如图所示,hive通过给用户提供一系列交互接口,接收到用户的指令(SQL),使用自己的Driver,结合元数据(MetaStore),将这些指令翻译为MapReduce,提交到Hadoop中执行,最后将执行的返回结果输出到用户交互接口
用户接口:client
CLI(hive shell)、JDBC/ODBC(java访问hive)、WEBUI(浏览器访问hive)
元数据:MetaStore
元数据包括:表名、表的所属的数据库(默认是default)、表的拥有者,列/分区字段、表的类型(是否是外部表)、表的数据所在目录等;
默认存储在自带的derby数据库中,推荐使用MySQL存储MetaStore
Hadoop
使用HDFS进行存储,视同MapReduce进行计算
驱动器:Driver
由于hive采用可类似SQL的查询语言,HQL(Hive Query Language),因此很容易将Hive理解为数据库。其实从结构上来看,Hive和数据库除了拥有类似查询的查询语言,再无类似之处。数据库可以用在Online的应用之中,但是Hive是为数据仓库而设计的,清楚这一点,有助于从应用角度理解Hive的特性
查询语言
由于SQL被广泛的应用在数据仓库中,因此,专门针对hive的特性设计了类SQL语言的查询语言HQL。熟悉SQL的开发者可以很方便的使用Hive进行开发
数据存储位置
Hive是建立在Hadoop之上的,所有Hive的数据都是存储在HDFS中的。而数据库则可以将数据保存在块设备或者本地文件系统中
数据更新
由于Hive是针对数据仓库应用设计的,而数据仓库的内容是读多写少的。因此,**Hive中不支持对数据的改写和添加,所有的数据都是在加载的时候确定好的。**而数据库中的数据通常是需要经常进行修改的,因此可以使用 insert into .... values 添加数据,使用update ... set 修改数据
索引
Hive在加载数据的过程中不会对数据进行任何处理,甚至不会对数据进行扫描,因此也没有对数据中的某些key建立索引。Hive要访问数据中满足条件的特定值时,需要暴力扫描整个数据,因此即使没有索引,对于大数据量的访问,Hive仍然可以体现出优势。数据库中,通常会针对一个或几个列建立索引,因此对于少量的特定条件的数据的访问,数据库可以有很高的效率,较低的延迟。由于数据的访问延迟较高,决定了hive不适合在线数据查询。
执行
Hive中大多数查询的执行是通过Hadoop提供的MapReduce来实现的。而数据库通常有自己的执行引擎
执行延迟
Hive在查询的时候,由于没有索引,需要扫描整个表,因此延迟比较高。另一个导致Hive执行延迟高的因素是MapReduce框架。由于MapReduce本身具有较高的延迟,因此在利用MapReduce执行hive查询时,也会有较高的延迟。相对的,数据库的执行延迟较低。当然,这个低是有条件的,即数据规模比较小,当数据规模大的超过数据库的处理能力的时候,Hive的并行计算显然能体现出优势
可扩展性
由于Hive是建立在Hadoop上的,因此Hive的可扩展性和Hadooop的可扩展性是一致的(世界上最大的Hadoop集群在yahoo!,2009年的规模在4000 台节点左右)。而数据库由于ACID语义有严格限制,扩展行非常有限。目前最先进的并行数据库Oracle在理论上的扩展能里也只有100台左右。
数据规模
由于Hive建立在集群上并可以利用MapReduce进行并行计算,因此可以支持很大规模的数据,对应的,数据库可以支持的数据规模比较小
注:hive在安装之前必须先安装MySql
Hive官网地址:
http://hive.apache.org/
文档查看地址:
https://cwiki.apache.org/confluence/display/Hive/GettingStarted
下载地址:
http://archive.apache.org/dist/hive/
github地址:
https://github.com/apache/hive
上传hive安装包在/opt/software目录下
解压hive安装包至/opt/module目录下面
tar -zxvf apache-hive-1.2.1-bin.tar.gz -C /opt/module/
mv apache-hive-1.2.1-bin/ hive-1.2.1
mv hive-env.sh.template hive-env.sh
配置hive-env.sh文件
export HADOOP_HOME=/opt/module/hadoop-2.8.4
export HIVE_CONF_DIR=/opt/module/hive/conf
注:Hive的log默认存放在/tmp/itstar/hive.log目录下(当前用户名下)
修改hive的log日志存放到/opt/module/hive/logs**(可选)**
mv hive-log4j.properties.template hive-log4j.properties
hive.log.dir=/opt/module/hive/logs
mkdir logs
Hadoop集群配置
start-dfs.sh
start-yarn.sh
bin/hadoop fs -mkdir /tmp
bin/hadoop fs -mkdir /user/hive/warehouse
bin/hadoop fs -chmod g+w /tmp
bin/hadoop fs -chmod g+w /user/hive/warehouse
直接启动
hive
启动hive的metastore 服务和hiveserver2服务,之后可以使用beeline连接
bin/hive --service metastore & hiveserver2
!connect jdbc:hive2://bigdata111:10000
show databases;
use default;
show tables;
create table student(id int,name string);
show tables;
desc student;
insert into student values(1001,"w1");
select * from student;
dfs -ls /;
! ls /opt/module/datas;
查看在hive中输入的所有历史命令
进入到当前用户的根目录/root
或/home/bigdata111
查看.hivehistory
文件
cat .hivehistory
退出hive
exit;
或
quit;
驱动拷贝
上传mysql-connector-java-5.1.27-bin.jar到/opt/module/hive/lib/
配置MetaStore到MySql
touch hive-site.xml
vim hive-site.xml
根据官方文档配置参数,拷贝数据到hive-site.xml文件中。
https://cwiki.apache.org/confluence/display/Hive/AdminManual+MetastoreAdmin
<?xml version="1.0"?>
<?xml-stylesheet type="text/xsl" href="configuration.xsl"?>
<configuration>
<property>
<name>javax.jdo.option.ConnectionURL</name>
<value>jdbc:mysql://bigdata111:3306/metastore?createDatabaseIfNotExist=true</value>
<description>JDBC connect string for a JDBC metastore</description>
</property>
<property>
<name>javax.jdo.option.ConnectionDriverName</name>
<value>com.mysql.jdbc.Driver</value>
<description>Driver class name for a JDBC metastore</description>
</property>
<property>
<name>javax.jdo.option.ConnectionUserName</name>
<value>root</value>
<description>username to use against metastore database</description>
</property>
<property>
<name>javax.jdo.option.ConnectionPassword</name>
<value>000000</value>
<description>password to use against metastore database</description>
</property>
<property>
<name>hive.mapred.mode</name>
<value>nonstrict</value>
<description>The mode in which the hive operations are being performed. In strict mode, some risky queries are not allowed to run</description>
</property>
<property>
<name>hive.strict.checks.cartesian.product</name>
<value>false</value>
</property>
</configuration>
配置完毕以后,如果启动hive异常,可以重新启动虚拟机
配置proflie
vim /etc/profile
#hive
export HIVE_HOME=/opt/module/hive-2.1.1
export PATH=$PATH:$HIVE_HOME/bin
source /etc/profile
在hive的bin目录下执行 ./schematool -dbType mysql -initSchema
如图显示:
1.2.1版本
2.3.4版本
Hive数据仓库位置配置
Default仓库的原始位置是在hdfs上的:/user/hive/warehouse路径下
在仓库目录下,没有对默认的数据库default创建文件夹。如果某张表属于default的数据库,直接在数据仓库目录下创建一个文件夹
修改default数据仓库原始位置,(将hive-default.xml.template如下配置信息拷贝到hive-site.xml文件中)
<property>
<name>hive.metastore.warehouse.dir</name>
<value>/user/hive/warehouse</value>
<description>location of default database for the warehouse</description>
</property>
配置同组用户拥有执行权限
bin/hdfs dfs -chmod g+w /user/hive/warehouse
查询后信息显示配置
<property>
<name>hive.cli.print.header</name>
<value>true</value>
</property>
<property>
<name>hive.cli.print.current.db</name>
<value>true</value>
</property>
重新启动hive,对比配置前后差异
配置前
配置后
Hive运行日志信息配置
Hive的log默认存放在/tmp/itstar/hive.log目录下(当前用户名下)。
修改hive的log存放日志到/opt/module/hive/logs
修改/opt/module/hive/conf/hive-log4j.properties.template文件名称为
hive-log4j.properties
mv hive-log4j.properties.template hive-log4j.properties
2. 在hive-log4j.properties文件中修改log存放位置
hive.log.dir=/opt/module/hive/logs
多窗口启动Hive测试
mysql -uroot -p000000
mysql> show databases;
+--------------------+
| Database |
+--------------------+
| information_schema |
| mysql |
| performance_schema |
| test |
+--------------------+
hive
mysql> show databases;
+--------------------+
| Database |
+--------------------+
| information_schema |
| metastore |
| mysql |
| performance_schema |
| test |
+--------------------+
cd /opt/module/hive-2.3.4/
bin/hive
创建一个数据库库
create database if not exists mytest;
使用sql语句或者sql脚本进行交互
不进入客户端直接执行hive的hql语句
cd /opt/module/hive-2.3.4/
bin/hive -e 'create database if not exists my test;'
或者将hql语句写成一个sql脚本然后执行
vim hive.sql
createdatabase if not esists mytest;
use mytest;
create table stu(id int,name string);
通过hive -f 来执行sql脚本
hive -f hive.sql
create database if not exists myhive;
use myhive;
说明:hive的表存放位置模式是由hive-site.xml当中的一个属性执行的
<name>hive.metastore.warehouse.dir</name>
<value>/user/hive/warehouse</value>
create database myhive locationn 'myhive';
设置数据库键值对信息
数据库可以有一些描述性的键值对信息,在创建时添加
create database foo with dbproperties('owner' = 'song',date='201920');
查看数据库的键值对信息
describe database extened foo;
修改数据库的键值对信息
alter database foo set dbproperties('owner'='song');
desc database extend myhive;
删除数据库
删除一个空数据库库,如果数据库下面有数据表,那么就会报错
drop database myhive;
强制删除数据库,包含数据库下面的表一起删除
drop database myhive cascade;
create [external] table [if not exists] table_name (
col_name data_type [comment '字段描述信息']
col_name data_type [comment '字段描述信息'])
[comment '表的描述信息']
[partitioned by (col_name data_type,...)]
