1. Hive基础

  • 1. Hive基础
  • Hive基本概念
  • 引入原因：
  • Hive是什么
  • Hive数据管理
  • 四种数据模型
  • Hive内部表和外部表
  • Hive数据类型
  • Hive的优化
  • Map的优化：
  • Reduce 的优化
  • 一个Reduce:
  • 分区裁剪（partition）
  • 笛卡尔积
  • Map join
  • Union all
  • Multi-insert & multi-group by
  • Automatic merge
  • Multi-Count Distinct
  • Hive优化-- 大小表关联
  • Hive优化-- 大大表关联

Hive基本概念

引入原因：

  • – 对存在HDFS上的文件或HBase中的表进行查询时，是要手工写一堆MapReduce码
  • – 对于统计任务，只能由动MapReduce的程序员才能搞定
  • – 耗时耗力，更多精力没有有效的释放出来

Hive是什么

  • Hive基于一个统一的查询分析层，通过SQL语句的方式对HDFS上的数据进行查询、统计和分析
  • Hive是一个SQL解析引擎，将SQL语句转译成MR然后再Hadoop平台上运行，达到快速开发的目的
  • Hive中的表是 纯逻辑 表，就只是表的定义等，即表的元数据。本质就是Hadoop的目录/文件，达到了元数据与数据存储分离的目的
  • Hive本身不存储数据，它完全依赖HDFS和MapReduce。
  • Hive的内容是读多写少，不支持对数据的改写和删除(0.14版本之后，Hive支持更新删除功能，但需要手动进行配置 )
  • Hive中没有定义专门的数据格式，由用户指定，需要指定三个属性：
  • 列分隔符
  • \n****
  • 行分隔符
  • 空格、\t、\001
  • 读取文件数据的方法
  • TextFile、SequenceFile(二进制，是hadoop提供的一种二进制文件，<key,value>形式序列化到文件中,java writeable接口进行序列化和反序列化)、RCFile(是Hive专门推出的一种面向列的数据格式)
  • 为什么选择Hive
    因为简单！！
select word, count(*)
from (
select
explode(split(sentence, ' ')) as word
from article
) t
group by word
select word, count(*)
from (
select
explode(split(sentence, ' ')) as word
from article
) t
group by word
  • Hsql与传统sql区别

Hsql

sql

数据存储

HDFS、 Hbase

Local FS

数据格式

用户自定义

系统决定

数据更新

不支持(把之前的数据覆盖)

支持

索引

有(0.8版之后增加)

有

执行

MapReduce

Executor

执行延迟

高

低

可扩展性

高(UDF、 UDAF，UDTF)

低

数据规模

大(数据大于TB)

小

数据检查

读时模式

写时模式

  • UDF，UDAF，UDTF
  1. UDF:直接应用于select语句，通常查询的时候,需要对字段做一些格式化处理(大小写转换)，特点：一进一出，1比1
  2. UDAF：多对一场景,group by
  3. UDTF：一对多场景
  • 读时模式 vs 写时模式
  1. 读时模式：只有hive读的时候才会检查、解析字段和schema，优点：加载数据很迅速，因为在写的过程中是不需要解析数据
  2. 写时模式：缺点：写的慢，需要建立一些索引、压缩、数据一致性、字段检查等，优点：读的时候会得到优化
  • 与传统关系型数据库特点比较
  1. hive和关系数据库存储文件的系统不同，hive使用的是hadoop的HDFS（hadoop的分布式文件系统），关系数据库则是服务器本地的文件系统；
  2. hive使用的计算模型是mapreduce，而关系数据库则是自己设计的计算模型
  3. 关系数据库都是为实时查询的业务进行设计的，而hive则是为海量数据做数据挖掘设计的，实时性很差
  4. Hive很容易扩展自己的存储能力和计算能力，这个是继承hadoop的，而关系数据库在这个方面要比数据库差很多。

Hive数据管理

四种数据模型

  • Table(默认表，也称内部表)
  • External Table(外部表)
  • Partition(分区表)
  • Bucket(分桶表)
  1. Hive会针对某一个列进行桶组织，通常对列值做hash
  2. 优化查询、方便采样

Hive内部表和外部表

  • Hive的create创建表的时候，选择的创建方式：
  1. create table(内部表)
  2. create external table(外部表)
  • 内部表 vs 外部表
  1. 差别：在对内部表操作的时候如果通过Hive对表进行删除，那么表结构和表中的数据也会删除，反之使用外部表的的话做删除操作时不会删除数据，只会删除表结构,所以尽量使用外部表

