第1章Hive基本概念

1.1 Hive

1.1.1 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HQL（hiveSQL）转化成MapReduce程序

（1）Hive处理的数据存储在HDFS

（2）Hive分析数据底层的实现是MapReduce

（3）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

1.2.2 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

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

---

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Derby

1.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Mysql

1. 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 Server

1.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Hive

JDBC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

//TODO

2.6 Hive常用交互命令

[atguigu@hadoop102 hive]$ bin/hive -help
usage: hive
-d,--define <key=value>        Variable subsitution to apply to hive commands.                                                     e.g. -d A=B or --define A=B应用于hive命令的变量替换。如：-d A=B 或者 –-define A=B--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 <property=value>       Use value for given property设置属性值--hivevar <key=value>          Variable subsitution to apply to hive commands.                                                             e.g. --hivevar A=B应用于hive命令的变量替换，如：--hivevar A=B-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

[atguigu@hadoop102 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
[atguigu@hadoop102 hive]$ mkdir /opt/module/hive/datas
[atguigu@hadoop102 hive]$ touch /opt/module/hive/datas/hive-f.sql2）文件中写入正确的sql语句
[atguigu@hadoop102 datas]$ vim /opt/module/hive/datas/hive-f.sql
select * from test2;3）执行文件中的sql语句
[atguigu@hadoop102 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
[atguigu@hadoop102 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/logs

① 修改conf目录下hive-log4j2.properties.template文件名称为hive-log4j2.properties

[atguigu@hadoop102hive]$ mv conf/hive-log4j2.properties.template conf/hive-log4j2.properties

② 在hive-log4j.properties文件中修改log存放位置

[atguigu@hadoop102hive]$ vim conf/hive-log4j2.properties
property.hive.log.dir=/opt/module/hive/logs

3）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 space

2.解决：修改HADOOP_HEAPSIZE参数的值

1）修改/opt/module/hive/conf/下的hive-env.sh.template

[atguigu@hadoop102hive]$ mvconf/hive-env.sh.template conf/hive-env.sh
[atguigu@hadoop102hive]$ vim conf/hive-env.sh
……
exportHADOOP_HEAPSIZE=1024

2.7.3 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:

<property><name>hive.cli.print.header</name><value>true</value></property><property><name>hive.cli.print.current.db</name><value>true</value>
</property>

2.7.4 参数配置方式

1. set 命令使用：查看当前所有的配置信息

hive>set;

2.配置参数的三种方式：

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

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

Hive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

1）Hive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_name=property_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
bigdata2

4.2.2 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('createtime'='20211022');-- 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    {createtime=20211022}

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('createtime'='20211022');-- 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    {createtime=20211022}

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_name=property_value, ...)]
[AS select_statement]
[LIKES existing_table_or_view_name]

2）字段解释说明

4.5.1 管理表(内部表)

1）理论

1. 默认创建的表都是所谓的管理表，有时也被称为内部表。

2. 管理表，Hive会控制着元数据和真实数据的生命周期。

3. 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。

4. 当我们删除一个管理表时，Hive也会删除这个表中数据。

5. 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SELECT+INSERT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_TABLE

（2）修改内部表student2为外部表

hive(default)> alter table student2 set tblproperties('EXTERNAL'='TRUE');

（3）查询表的类型

hive(default)> desc formatted student2;
Table Type:             EXTERNAL_TABLE

（4）修改外部表student2为内部表

hive(default)> alter table student2 set tblproperties('EXTERNAL'='FALSE');

（5）查询表的类型

hive(default)> desc formatted student2;
Table Type:             MANAGED_TABLE

注意：('EXTERNAL'='TRUE')和('EXTERNAL'='FALSE')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

1. 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;

2. 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（Truncate）

truncate 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（Load）

1.基本语法

hive(default)>load data [local] inpath '数据的path' [overwrite] into table table_name[partition (partcol1=val1,…)];

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 into table  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 ;

