小默认256M
hive(default) SET hive.merge.size.per.task 268435456;--当输出文件的平均大小小于该值时启动一个独立的map-reduce任务进行文件merge
hive(default) SET hive.merge.smallfiles.avgsize 16777216;3. Map端聚合set hive.map.aggrtrue; //相当于map端执行combiner10.5.2 Hive Reduce优化1.合理设置Reduce数1调整reduce个数方法1:1每个Reduce处理的数据量默认是256MB
hive(default) set hive.exec.reducers.bytes.per.reducer256000000
2每个任务最大的reduce数默认为1009
hive(default)set hive.exec.reducers.max1009
3计算reducer数的公式
Nmin(参数2总输入数据量/参数1)2调整reduce个数方法2:通过参数配置的方式三种直接指定reduce的个数参数mapreduce.job.reduces。
hive(default) set mapreduce.job.reduces 15;3reduce个数并不是越多①过多的启动和初始化reduce也会消耗时间和资源②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③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10.5.3 Hive 任务整体优化1. 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 emp;在这种情况下Hive可以简单地读取emp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。propertynamehive.fetch.task.conversion/namevaluemore/valuedescriptionExpects 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.conversion1. minimal : SELECT STAR, FILTER on partition columns, LIMIT only2. more : SELECT, FILTER, LIMIT only (support TABLESAMPLE and virtual columns)/description
/property2.本地模式1本地模式介绍① 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。② 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。③ 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。④用户可以通过设置hive.exec.mode.local.autotrue来让Hive在适当的时候自动启动这个优化。hive(default)sethive.exec.mode.local.autotrue; //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.max50000000;-- 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.max10;3. 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.paralleltrue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。hive(default) set hive.exec.paralleltrue; //打开任务并行执行
hive(default) sethive.exec.parallel.thread.number16; //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。4. 严格模式1介绍Hive可以通过设置防止一些危险操作2分区表不使用分区过滤将hive.strict.checks.no.partition.filtertrue时对于分区表除非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。3使用orderby没有limit过滤将hive.strict.checks.orderby.no.limittrue时对于使用了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。4笛卡尔积将hive.strict.checks.cartesian.producttrue时会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。