Hive数据类型

  • 原生数据类型
  • TINYINT
  • SMALLINT
  • INT
  • BIGINT
  • BOOLEAN
  • FLOAT
  • DOUBLE
  • STRING
  • BINARY（Hive 0.8.0以上才可用）
  • TIMESTAMP（Hive 0.8.0以上才可用）
  • 复合类型
  • Arrays：ARRAY
  • Maps:MAP<primitive_type, data_type>
  • Structs:STRUCT<col_name: data_type[COMMENT col_comment],……>
  • Union:UNIONTYPE<data_type, data_type,……>
  • 复合类型的作用
  • Hive Sql -- join in MR

Hive的优化

Map的优化：

  • – 作业会通过input的目录产生一个或者多个map任务。 set dfs.block.size(=128)
  • – Map越多越好吗？是不是保证每个map处理接近文件块的大小？
  • – 如何合并小文件，减少map数？
set mapred.max.split.size=100000000;
  set mapred.min.split.size.per.node=100000000;
  set mapred.min.split.size.per.rack=100000000;
  set hive.input.format=org.apache.hadoop.hive.ql.io.CombineHive`InputFormat;
  • – 如何适当的增加map数？
set mapred.map.tasks=10;
  • – Map端聚合 hive.map.aggr=true ,Mr中的Combiners

Reduce 的优化

  • hive.exec.reducers.bytes.per.reducer；reduce任务处理的数据量
  • 调整reduce的个数：
  • 设置reduce处理的数据量
  • set mapred.reduce.tasks=10
select pt,count(1)
from popt_tbaccountcopy_mes
where pt = '2012-07-04' group by pt;
写成
select count(1)
from popt_tbaccountcopy_mes
where pt = '2012-07-04';
select pt,count(1)
from popt_tbaccountcopy_mes
where pt = '2012-07-04' group by pt;
写成
select count(1)
from popt_tbaccountcopy_mes
where pt = '2012-07-04';

一个Reduce:

  • 没有group by
  • order by（可以使用distribute by和sort by）
  • 笛卡尔积

分区裁剪（partition）

  • – Where中的分区条件，会提前生效，不必特意做子查询，直接Join和GroupBy

笛卡尔积

  • – join的时候不加on条件或者无效的on条件，Hive只能使用1个reducer来完成笛卡尔积

Map join

  • /+ MAPJOIN(tablelist) /，必须是小表，不要超过1G，或者50万条
  • 假设有A表、B表，有A.join(B),如果A表示小表的话，可考虑是否将A表放入到内存中(小表尽量少于1G)，

Union all

  • 先做union all再做join或group by等操作可以有效减少MR过程，尽管是多个Select，最终只有一个mr，数据不去重
  • union操作不会产生重复记录但效率稍低一些，union all会产生重复数据但效率比union高一些

Multi-insert & multi-group by

  • – 从一份基础表中按照不同的维度，一次组合出不同的数据
  • – FROM from_statement
  • – INSERT OVERWRITE TABLE tablename1 [PARTITION (partcol1=val1)]select_statement1 group by key1
  • – INSERT OVERWRITE TABLE tablename2 [PARTITION(partcol2=val2 )]select_statement2 group by key2

Automatic merge

  • – 当文件大小比阈值小时，hive会启动一个mr进行合并
  • – hive.merge.mapfiles = true 是否和并 Map 输出文件，默认为 True
  • – hive.merge.mapredfiles = false 是否合并 Reduce 输出文件，默认为 False
  • – hive.merge.size.per.task = 25610001000 合并文件的大小

Multi-Count Distinct

  • – 必须设置参数：set hive.groupby.skewindata=true;
  • – select dt, count(distinct uniq_id), count(distinct ip)
  • – from ods_log where dt=20170301 group by dt

Hive优化-- 大小表关联

  • 原因
  • Hive在进行join时，按照join的key进行分发，而在join左边的表的数据会首先读入内存，如果左边表的key相对分散，读入内存的数据会比较小，join任务执行会比较快；而如果左边的表key比较集中，而这张表的数据量很大，那么数据倾斜就会比较严重，而如果这张表是小表，则还是应该把这张表放在join左边。
  • 思路
  • 将key相对分散，并且数据量小的表放在join的左边，这样可以有效减少内存溢出错误发生的几率
  • 使用map join让小的维度表先进内存。
  • 方法
  • Small_table join big_table

Hive优化-- 大大表关联

  • 原因
  • 日志中有一部分的userid是空或者是0的情况，导致在用user_id进行hash分桶的时候，会将日志中userid为0或者空的数据分到一起，导致了过大的斜率。
  • 思路
  • 把空值的key变成一个字符串加上随机数，把倾斜的数据分到不同的reduce上，由于null值关联不上，处理后并不影响最终结果。
  • 方法
  • on case when (x.uid = '-' or x.uid = '0‘ or x.uid is null) then concat('dp_hive_search',rand()) else x.uid end = f.user_id;