[clustered by (col_name,col_name,...)]
[sorted by (col_name [asc|desc],...) into num_buckets buckets]
[row format row_format]
[storted as ....]
[location '指定表的路径']
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;用户可以使用 if not esists
选项来忽略这个异常操作
external
可以让用户创建一个外部表,在建表的同时指向一个实际数据库的路径(location),hive创建内部表时,会将数据移动到数据仓库指向的路径;若创建外部表,仅记录数据所在的路径,不对数据的位置做任何改变。在删除表的时候,内部表的元数据和数据会被一起删除
comment
表示注释,默认不能使用中文
partitioned by
表示使用表分区,一个表可以拥有一个或多个分区,每一个分区单独存放在一个目录下。
clusterered by
对于每一个表分文件,hive可以进一步组织成桶,也就是说桶是更为细粒度的数据范围划分。hive也是针对某一列进行桶的组织
sorted by
指定排序字段和排序规则
row format
指定表文件字段分隔符
storted as
指定表文件的存储格式,常用格式:SEQUENCEFILE, TEXTFILE, RCFILE,如果文件数据是纯文本,可以使用 STORED AS TEXTFILE。如果数据需要压缩,使用storted as SEQUENCEFILE。
location
指定表文件的存储路径
like
允许用户复制现有的表结构,但不复制数据
创建表时,如果没有使用external关键字,则该表为内部表(managed table)
概念:
默认创建的表都是所谓的管理表,有时也称为内部表。因为这种表,hive会(或多火少地)控制着数据的生命周期。hive默认情况下会将这些表的数据存储在由配置项hive.metastore.warehouse.dir(例如,/user/hive/warehouse)
所定义的目录的子目录下。当**我们们删除一个管理表时,hive也会删除这个表的数据。**管理表不适合和其他工具共享数据
hive建表字段类型
分类 | 类型 | 描述 | 字面量示例 |
---|---|---|---|
原始类型 | boolean | true/false | ture |
tinyint | 1字节的有符号整数,-128~127 | 1Y | |
smallint | 2字节的有符号整数,-32768~32768 | 1S | |
int | 4字节的带符号整数 | 1 | |
bigint | 8字节带有符号整数 | 1L | |
float | 4字节单精度浮点数 | 1.0 | |
double | 8字节双精度浮点数 | 1.0 | |
deicimal | 任意精度的带符号小数 | 1.0 | |
string | 字符串,变长 | 'a','b' | |
varchar | 变长字符串 | 'a','b' | |
char | 固定长度字符串 | 'a','b' | |
binary | 字节数组 | 无法表示 | |
timestamp | 时间戳,毫秒精度值 | 122327493795 | |
date | 日期 | ’2019-03-24‘ | |
interval | 时间频率间隔 | ||
复杂类型 | array | 有序的同类型集合 | array(1,2) |
map | key-value,key必须为原始类型,value可以任意类型 | map('a',1,'b',2) | |
struct | 字段集合,类型可以不同 | struct(‘1’,1,1.0), named_stract(‘col1’,’1’,’col2’,1,’clo3’,1.0) | |
union | 在有限取值范围类的一个值 | create_union(1,'a',63) |
use hive;
create table stu(id int,name string);
insert into stu value(1,'张三');
select * from stu;
create table if not exists stu2(id int,name string) row format delimited fields terminated by '/t';
create table if not exists stu2(id int,name string) row format delimited fields terminated by '/t';
create table stu3 as select * from stu2;
create table stu4 like stu;
desc formatted stu2;
drop table stu4;
外部表说明:
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。
内部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
操作案例
分别创建老师与学生外部表,并向表中加载数据
create external table teacher(t_id string, t_name string) row format delimited fields terminated by '/t';
create external table student(s_id string ,s_name string,s_birth string,s_sex string) row format delimited fields terminated by '/t';
load data local inpath '/opt/module/datas/student.csv' into table student;
load data local inpath '/opt/module/datas/student.csv' overwrite into table student;
hdfs dfs -mkdir -p /hivedatas
hdfs dfs -put teachar.csv /hivedatas
load data inpath '/hivedatas/teacher.csv' into table teacher;
概念:
分区表实际上就是对应一个HDFS文件系统上的独立的文件夹,该文件夹下是该分区所有的数据文件。Hive中的分区就是分目录,把一个大的数据集根据业务需要分割成小的数据集。在查询时通过WHERE子句中的表达式选择查询所需要的指定的分区,这样的查询效率会提高很多。
在大数据中,最常用的一种思想就是分治,我们可以把大的文件划分成一个个的小的文件,这样每次操作一个小的文件就会很容易了。同样的道理,在hive当中也是支持这种思想的,就是我们可以把大的数据,按照每月,或者天进行切分成一个个的小的文件,存放在不同的文件夹中。
create table score(s_id string,c_id string,s_score int) partitioned by (month string) row format delimited fields terminated by '/t';
create table score2(s_id string,c_id string,s_score int) partitioned by (year string ,month string,day string) row format delimited fields terminated by '/t';
load data local inpath '/opt/module/datas/score.csv' into table score partition (month='201909');
load data local inpath '/opt/module/datas/score.csv' into table score2 partition(year='201902',month='20',day='03');
select * from score where month='201903' union all select * from score where month='201909';
show partitions score;
desc formatted score
alter table score add partition(month='201902');
删除分区
删除单个分区:
alter table score drop partition(month='201920');
删除多个分区:
alter table dept_partition drop partition (month='201805'), partition (month='201806');
需求描述
现在有一个文件score.csv文件,存放在集群的'/scoredatas/month=201909'目录下,这个文件每天都会生成,存放到对应的日期文件夹下面去,文件别人也需要公用,不能移动。需求:创建hive对应的表,并将数据加载到表中,进行数据统计分析,且删除表之后,数据不能删除。
hdfs dfs -mkdir -p /scoredatas/month=201909
hdfs dfs -put score.csv /scoredatas/month=201909
create external table score4(s_id string,c_id string,s_score int) partitioned by(month string) row format delimited fields terminated by '/t' loaction '/scoredatas';
msck repair table score4;
分区针对的是数据的存储路径;分桶针对的是数据文件。
分区提供一个隔离数据和优化查询的便利方式。不过,并非所有的数据集都可形成合理的分区,特别是之前所提到过的要确定合适的划分大小这个疑虑。
分桶是将数据集分解成更容易管理的若干部分的另一个技术。
分桶,就是将数据按照指定的字段进行划分到多个文件当中去,分桶就是MapReduce当中的分区。
开启hive的分桶功能
set hive.enforce.bucketing=true;
设置Reduce个数
set mapreduce.job.reduces=3;
创建分桶表
create table course(c_id string,c_name string,t_id string)clustered by(c_id)into 3 buckets row format delimited fields terminated by '/t';
分桶表的数据加载,由于通标的数据加载通过hdfs dfs -put 文件或者通过load data均不好使,只能通过insert overwrite
创建普通表,并通过insert overwriter的方式将普通表的数据通过查询的方式加载到分桶表中去
create table course_common(c_id string,c_name string,t_id string)row format delimited fields terminated by '/t';
load data local inpath '/opt/module/datas/course.csv' into table course_common;
insert overwirter table course select * from course_common cluster by(c_id);
对于非常大的数据集,有时用户需要使用的是一个具有代表性的查询结果而不是全部结果。Hive可以通过对表进行抽样来满足这个需求。
查询表stu中的数据
select * from stu_buck tablesample(bucket 1 out of 4 on id);
**注:**tablesample是抽样语句,语法:TABLESAMPLE(BUCKET x OUT OF y) 。
select * from stu_buck tablesample(bucket 1 out of 3 on id);
不是桶数的倍数或者因子也可以,但是不推荐。
