Hive学习笔记一

高能预警： -------->>>>>>>>>>> 以下内容仅供参考

Hive相关

1. 什么是metastore？

• • metadata是元数据，包含数据库、表、字段、分区等信息。作用：客户端连接MetaStore服务，metastore再去连接MySQL数据库存储元数据，有了metastore服务可以实现多客户端同时连接MySQL。
  • metastore三种配置：内嵌(Derby)、本地元存储、远程元存储
  • Hive的元数据默认存储在Derby数据库，建议存储在像MySQL这种关系型数据库中。
  • [为什么建议存储在关系型数据库中？]：默认的Derby数据库只能建立一个客户端连接，不能实现多客户端同时访问。不适合生产环境。

2. metastore安装方式有什么区别？

• • 内嵌：使用自带的Derby数据库存储元数据，不需要额外的MetaStore服务。一次仅能有一个客户端连接，适合实验环境，不适合生产环境
  • 本地元存储：本地安装MySQL来存储元数据，hive服务和metastore服务运行在同一个进程中。
  • 远程元存储：Hive服务和MetaStore服务在不同的进程中。

3. 什么是Managed Table和External Table?

• • Hive中有两种类型的表：Managed Table（内部表）和External Table（外部表）
  • 内部表：hive的默认表类型，内部表的数据通常存放在/user/root/warehouse下
  • 使用describe formatted 表名 来查看是内部表还是外部表
  • 删除内部表时，存放在HDFS上的真实数据也一并删除。
  • 外部表：适合于在hive之外使用表的数据的情况，删除外部表时，只是删除了元数据，真是数据并没有删除

4. 什么时候使用Managed Table和External Table

• • 内部表适用于临时创建的中间表　　
  • 外部表数据多部门共享

5. hive有哪些复合数据类型
   Map：key-value
   Struct:不同数据类型的集合
   Array:同类型元素的集合
   UnionType:代表一个可以具有属于所选择的任何数据类型的值的列

6. hive分区有哪些好处

• • 加速查询
  • 使用分区列的名称来创建子目录，当使用where子句执行查询操作时，只会扫描特定的子目录，而不用扫描全表。还是加速查询

7. hive分区和分桶的区别

• • 分区：以字段的形式在表结构中存在，使用describe table_name 来查看字段是否存在，但是该字段不存放真实数据，仅仅是分区的表示（伪列）
  • 分桶：一种细粒度的数据划分操作。实际生产中使用较少。[采用对列值哈希，然后除以桶的个数求余]

8. hive如何动态分区

• • 静态分区：加载数据时（显式）指定分区列
  • 动态分区：将数据推送到Hive，Hive决定哪个值进入哪个分区。需要启动动态分区[hive.exec.dynamic.parition.mode=nostrict]

9. map join优化手段

• • Join时大表放在后面[执行join时，需要选择哪个表被流式传输，哪个表被缓存。Hive将Join语句中最后一个表用于流式传输，所以要确该表在两者之间是大的一方]
  • Sort-Merge-Bucket(SMB) Map Join[使用前提：所有的表必须是桶分区（bucket）和已经排序的(sort)]

10. 如何创建bucket表

• • Hive默认是禁用分桶功能的，设置属性来强制使用分桶功能[hive.enforce.bucketing=true]

11. hive有哪些file formats

• • Text File Format:默认格式，不压缩数据，磁盘开销大。
  • Sequence File Format:SF是Hadoop API提供的一种二进制文件支持。使用方便、可分割、可压缩。
    Sequence File支持3中压缩格式：NONE、RECORD、BLOCK，建议使用BLOCK压缩。
  • RC File Format:RC是一种行列存储相结合的存储方式。
  • Parquet:列式数据存储
  • AVRO：avro Schema数据序列化
  • ORC:对RCFile做了优化，支持各种复杂的数据类型。

12. hive最优的file formates是什么
    ORC

• • ORC将行的集合存储在一个文件中，且集合内的行数据将以列式存储。采用列式格式是为了压缩，从而降低存储成本。
  • 查询：查询的是指定列而不是行，记录以列式存储
  • ORC基于列创建索引，查询效率高。

13. hive传参

• • 使用--hivevar传入

14. orderby 和 sortby的区别

• • order by：全局排序,但是只能有一个partition
  • sort by：局部排序，全局无序，partition内部有序，partition与partition之间没有关系。

15. hive和hbase的区别

• hive支持SQL查询，Hbase不支持。
• hive不支持Record级别和删除操作。
• hive定义为数仓，HBase定义为NOSQL数据库。

Hive的概念

• Hive是由Facebook开源，用于解决海量结构化日志（文本）的数据统计，它基于Hadoop工作

• 上面说的结构化日志（文本）值的是该文件中每一条记录的模样相似，比如：

张三 男 北京 21 本科

李四 男 上海 22 硕士

• Hive可以将结构化的数据文件映射成一张表，并且提供类SQL查询功能

• Hive的本质是： 将SQL语句翻译成MapReduce程序来执行

Hive工作原理图

---

为什么说Hive基于Hadoop工作？

• Hive将SQL转换成MR程序，MR是Hadoop的计算框架

• MR处理的数据的位置是HDFS，所以Hive依赖Hadoop是自然

• MR的运行依赖YARN资源调度框架（YARN出现在Hadoop2.x的版本），所以Hive依赖Hadoop也是自然

---

Hive的优缺点

• 优点

  1) 操作接口采用类SQL（HQL）语法，提供快速开发的能力（简单、容易上手）。

  2) 避免了去写MapReduce，减少开发人员的学习成本。

  3) Hive的执行延迟比较高，因此Hive常用于离线数据分析，对实时性要求不高的场合。

  4) Hive优势在于处理大数据，对于处理小数据没有优势，因为Hive的执行延迟比较高。

  5) Hive支持用户自定义函数，用户可以根据自己的需求来实现自己的函数。

• 缺点

  • HQL表达能力有限

    1. 无法表达迭代式算法

    2. 不擅长数据挖掘

  • Hive的效率较低

    1. Hive自动生成MR作业，通常不是很智能化

    2. Hive调优比较困难，粒度粗

 

Hive架构

 

Hive组件

1. Client：用户接口，CLI（hive shell 交互式的命令窗口）、JDBC/ODBC（Java客户端访问hive）

2. Metastore：元数据，默认存储在自带的Derby数据库中，推荐使用MySQL存储MetaStore

3. Hadoop：使用HDFS存储，使用MR计算框架

4. Driver：驱动器

---

Hive和数据库比较

提示：Hive相当于一个翻译工具，将SQL翻译为MR计算任务。它不是数据库，只是在表现形式上和数据库有相似之处。

指标	Hive	数据库
查询语言	HQL（类SQL）	SQL
数据存储位置	HDFS	块设备或者本地磁盘
数据更新	读多写少，不建议数据改写	正常更新
索引	不建立索引，存在暴力访问	有索引
执行	MR程序	自带引擎
执行延迟	扫描整表，延迟较高	数据量范围内毫秒级
可扩展性	易扩展	扩展性有限
数据规模	大规模数据	小规模数据

2019-07-12

There's no losing        only learning
There's no falture        only opportunities
There's no problem       only solutions