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

6.2 基本查询（Select…From）

6.2.3 算术运算符

6.2.4 常用函数（sethive.exec.mode.local.auto=true;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

2）WHERE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 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。

（null与其他值比较或者运算得到的结果也是null）

6.2.8 Like和RLike

1．like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。

3．RLIKE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）

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

1．having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Join

Hive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dname；

hive(default)>selectempno,dept.deptno,ename,dname
from emp
join dept on emp.deptno=dept.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.deptno=d.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.deptno=d.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.deptno=d.deptno;OK
e.empno e.ename   e.deptno  d.deptno d.dname
NULL      NULL       NULL     40         OPERATIONS

6.3.6 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.deptno=d.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MR：

① 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 By）

1. Order By：全局排序，只有一个Reducer

2. 顺序：① ASC（ascend）: 升序（默认）；② DESC（descend）: 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 By）

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

6.4.3 分区（Distribute By）

1.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.reduces=3;
hive(default)> insert overwrite local directory '/opt/module/hive/datas/distribute-result' row format delimited fieldsterminated by '\t'selectename,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 By

1.cluster by：

① 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。

3）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。

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(day='20200401'); 
hive (default)> load data local inpath '/opt/module/hive/datas/dept_20200402.log' into table dept_partition partition(day='20200402');
hive (default)> load data local inpath '/opt/module/hive/datas/dept_20200403.log' into table dept_partition partition(day='20200403');

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 day='20200401';

• 多分区联合查询（union必走MR 效率较低）

hive (default)> select * from dept_partition where day='20200401'unionselect * from dept_partition where day='20200402'unionselect * from dept_partition where day='20200403';
hive (default)> select * from dept_partition where day='20200401' orday='20200402' or day='20200403' ;    

5．增加分区

-- 添加单个分区
hive(default)> alter tabledept_partition add partition(day='20200404');
hive (default)>show partitionsdept_partition;-- 同时添加多个分区
hive (default)> alter table dept_partition add partition(day='20200405') partition(day='20200406');
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 (day='20200406');
hive (default)> show partitions dept_partition;-- ② 同时删除多个分区
hive (default)> alter table dept_partition drop partition (day='20200404'), partition(day='20200405');
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(day='20200401', hour='11');
-- ② 查询分区数据
hive (default)> select * from dept_partition2 where day='20200401' and hour='11';

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/day=20200401/hour=12;
hive (default)> dfs -put /opt/module/hive/datas/dept_20200402.log /user/hive/warehouse/dept_partition2/day=20200401/hour=12;-- 2.查询数据（查询不到刚上传的数据）
hive (default)> select * from dept_partition2 where day='20200401' and hour='12';-- 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 day='20200401' and hour='12';

（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/day=20200401/hour=13;
hive (default)> dfs -put /opt/module/hive/datas/dept_20200403.log /user/hive/warehouse/dept_partition2/day=20200401/hour=13;-- 2.执行添加分区
hive (default)> alter table dept_partition2 add partition(day='20200401',hour='13');-- 3.查询数据
hive (default)> select * from dept_partition2 where day='20200401' and hour='14';

（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/day=20200401/hour=14;-- 2.上传数据
hive (default)> load data local inpath '/opt/module/hive/datas/dept_20200401.log' into table dept_partition2 partition(day='20200401',hour='14');-- 3.查询数据
hive (default)> select * from dept_partition2 where day='20200401' and hour='14';

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.partition=true;

（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.mode=nonstrict

（3）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

hive(default)> set hive.exec.max.dynamic.partitions=1000;

（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.pernode=100;

（5）整个MRJob中，最大可以创建多少个HDFS文件。默认100000

hive(default)> set hive.exec.max.created.files=100000;

（6）当有空分区生成时，是否抛出异常。一般不需要设置。默认false

hive(default)> set hive.error.on.empty.partition=false;

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 x

3）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:BUILTIN

8.2 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:BUILTIN

2.解释：

8.2.2 CASE WHEN THEN ELSE END

1. 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a=b时，返回c；当a=d时，返回d；当a=e时，放回e；其他情况返回f。