y必须是table总bucket数的倍数或者因子。hive根据y的大小,决定抽样的比例。例如,table总共分了4份,当y=2时,抽取(4/2=)2个bucket的数据,当y=8时,抽取(4/8=)1/2个bucket的数据。
hive (default)> select * from stu_buck tablesample(bucket 1 out of 2 on id);
**x表示从哪个bucket开始抽取。**例如,table总bucket数为4,tablesample(bucket 4 out of 4),表示总共抽取(4/4=)1个bucket的数据,抽取第4个bucket的数据。
select * from stu_buck tablesample(bucket 1 out of 8 on id);
注意:x的值必须小于等于y的值,否则
FAILED: SemanticException [Error 10061]: Numerator should not be bigger than denominator in sample clause for table stu_buck
Hive提供了另外一种按照百分比进行抽样的方式,这种是基于行数的,按照输入路径下的数据块百分比进行的抽样。
hive (default)> select * from stu tablesample(0.1 percent) ;
提示:这种抽样方式不一定适用于所有的文件格式。另外,这种抽样的最小抽样单元是一个HDFS数据块。因此,如果表的数据大小小于普通的块大小128M的话,那么将会返回所有行。
alter table old_table_name rename to new_table_name
把表socre4修改成score5
alter table score4 rename to score5
增加/修改列信息
desc score5;
alter table score5 add colums (mycol string,mysco int);
alter table score5 change column mysco mysconew int;
drop table score5;
语法
hive>load data [local] inpath '/opt/module/datas/student.txt' [overwrite] into table student [partition (partcol1=val1,…)];
create table score3 like score;
insert into table score3 partition(month='201909')values('001','002','003')
load data local inpath '/opt/module/datas/score.csv' overwriter into table score partition(month='201909');
create table score4 like score;
insert overwrite table score4 partition(month='201909') select s_id,c_id,s_score from score;
create table if not exists student3
as select id, name from student;
create table if not exists student5(
id int, name string
)
row format delimited fields terminated by '/t'
location '/user/hive/warehouse/student5';
dfs -put /opt/module/datas/student.txt /user/hive/warehouse/student5;
select * from student5;
注意:先用export导出后,再将数据导入。同在HDFS上是Copy级操作
export table default.student to '/user/hive/warehouse/export/student';
import table student2 partition(month='201809') from '/user/hive/warehouse/export/student';
insert overwrite local directory '/opt/module/datas/export/student'
select * from student;
insert overwrite local directory '/opt/module/datas/export/student1'
ROW FORMAT DELIMITED FIELDS TERMINATED BY '/t' select * from student;
insert overwrite directory '/user/itstar/student2'
ROW FORMAT DELIMITED FIELDS TERMINATED BY '/t'
select * from student;
**注:**虽然同是HDFS,但不是copy操作
dfs -get /user/hive/warehouse/student/month=201809/000000_0 /opt/module/datas/export/student3.txt;
基本语法:(hive -f/-e 执行语句或者脚本 > file)
bin/hive -e 'select * from default.student;' > /opt/module/datas/export/student4.txt;
export table default.student to '/user/hive/warehouse/export/student';
后续学习
注意:Truncate只能删除管理表,不能删除外部表中数据
truncate table student;
SELECT [ALL | DISTINCT] select_expr, select_expr, ...
FROM table_reference
[WHERE where_condition]
[GROUP BY col_list [HAVING condition]]
[CLUSTER BY col_list
| [DISTRIBUTE BY col_list] [SORT BY| ORDER BY col_list]
]
[LIMIT number]
因此,如果distribute和sort字段都是同一个时,此时,cluster by = distribute by + sort by
注意:
(1)SQL 语言大小写不敏感。
(2)SQL 可以写在一行或者多行
(3)关键字不能被缩写也不能分行
(4)各子句一般要分行写。
(5)使用缩进提高语句的可读性。
全表查询
select * from score;
选择特定列
select s_id,c_id from score;
列别名
select s_id as myid,c_id from score;
select count(1) from score;
select max(s_score) from score;
select min(s_score) from score;
select sum(s_score) from score;
select avg(s_score) from score;
典型的查询会返回多行数据。limit子句用于限制返回的行数
select * from score limit 3;
使用where子句,将不满足条件的行过滤掉
where子句紧随from子句
案例操作:查询分数大于60的数据
select * from score where s_score > 60;
比较运算符
下面表中描述了谓词操作符,这些操作符同样可以用于JOIN…ON和HAVING语句中。
操作符 | 支持的数据类型 | 描述 |
---|---|---|
A=B | 基本数据类型 | 如果A等于B则返回TRUE,反之返回FALSE |
A<=>B | 基本数据类型 | 如果A和B都为NULL,则返回TRUE,其他的和等号(=)操作符的结果一致,如果任一为NULL则结果为NULL |
A<>B, A!=B | 基本数据类型 | A或者B为NULL则返回NULL;如果A不等于B,则返回TRUE,反之返回FALSE |
A<B | 基本数据类型 | A或者B为NULL,则返回NULL;如果A小于B,则返回TRUE,反之返回FALSE |
A<=B | 基本数据类型 | A或者B为NULL,则返回NULL;如果A小于等于B,则返回TRUE,反之返回FALSE |
A>B | 基本数据类型 | A或者B为NULL,则返回NULL;如果A大于B,则返回TRUE,反之返回FALSE |
A>=B | 基本数据类型 | A或者B为NULL,则返回NULL;如果A大于等于B,则返回TRUE,反之返回FALSE |
A [NOT] BETWEEN B AND C | 基本数据类型 | 如果A,B或者C任一为NULL,则结果为NULL。如果A的值大于等于B而且小于或等于C,则结果为TRUE,反之为FALSE。如果使用NOT关键字则可达到相反的效果。 |
A IS NULL | 所有数据类型 | 如果A等于NULL,则返回TRUE,反之返回FALSE |
A IS NOT NULL | 所有数据类型 | 如果A不等于NULL,则返回TRUE,反之返回FALSE |
IN(数值1, 数值2) | 所有数据类型 | 使用 IN运算显示列表中的值 |
A [NOT] LIKE B | STRING 类型 | B是一个SQL下的简单正则表达式,如果A与其匹配的话,则返回TRUE;反之返回FALSE。B的表达式说明如下:‘x%’表示A必须以字母‘x’开头,‘%x’表示A必须以字母’x’结尾,而‘%x%’表示A包含有字母’x’,可以位于开头,结尾或者字符串中间。如果使用NOT关键字则可达到相反的效果。 |
A RLIKE B, A REGEXP B | STRING 类型 | B是一个正则表达式,如果A与其匹配,则返回TRUE;反之返回FALSE。匹配使用的是JDK中的正则表达式接口实现的,因为正则也依据其中的规则。例如,正则表达式必须和整个字符串A相匹配,而不是只需与其字符串匹配。 |
select * from score where s_score = 80;
select * from score where s_score between 80 and 100;
select * from score where s_score is null;
select * from score where s_score in(80,90);
% 代表零个或多个字符(任意个字符)
_ 代表一个字符
rlike子句是hive中这个功能的一个扩展,其实可用通过Java的正则表达式这个更强大的语言来自指定匹配条件
案例实操:
select * from score where s_score like '8%';
select * from score where s_score like '_9%';
select * from score where s_id rlike '[1]'; # like '%1%'
操作符 | 含义 |
---|---|
AND | 逻辑并 |
OR | 逻辑或 |
NOT | 逻辑否 |
select * from score where s_score > 80 and s_id = '01';
select * from score where s_id > 80 or s_id = '01';
select * from score where s_id not in('01','02');
group by分组
group by 语句通常会和聚合函数一起使用,按照一个或多个队列结果进行分组,然后对每个组执行聚合操作。
select s_id,avg(s_score) from score group by s_id;
select s_id,max(s_score) from score group by s_id;
having语句
having与where不同点:
案例实操:
select s_id,ang(s_score) from score group by s_id;
- 求每个学生平均分数大于85的人
select s_id,avg(s_score) as avgscore from score group by s_id having avgscore > 85;
等值join
hive支持通常的sql join语句,但是只支持等值连接,不支持非等值连接
案例操作:查询分数对应的姓名
select s.s_id,s.s_score,stu.s_name,stu.s_birth from score as s join student as stu on s.s_id = stu.s_id;
表的别名
好处
案例实操:
合并老师与课程表
select * from teacher t join course on t.t_id = c.t_id;
内连接
内连接:只有进行连接 的两个表中都存在与连接条件相匹配的数据才会被保留下来
select * from teacher t inner join course c on t.t_id = c.t_id;
左外连接
左外连接:join操作符左边表中符合where子句的所有记录都会被 返回。查询老师对应的课程
select * from teacher t elft jion course c on t.t_id = c.t_id;
右外连接
右外连接:join操作符右边表中符合where子句的所有记录都将会被返回
select * from teacher t right join course c on t.t_id = c.t_id;
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
多表连接查询,查询老师对应的课程,以及对应的分数,对应的学生
select * from teacher t
left join course c on t.t_id = c.t_id
left join score s on s.c_id = c.c_id
left join student stu on s.s_id = stu.s_id;
大多数情况下,hive会对每对join连接对象启动一个MapReduce任务。本例中会首先启动一个MapReduce job对表teacher和表course进行连接操作,然后会在启动一个MapReduce job 将第一个MapReduce job的输出和表score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。
hive (default)> select e.empno, e.ename, d.deptno from emp e join dept d on e.deptno = d.deptno or e.ename=d.ename; 错误的
全局排序
order by 全局排序,一个Reduce
使用order by子句排序(ASC)升序(默认),DESC:降序
order by 子句在select 语句的结尾
案例实操:
select * from student s lift join score sco on s.s_id = sco.s_id order by sco.s_score desc;
- 查询学生的成绩,并按照分数升序排列
select * from student s left join score sco on s.s_id = sco.s_id order by sco.s_score asc;
按照别名排序
按照分数的平均值排序
select s_id,avg(s_score) avg from score group by s_id order by avg;
多个列排序
按照学生id和平均成绩进行排序
select * from,avg(s_score) avg from score group by s_id order by s_id,avg;
每个MapReduce内部排序(sort by)局部排序
Sort By:每个MapReduce内部进行排序,分区规则按照key的hash来运算,(区内排序)对全局结果集来说不是排序。
set mapreduce.job.reduces=3;
set mapreduce.job.reduces;
select * from score sort by s_score;
insert overwrite local directory '/opt/moudule/datas/sort' select * from score sort by s_score;
分区排序
distribute by :类似MR中partition,进行分区,结合sort by 使用
注意:hive要求hdfs要求distribute by语句要写在sort by 语句之前
对distribute by 进行测试,一定要分配多reduce进行处理,否则无法看到distribute by的效果
案例实操:先按照学生id进行分区,再按照学生成绩进行排序。
set mapreduce.job.reduces= 7;
insert overwrite local directory '/opt/module/datas/sort' select * from score distribute by s_id sort by s_score;
cluster by
当distribute by 和sort by 字段相同时,可以使用cluster by的方式
cluster by 除了具有distribute by的功能外还兼具sort by的功能。但是排序只能是倒序排序,不能指定排序规则为ASC或者DESC。
以下两种写法等价:
select * from score cluster by s_id;
select * from score distribute by s_id sort by s_id;
Hive数据类型 | Java数据类型 | 长度 | 例子 |
---|---|---|---|
TINYINT | byte | 1byte有符号整数 | 20 |
SMALINT | short | 2byte有符号整数 | 20 |
INT | int | 4byte有符号整数 | 20 |
BIGINT | long | 8byte有符号整数 | 20 |
BOOLEAN | boolean | 布尔类型,true或者false | TRUE FALSE |
FLOAT | float | 单精度浮点数 | 3.14159 |
DOUBLE | double | 双精度浮点数 | 3.14159 |
STRING | string | 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 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。
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() |
MAP | MAP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() |
ARRAY | 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() |
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。
案例实操:
{
"name": "songsong",
"friends": ["bingbing" , "lili"] , //列表Array,
"children": { //键值Map,
"xiao song": 18 ,
"xiaoxiao song": 19
}
"address": { //结构Struct,
"street": "hai dian qu" ,
"city": "beijing"
}
}
基于上述数据结构,我们在hive里创建对应的表,并导入数据
创建本地测试文件test.txt
songsong,bingbing_lili,xiao song:18_xiaoxiao song:19,hai dian qu_beijing
yangyang,caicai_susu,xiao yang:18_xiaoxiao yang:19,chao yang_beijing
注意,MAP,STRUCT和ARRAY里的元素间关系都可以用同一个字符表示,这里用“_”。
create table test(
name string,
friends array<string>,
children map<string, int>,
address struct<street:string, city:string>
)
row format delimited fields terminated by ','
collection items terminated by '_'
map keys terminated by ':'
lines terminated by '/n';
字段解释:
row format delimited fields terminated by ',' -- 列分隔符
collection items terminated by '_' --MAP STRUCT 和 ARRAY 的分隔符(数据分割符号)
map keys terminated by ':' -- MAP中的key与value的分隔符
lines terminated by '/n'; -- 行分隔符
load data local inpath '/opt/module/datas/test.txt' into table test;
hive (myhive)> select friends[1],children['xiao song'],address.city from test where name="songsong";
OK
_c0 _c1 city
lili 18 beijing
Time taken: 1.847 seconds, Fetched: 1 row(s)
如果起别名:select friends[1] as pengyou from test where name="songsong";
hive的原子数据类型是可以进行隐式转换的,类似于java的类型转化,例如某表达式使用int类型,tinyint会自动转化为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类型不会自动转化为tinyint类型,他会返回错误,,除非使用cast操作
语法结构
bin/hive [-hiveconf x=y]* [<-i filename>]* [<-f filename>|<-e query-string>] [-S]
说明:
开发hive应用时,不可避免地需要设定hive的参数。设定hive的参数可以调优HQL代码的执行效率,或帮助定位问题。
对于一半参数,有以下三种设定方式:
配置文件:
默认配置文件:hive-default.xml
用户自定义配置文件:hive-site.xml
用户自定义配置会覆盖默认配置。另外,Hive也会读入Hadoop的配置,因为Hive是作为Hadoop的客户端启动的,Hive的配置会覆盖Hadoop的配置。配置文件的设定对本机启动的所有Hive进程都有效。
配置文件的设定对本机启动的所有hive进程都有效
**命令行参数:**启动hive(客户端或server方式)时,可以在命令行添加-hiveconf param=value来设定参数,例如:
bin/hive -hiveconf hive.root.logger=INFO,console
这一设定对本次启动的seesion(对于server方式启动,则是所有请求的seesions)有效
**参数声明:**可以在HQL中使用set关键字设定参数,例如:
set mapred.reduce.tasks=100;
这一设定的作用域也是seesion级的。
上述三种设定方式的优先级依次递增。即参数声明覆盖命令行参数,命令行参数覆盖配置文件设定。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seesion建立以前已经完成了
参数声明 > 命令行参数 > 配置文件参数(hive)
内容较多,见《hive官方文档》
https://cwiki.apache.org/confluence/display/Hive/LanguageManual+UDF
show functions;
desc function upper;