8.2.3 行转列

1. 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 array<string>

(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

1. 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UDTF，UDTF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：

Function（arg1 ……） over（[partition by arg1 ……] [order by arg1 ……] [<window_expression>]）

• 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NULL

• lag(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NULL

3.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 Rank

1．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（UDF：user-defined function）。

3．根据用户自定义函数类别分为以下三种：

①UDF（User-Defined-Function）--> 一进一出

②UDAF（User-Defined Aggregation Function）--> 聚合函数，多进一出，类似：count/max/min

③UDTF（User-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/HivePlugins

5．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
4

2．案例实操

1）创建一个Maven工程Hive

2）在工程项目的pom.xml文件中导入依赖

<dependencies><dependency><groupId>org.apache.hive</groupId><artifactId>hive-exec</artifactId><version>3.1.2</version></dependency>
</dependencies>

3）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.jar

5）将jar包添加到hive的classpath

hive(default)> add jar /opt/module/hive/datas/myudf.jar;

8.5 创建临时函数

1. 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

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：

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

9.1.2 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）：

9.2 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.compress=true;--（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。

1. 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.output=true;--（2）开启mapreduce最终输出数据压缩
hive (default)> set mapreduce.output.fileoutputformat.compress=true;--（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.type=BLOCK;--（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
[atguigu@hadoop102 distribute-result]$ ll
总用量 4
-rw-r--r--. 1 atguigu atguigu 493 10月 21 22:56 000000_0.snappy

9.4 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IndexData，RowData，StripeFooter：

1）IndexData：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）StripeFooter：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（Explain）

1．基本语法

EXPLAIN [EXTENDED | DEPENDENCY |AUTHORIZATION] query

10.2 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 By

1.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.enable=true;
set hive.compute.query.using.stats=true;
set hive.stats.fetch.column.stats=true;
set hive.stats.fetch.partition.stats=true;（Removed In: Hive 3.0.0 with HIVE-17932）

10.3.4 谓词下推

1. 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。

2. 什么是谓词：where后面的条件

3. 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。

4. 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 MapJoin

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。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.join=true; #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.filesize=25000000;

2．MapJoin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true

2）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 join

2. SMB案例，分桶大表join

① 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SMB

hive(default)> sethive.optimize.bucketmapjoin = true;
hive(default)> sethive.optimize.bucketmapjoin.sortedmerge = true;
hive(default)> sethive.input.format=org.apache.hadoop.hive.ql.io.BucketizedHiveInputFormat;

④ 测试SMB join

hive(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 = true

2. 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.reducer=256000000-- ②每个任务最大的reduce数，默认为1009
hive(default)>set hive.exec.reducers.max=1009-- ③计算reducer数的公式
N=min(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.key=100000;-- # 如果是join过程出现倾斜应该设置为true
set hive.optimize.skewjoin=false;

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.tasks=10000;

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;t2

10.5 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)))=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。

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.maxsize=100;
hive(default)> select count(*) from emp;
Hadoop job information for Stage-1: number ofmappers: 6; number of reducers: 1

2. 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.aggr=true;    //相当于map端执行combiner

10.5.2 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.reducer=256000000
（2）每个任务最大的reduce数，默认为1009
hive(default)>set hive.exec.reducers.max=1009
（3）计算reducer数的公式
N=min(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;

3）reduce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。

<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.conversion1. minimal : SELECT STAR, FILTER on partition columns, LIMIT only2. more  : SELECT, FILTER, LIMIT only (support TABLESAMPLE and virtual columns)</description>
</property>

2.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.auto=true，来让Hive在适当的时候自动启动这个优化。

hive(default)>sethive.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;

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.parallel=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。

hive(default)> set hive.exec.parallel=true;            //打开任务并行执行
hive(default)> sethive.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。

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.filter=true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.limit=true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.product=true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。