desc function extend upper;
# 字符串连接函数:concat
select concat('asa','assd','asdas');
# 带分隔符字符串连接函数:concat_ws
select concat_ws(',','asd','asdf','fdf');
# cast类型转换
select cast(1.5 as int);
# get_json_object(json 解析函数,用来处理json,必须是json格式)
select get_json_object('{"name":"jack","age":"20"}','$.name'
# URL解析函数
select parse_url('http://facebook.com/path1/p.php?k1=v1&k2=v2#Ref1', 'HOST');
# explode:把map集合中每个键值对或数组中的每个元素都单独生成一行的形式
hive自带了一些函数,比如:max/min等,当hive提供的内置函数无法满足你的业务处理需要时,此时就可以考虑视同用户自定义函数(UDF)
根据用户自定义函数类别分为以下三种:
编程步骤:
继承org.apache.hadoop.hive.ql.UDF
需要实现evaluate函数;evaluate函数支持重载
在hive的命令行窗口创建函数
add jar linux_jar_path
- 创建function
create [temporary] function [dbname.]function_name AS class_name;
Drop [temporary] function [if exists] [dbname.]function_name;
注意事项:
自定义UDF函数开发案例
<?xml version="1.0" encoding="UTF-8"?>
<project xmlns="http://maven.apache.org/POM/4.0.0"
xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance"
xsi:schemaLocation="http://maven.apache.org/POM/4.0.0 http://maven.apache.org/xsd/maven-4.0.0.xsd">
<modelVersion>4.0.0</modelVersion>
<groupId>hive</groupId>
<artifactId>hive2.3.4</artifactId>
<version>1.0-SNAPSHOT</version>
<packaging>jar</packaging>
<dependencies>
<!-- https://mvnrepository.com/artifact/org.apache.hive/hive-exec -->
<dependency>
<groupId>org.apache.hive</groupId>
<artifactId>hive-exec</artifactId>
<version>2.3.4</version>
</dependency>
<!-- https://mvnrepository.com/artifact/org.apache.hadoop/hadoop-common -->
<dependency>
<groupId>org.apache.hadoop</groupId>
<artifactId>hadoop-common</artifactId>
<version>2.8.4</version>
</dependency>
</dependencies>
<build>
<plugins>
<plugin>
<groupId>org.apache.maven.plugins</groupId>
<artifactId>maven-compiler-plugin</artifactId>
<version>2.5.1</version>
<configuration>
<encoding>UTF-8</encoding>
<source>1.8</source>
<target>1.8</target>
</configuration>
</plugin>
<!-- 编译插件 -->
<plugin>
<groupId>org.apache.maven.plugins</groupId>
<artifactId>maven-compiler-plugin</artifactId>
<configuration>
<source>1.8</source>
<target>1.8</target>
<encoding>utf-8</encoding>
</configuration>
</plugin>
</plugins>
</build>
</project>
package myudf;
import org.apache.hadoop.hive.ql.exec.UDF;
public class udf extends UDF {
public String evaluate (final String s) {
if (s == null) {
return null;
}
return s.toString().toLowerCase();
}
}
5. 打成jar包上传到服务器/opt/module/jars/udf.jar
6. 将jar包添加到hive的classpath
hive (default)> add jar /opt/module/jars/udf.jar;
7. 创建临时函数与开发好的java class关联**(全类名)**
hive (default)> create temporary function udf_lower as "myudf.udf";
8. 即可在hql中使用自定义的函数
hive (default)> select ename, udf_lower(ename) from student;
原表内容:
hive (myhive)> select * from student2;
OK
student2.id student2.name
1 aaa
1 AAA
Time taken: 0.118 seconds, Fetched: 2 row(s)
使用自定义udf函数查询后
hive (myhive)> select udf_lower(name) from student2;
OK
_c0
aaa
aaa
Time taken: 0.329 seconds, Fetched: 2 row(s)
**概念:**在实际工作当中,hive当中处理的数据,一般都需要经过压缩,前期在学习hadoop的时候,已经配置过hadoop的压缩,hive也是一样的可以使用压缩来节省我们的MR处理的网络带宽
压缩格式 | 工具 | 算法 | 文件扩展名 | 是否可切分 |
---|---|---|---|---|
DEFAULT | 无 | DEFAULT | .deflate | 否 |
Gzip | gzip | DEFAULT | .gz | 否 |
bzip2 | bzip2 | bzip2 | .bz2 | 是 |
LZO | lzop | LZO | .lzo | 否 |
LZ4 | 无 | LZ4 | .lz4 | 否 |
Snappy | 无 | Snappy | .snappy | 否 |
为了支持多种压缩/解压缩算法,Hadoop引入了编码/解码器,如下所示:
压缩格式 | 对应的编码/解码器 |
---|---|
DEFLATE | org.apache.hadoop.io.compress.DefaultCodec |
gzip | org.apache.hadoop.io.compress.GzipCodec |
bzip2 | org.apache.hadoop.io.compress.BZip2Codec |
LZO | com.hadoop.compression.lzo.LzopCodec |
LZ4 | org.apache.hadoop.io.compress.Lz4Codec |
Snappy | org.apache.hadoop.io.compress.SnappyCodec |
压缩性能的比较
压缩算法 | 原始文件大小 | 压缩文件大小 | 压缩速度 | 解压速度 |
---|---|---|---|---|
gzip | 8.3GB | 1.8GB | 17.5MB/s | 58MB/s |
bzip2 | 8.3GB | 1.1GB | 2.4MB/s | 9.5MB/s |
LZO | 8.3GB | 2.9GB | 49.3MB/s | 74.6MB/s |
在64位模式下的Core i7处理器的单核上,Snappy的压缩速度约为250MB /秒或更高,而解压缩的速度约为500 MB /秒。
要在Hadoop中启用压缩,可以配置如下参数(mapred-site.xml文件中):
参数 | 默认值 | 阶段 | 建议 |
---|---|---|---|
io.compression.codecs (在core-site.xml中配置) | org.apache.hadoop.io.compress.DefaultCodec, org.apache.hadoop.io.compress.GzipCodec, org.apache.hadoop.io.compress.BZip2Codec,org.apache.hadoop.io.compress.Lz4Codec | 输入压缩 | Hadoop使用文件扩展名判断是否支持某种编解码器 |
mapreduce.map.output.compress | false | mapper输出 | 这个参数设为true启用压缩 |
mapreduce.map.output.compress.codec | org.apache.hadoop.io.compress.DefaultCodec | mapper输出 | 使用LZO、LZ4或snappy编解码器在此阶段压缩数据 |
mapreduce.output.fileoutputformat.compress | false | reducer输出 | 这个参数设为true启用压缩 |
mapreduce.output.fileoutputformat.compress.codec | org.apache.hadoop.io.compress. DefaultCodec | reducer输出 | 使用标准工具或者编解码器,如gzip和bzip2 |
mapreduce.output.fileoutputformat.compress.type | RECORD | reducer输出 | SequenceFile输出使用的压缩类型:NONE和BLOCK |
开启map输出阶段压缩可以减少job中map和Reduce task间的数据压缩。具体配置如下:
案例实操:
set hive.exec.compress.intermediate=true;
set mapreduce.map.output.compress=true;
set mapreduce.map.output.compress.codec=org.apache.hadoop.io.compress.SnappyCodec;
set count(1) from score;
当hive将输出写入到表中时,输出内容同样可以进行压缩。属性hive.exec.compress.output
控制着这个功能。用户可能需要保持默认设置文件中的默认值false,这样默认的输出就是非压缩的纯文本文件了。用户可以通过在查询语句或执行脚本中设置这个值为true,来开启输出结果压缩功能。
案例实操:
set hive.exec.compress.output=true;
set mapreduce.output.fileputputformat.compress=true;
set mapreduce.output.fileoutputformat.compress.codec=org.apache.hadoop.io.compress.SnappyCodec;
set mapreduce.output.fileoutputformat.compress.type=BLOCK;
insert overwrite local directory '/opt/module/datas/snappy' select * from score distribute by s_id sort by s_id desc;
hive支持的存储数据的格式主要有:TEXTFILE(行式存储) 、SEQUENCEFILE(行式存储)、ORC(列式存储)、PARQUET(列式存储)。
行储存:textFile 、 sequencefile
列储存:orc 、parquet
上图左边为逻辑表,右边第一个为行式存储,第二个为列式存储。
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,其余的值都在相邻的地方,所以此时行存储查询的速度更快。
列存储的特点:
因为每个字段的数据聚集存储,在查询只需要少数几个字段的时候,能大大减少读取的数据量;每个字段的数据类型一定是相同的,列式存储可以针对性的设计更好的设计压缩算法
TEXTFILE和SEQUENCEFILE的存储格式都是基于行存储的;
ORC和PARQUET是基于列式存储的。
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。
ORC格式:
Orc (Optimized Row Columnar)是hive 0.11版里引入的新的存储格式。
可以看到每个ORC文件由1个或多个stripe组成,每个stripe为250MB大小,每个stripe里面三部分组成,分别是Index Data,Row Data,Stripe Footer:
每个文件有一个File Footer,这里面存的是每个Stripe的行数,每个Column的数据类型信息等;每个文件的尾部是一个PostScript,这里面记录了整个文件的压缩类型以及FileFooter的长度信息等。在读取文件时,会seek到文件尾部读PostScript,从里面解析到File Footer长度,再读FileFooter,从里面解析到各个Stripe信息,再读各个Stripe,即从后往前读。
PARQUET格式
parquet是面向分析型业务的列式存储格式,由Twitter和Cloudera合作开发
parquet文件是以二进制方式存储的,所以是不可以直接读取的,文件中包括该文件数据和元数据,因此parquet格式文件是自解析的。
通常情况下,在存储parquet数据的时候会按照Block大小设置行组的大小,由于一般情况下每一个MapReduce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,增大任务执行的并行度。
parquet文件的格式如下图所示:
上图展示了一个Parquet文件的内容,一个文件中可以存储多个行组,文件的首位都是该文件的Magic Code,用于校验它是否是一个Parquet文件,Footer length记录了文件元数据的大小,通过该值和文件长度可以计算出元数据的偏移量,文件的元数据中包括每一个行组的元数据信息和该文件存储数据的Schema信息。除了文件中每一个行组的元数据,每一页的开始都会存储该页的元数据,在Parquet中,有三种类型的页:数据页、字典页和索引页。数据页用于存储当前行组中该列的值,字典页存储该列值的编码字典,每一个列块中最多包含一个字典页,索引页用来存储当前行组下该列的索引,目前Parquet中还不支持索引页。
create table log_text (
track_time string,
url string,
session_id string,
referer string,
ip string,
end_user_id string,
city_id string
)
ROW FORMAT DELIMITED FIELDS TERMINATED BY '/t'
STORED AS TEXTFILE ;
load data local inpath '/opt/module/datas/log.data' into table log_text;
dfs -du -h /user/hive/warehouse/myhive.db/log_text;
[root@bigdata111 datas]# hadoop dfs -du -h /user/hive/warehouse/myhive.db/log_text;
DEPRECATED: Use of this script to execute hdfs command is deprecated.
Instead use the hdfs command for it.
18.1 M /user/hive/warehouse/myhive.db/log_text/log.data
注:log.data原数据大小为18.1MB
create table log_orc(
track_time string,
url string,
session_id string,
referer string,
ip string,
end_user_id string,
city_id string
)
ROW FORMAT DELIMITED FIELDS TERMINATED BY '/t'
STORED AS orc ;
insert into table log_orc select * from log_text;
dfs -du -h /user/hive/warehouse/myhive.db/log_orc;
[root@bigdata111 datas]# hadoop dfs -du -h /user/hive/warehouse/myhive.db/log_orc;
DEPRECATED: Use of this script to execute hdfs command is deprecated.
Instead use the hdfs command for it.
2.8 M /user/hive/warehouse/myhive.db/log_orc/000000_0
create table log_parquet(
track_time string,
url string,
session_id string,
referer string,
ip string,
end_user_id string,
city_id string
)
ROW FORMAT DELIMITED FIELDS TERMINATED BY '/t'
STORED AS PARQUET ;
insert into table log_parquet select * from log_text ;
dfs -du -h /user/hive/warehouse/myhive.db/log_parquet;
hive (myhive)> dfs -du -h /user/hive/warehouse/myhive.db/log_parquet;
13.1 M /user/hive/warehouse/myhive.db/log_parquet/000000_0
ORC > Parquet > textFile
Stage-Stage-1: Map: 1 Reduce: 1 Cumulative CPU: 3.05 sec HDFS Read: 19023315 HDFS Write: 106 SUCCESS
Total MapReduce CPU Time Spent: 3 seconds 50 msec
OK
_c0
100000
Time taken: 22.722 seconds, Fetched: 1 row(s)
hive (default)> select count(*) from log_orc;
Time taken: 20.867 seconds, Fetched: 1 row(s)
hive (default)> select count(*) from log_parquet;
Time taken: 22.922 seconds, Fetched: 1 row(s)
ORC > TextFile > Parquet
官网:https://cwiki.apache.org/confluence/display/Hive/LanguageManual+O
ORC存储方式的压缩:
Key | Default | Notes |
---|---|---|
orc.compress | ZLIB | high level compression (one of NONE, ZLIB, SNAPPY) |
orc.compress.size | 262,144 | number of bytes in each compression chunk |
orc.stripe.size | 67,108,864 | number of bytes in each stripe |
orc.row.index.stride | 10,000 | number of rows between index entries (must be >= 1000) |
orc.create.index | true | whether to create row indexes |
orc.bloom.filter.columns | "" | comma separated list of column names for which bloom filter should be created |
orc.bloom.filter.fpp | 0.05 | false positive probability for bloom filter (must >0.0 and <1.0) |
创建一个非压缩的ORC存储方式
create table log_orc_none(
track_time string,
url string,
session_id string,
referer string,
ip string,
end_user_id string,
city_id string
)
ROW FORMAT DELIMITED FIELDS TERMINATED BY '/t'
STORED AS orc tblproperties ("orc.compress"="NONE");
insert into table log_orc_none select * from log_text
dfs -du -h /user/hive/warehouse/myhive.db/log_orc_none;
hive (myhive)> dfs -du -h /user/hive/warehouse/myhive.db/log_orc_none;
7.7 M /user/hive/warehouse/myhive.db/log_orc_none/000000_0
创建一个SNAPPT压缩的ORC存储方式
create table log_orc_snappy(
track_time string,
url string,
session_id string,
referer string,
ip string,
end_user_id string,
city_id string
)
ROW FORMAT DELIMITED FIELDS TERMINATED BY '/t'
STORED AS orc tblproperties ("orc.compress"="SNAPPY");
insert into table log_orc_snappy select * from log_text ;
dfs -du -h /user/hive/warehouse/myhive.db/log_orc_snappy ;
hive (myhive)> dfs -du -h /user/hive/warehouse/myhive.db/log_orc_snappy ;
3.7 M /user/hive/warehouse/myhive.db/log_orc_snappy/000000_0
在实际的项目开发中,hive表的数据存储格式一般选择:ORC或Parquet。压缩方式一般选择Snappy
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 score;
在这种情况下,hive可以简单地读取score对应的存储目录下的文件,然后输出查询结果到控制台,通过设置hive.fetch.task.conversion
参数,可以控制查询语句是否走MapReduce。
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.conversion
1. minimal : SELECT STAR, FILTER on partition columns, LIMIT only
2. more : SELECT, FILTER, LIMIT only (support TABLESAMPLE and virtual columns)
</description>
</property>
案例实操:
set hive.fetch.task.conversion=none;
select * from score;
select s_score from score;
select s_score from score limit 3;
set hive.fetch.task.conversion=more;
select * from score;
select s_score from score;
select s_score from score limit 3;
大多数的Hadoop Job是需要Hadoop提供完整的可扩展性来处理大数据集的。不过,有时Hive的输入数据量是非常小的。在这种情况下,为查询触发执行任务时消耗可能会比实际job的执行时间要多的多。对于大多数这种情况,hive可以通过本地模式在单台机器上处理所有的任务。对于小数据集,执行时间可以明显被缩短。
用户可以通过设置hive.exec.mode.local.auto的值为true,来让hive在适当的时候启动这个优化。
案例实操:
set hive.exec.mode.local.auto=true;
select * from score cluster by s_id;
set hive.exec.mode.local.auto=false;
select * from score cluster by s_id;
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。
开启MapJoini参数设置:
set hive.auto.convert.join=true;
set hive.mapjoin.smalltable.filesieze=25123456;
MapJoin工作机制
案例操作:
set hive.auto.convert.join = true; 默认为true
insert overwrite table jointable
select b.id, b.time, b.uid, b.keyword, b.url_rank, b.click_num, b.click_url
from smalltable s
join bigtable b
on s.id = b.id;
Time taken: 24.594 seconds
insert overwrite table jointable
select b.id, b.time, b.uid, b.keyword, b.url_rank, b.click_num, b.click_url
from bigtable b
join smalltable s
on s.id = b.id;
Time taken: 24.315 seconds
将key相对分散,并且数据量小的表放在join的左边,这样可以有效减少内存溢出错误发生的几率;再进一步,可以使用Group变小的维度表(1000条以下的记录条数)先进内存。在map端完成reduce(预聚合)。
实际测试发现:新版的hive已经对小表JOIN大表和大表JOIN小表进行了优化。小表放在左边和右边已经没有明显区别。
需求:测试大表JOIN小表和小表JOIN大表的效率
// 创建大表
create table bigtable(id bigint, time bigint, uid string, keyword string, url_rank int, click_num int, click_url string) row format delimited fields terminated by '/t';
// 创建小表
create table smalltable(id bigint, time bigint, uid string, keyword string, url_rank int, click_num int, click_url string) row format delimited fields terminated by '/t';
// 创建join后表的语句
create table jointable(id bigint, time bigint, uid string, keyword string, url_rank int, click_num int, click_url string) row format delimited fields terminated by '/t';
hive (default)> load data local inpath '/opt/module/datas/bigtable' into table bigtable;
hive (default)>load data local inpath '/opt/module/datas/smalltable' into table smalltable;
set hive.auto.convert.join = false;
insert overwrite table jointable
select b.id, b.time, b.uid, b.keyword, b.url_rank, b.click_num, b.click_url
from smalltable s
left join bigtable b
on b.id = s.id;
Time taken: 35.921 seconds
insert overwrite table jointable
select b.id, b.time, b.uid, b.keyword, b.url_rank, b.click_num, b.click_url
from bigtable b
left join smalltable s
on s.id = b.id;
Time taken: 34.196 seconds
空KEY过滤
有时join超时是因为某些key对应的数据太多,而相同key对应的数据都会发送到相同的reducer上,从而导致内存不够。此时我们应该仔细分析这些异常的key,很多情况下,这些key对应的数据是异常数据,我们需要在SQL语句中进行过滤。例如key对应的字段为空,操作如下:
配置历史服务器
配置mapred-site.xml
<property>
<name>mapreduce.jobhistory.address</name>
<value>bigdata111:10020</value>
</property>
<property>
<name>mapreduce.jobhistory.webapp.address</name>
<value>bigdata111:19888</value>
</property>
启动历史服务器
sbin/mr-jobhistory-daemon.sh start historyserver
查看jobhistory
http://192.168.1.102:19888/jobhistory
// 创建原始表
create table ori(id bigint, time bigint, uid string, keyword string, url_rank int, click_num int, click_url string) row format delimited fields terminated by '/t';
// 创建空id表
create table nullidtable(id bigint, time bigint, uid string, keyword string, url_rank int, click_num int, click_url string) row format delimited fields terminated by '/t';
// 创建join后表的语句
create table jointable(id bigint, time bigint, uid string, keyword string, url_rank int, click_num int, click_url string) row format delimited fields terminated by '/t';
hive (default)> load data local inpath '/opt/module/datas/ori' into table ori;
hive (default)> load data local inpath '/opt/module/datas/nullid' into table nullidtable;
hive (default)> insert overwrite table jointable
select n.* from nullidtable n left join ori o on n.id = o.id;
Time taken: 42.038 seconds
Time taken: 37.284 seconds
Time taken: 97.281 seconds
hive (default)> insert overwrite table jointable
select n.* from (select * from nullidtable where id is not null ) n left join ori o on n.id = o.id;
Time taken: 31.725 seconds
Time taken: 28.876 seconds
空key转换
有时虽然某个key为空对应的数据很多,但是相应的数据不是异常数据,必须要包含在join的结果中,此时我们可以表a中key为空的字段赋一个随机的值,使得数据随机均匀地分不到不同的reducer上。例如:
案例实操:不随机分布空null值:
set mapreduce.job.reduces = 5;
insert overwrite table jointable
select n.* from nullidtable n left join ori b on n.id = b.id;
结果:可以看出来,出现了数据倾斜,某些reducer的资源消耗远大于其他reducer。
随机分布空null值
set mapreduce.job.reduces = 5;
insert overwrite table jointable
select n.* from nullidtable n full join ori o on
case when n.id is null then concat('hive', rand()) else n.id end = o.id;
结果:可以看出来,消除了数据倾斜,负载均衡reducer的资源消耗
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。
开启Map端聚合参数设置:
set hive.map.aggr = true;
set hive.groupby.mapaggr.checkinterval = 100000;
set hive.groupby.skewindata = true;
当选项设定为true,生成的查询计划会有两个MR Job。
第一个MR Job中,map的输出结果会随机分不到reudce中,每个reduce做部分聚合操作,并输出结果,这样处理的结果是相同的Group by key有可能被分发到不同的reduce中,从而达到负载均衡的目的;
第二个MR Job再根据预处理的数据结果按照Group by key 分布到reduce中(这个过程可以保证相同的Group by key 被分布到同一个reduce中),最后完成最终的聚合操作。
数据量小的时候无所谓,数据量大的情况下,由于 count distinct操作需要用一个reduce task来完成,这一个reduce需要处理的数据量太大,就会导致整个job很难完成,一般count distinct使用先group by 在count的方式替换
select count(distinct s_id) from score;
select count(s_id) from (select id from score group by s_id) a;
虽然会多用一个job来完成,但在数据量大的情况下,这个绝对是值得的。
笛卡尔集会在下面条件下产生:
案例实操
hive (default)> select empno, deptno from emp, dept;
FAILED: SemanticException Column deptno Found in more than One Tables/Subqueries
尽量避免笛卡尔积,即避免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。
列处理:在SELECT中,只拿需要的列,如果有,尽量使用分区过滤,少用SELECT *。
行处理:在分区剪裁中,当使用外关联时,如果将副表的过滤条件写在Where后面,那么就会先全表关联,之后再过滤,比如:
案例实操:
hive (default)> select o.id from bigtable b
join ori o on o.id = b.id
where o.id <= 10;
Time taken: 34.406 seconds, Fetched: 100 row(s)
hive (default)> select b.id from bigtable b
join (select id from ori where id <= 10 ) o on b.id = o.id;
Time taken: 30.058 seconds, Fetched: 100 row(s)
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。
hive的动态分区是以第一个表的分区规则,来对应第二个表的分区规则,将第一个表的所有分区,全部拷贝到第二个表中来,第二个表在加载数据的时候,不需要指定分区了,直接用第一个表的分区即可
set hive.exec.dynamic.partition=true;
set hive.exec.dynamic.partition.mode=nonstrict;
set hive.exec.max.dynamic.partitions = 100;
set hive.exec.max.dynamic.partitions.pernode=100;
整个MR Job中,最大可以创建多少个HDFS文件。
在linux系统当中,每个linux用户最多可以开启1024个进程,每一个进程最多可以打开2048个文件,即持有2048个文件句柄,下面这个值越大,就可以打开文件句柄越大。
set hive.exec.max.created.files=100000;
set hive.error.on.empty.partition = false;
**需求:**将ori中的数据按照时间(如20111231234568),插入到目标表ori_partitioned的相应分区中。
create table ori_partitioned(id bigint, time bigint, uid string, keyword
string, url_rank int, click_num int, click_url string)
PARTITIONED BY (p_time bigint)
row format delimited fields terminated by '/t';
load data local inpath '/export/servers/hivedatas/small_data' into table
ori_partitioned partition (p_time='20111230000010');
load data local inpath '/export/servers/hivedatas/small_data' into table
ori_partitioned partition (p_time='20111230000011');
create table ori_partitioned_target(id bigint, time bigint, uid string, keyword string, url_rank int, click_num int, click_url string) PARTITIONED BY (p_time STRING) row format delimited fields terminated by '/t'
向目标分区表中加载数据
如果按照之前介绍的往指定一个分区中insert数据,那么这个需求很不容易实现。这时候就需要使用动态分区来实现
INSERT overwrite TABLE ori_partitioned_target PARTITION (p_time)
SELECT id, time, uid, keyword, url_rank, click_num, click_url, p_time
FROM ori_partitioned;
**注意:**在select子句的最后几个字段,必须对应前面PARTITION (p_time)中指定的分区字段,包括顺序。
show partitons ori_partitioned_target;
通常情况下,作业会通过input的目录产生一个或者多个map任务。
主要的决定因素有:input的文件总个数,input的文件大小,集群设置的文件块大小。
是不是map数越多越好?
答案是否定的。如果一个任务有很多小文件(远远小于块大小128m),则每个小文件也会被当做一个块,用一个map任务来完成,而一个map任务启动和初始化的时间远远大于逻辑处理的时间,就会造成很大的资源浪费。而且,同时可执行的map数是受限的。
是不是保证每个map处理接近128m的文件块,就高枕无忧了?
答案也是不一定。比如有一个127m的文件,正常会用一个map去完成,但这个文件只有一个或者两个小字段,却有几千万的记录,如果map处理的逻辑比较复杂,用一个map任务去做,肯定也比较耗时。
针对上面的问题2和3,我们需要采取两种方式来解决:即减少map数和增加map数;
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。
set hive.input.format= org.apache.hadoop.hive.ql.io.CombineHiveInputFormat;
当input的文件都很大,任务逻辑复杂,map执行非常慢的时候,可以考虑增加Map数,来使得每个map处理的数据量减少,从而提高任务的执行效率。
增加map的方法为:根据computeSliteSize(Math.max(minSize,Math.min(maxSize,blocksize)))=blocksize=128M
公式,调整maxSize最大值。让maxSize最大值低于blocksize就可以增加map的个数。
案例实操:
select count(*) from emp;
Hadoop job information for Stage-1: number of mappers: 1; number of reducers: 1
hive (default)> set mapreduce.input.fileinputformat.split.maxsize=100;
hive (default)> select count(*) from emp;
Hadoop job information for Stage-1: number of mappers: 6; number of reducers: 1
调整reduce个数方法一
hive.exec.reducers.bytes.per.reducer=256000000
hive.exec.reducers.max=1009
计算reducer数的公式
N=min(参数2,总输入数据量/参数1)
调整reduce个数方法二
在hadoop的mapred-default.xml文件中修改
设置每个job的Reduce个数
set mapreduce.job.reduces = 15;
reduce个数并不是越多越好
Hive会将一个查询转化成一个或多个阶段。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,某个特点的job可能包含众多的阶段,而这些阶段可能并非完全相互依赖的,也就是说,有些阶段是可以并行执行的,这样可能时整个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
的值为true,就可以开启并发执行,不过,在共享集群中,需要注意下,如果job中并行阶段增多,那么集群利用率就会增加
set hive.exec.parallel=true; //打开任务并行执行
set hive.exec.parallel.thread.number=16; //同一个sql允许最大并行度,默认为8。
当然,得是在系统资源比较空闲的时候才有优势,否则,没资源,也并行不起来
Hive提供了一个严格模式,可以防止用户执行那些可能意向不到的不好的影响的查询。
通过设置属性hive.mapred.mode值为默认是非严格模式nonstrict 。开启严格模式需要修改hive.mapred.mode
值为strict,开启严格模式可以禁止3种类型的查询。
set hive.mapred.mode = strict; #开启严格模式
set hive.mapred.mode = nostrict; #开启非严格模式
JVM重用是Hadoop调优参数的内容,其对Hive的性能具有非常大的影响,特别是对于很难避免小文件的场景或task特别多的场景,这类场景大多数执行时间都很短
Hadoop的默认配置通常是使用派生JVM来执行map和Reduce任务的。这时JVM的启动过程可能会造成相大的开销,尤其是执行的job包含有成百上千task任务的情况。**JVM重用可以使得JVM实例在同一个job中重新使用N次。**N的值可以在Hadoop的mapred-site.xml文件中进行配置。通常在10-20之间,具体多少需要根据具体业务场景测试得出。
我们也可以在hive当中通过
set mapred.job.reuse.jvm.num.tasks=10;
这个设置来设置我们的jvm重用
这个功能的缺点是,开启JVM重用将一直占用使用到的task插槽,以便进行重用,直到任务完成后才能释放。如果某个“不平衡的”job中有某几个reduce task执行的时间要比其他Reducetask消耗的时间多的多的话,那么保留的插槽就会一直空闲着却无法被其他的job使用,直到所有的task都结束了才会释放。
在分布式集群环境下,因为程序Bug(包括Hadoop本身的bug),负载不均衡或者资源分布不均等原因,会造成同一个作业的多个任务之间运行速度不一致,有些任务的运行速度可能明显慢于其他任务(比如一个作业的某个任务进度只有50%,而其他所有任务已经运行完毕),则这些任务会拖慢作业的整体执行进度。为了避免这种情况发生,Hadoop采用了推测执行(Speculative Execution)机制 ,它根据一定的法则推测出“拖后腿”的任务,并为这样的任务启动一个备份任务,让该任务与原始任务同时处理同一份数据,并最终选用最先成功运行完成任务的计算结果作为最终结果
设置开启推测执行参数:
set mapred.map.tasks.speculative.execution=true
set mapred.reduce.tasks.speculative.execution=true
set hive.mapred.reduce.tasks.speculative.execution=true;
关于调优这些推测执行变量,还很难给一个具体的建议。如果用户对于运行时的偏差非常敏感的话,那么可以将这些功能关闭掉。如果用户因为输入数据量很大而需要执行长时间的map或者Reduce task的话,那么启动推测执行造成的浪费是非常巨大大
EXPLAIN [EXTENDED | DEPENDENCY | AUTHORIZATION] query
案例实操
hive (default)> explain select * from emp;
hive (default)> explain select deptno, avg(sal) avg_sal from emp group by deptno;
hive (default)> explain extended select * from emp;
hive (default)> explain extended select deptno, avg(sal) avg_sal from emp group by deptno;
内容来源于网络,如有侵权,请联系作者删除!