Hive常用面试题

一、Hive内部表与外部表的区别

　　未被external修饰的是内部表，被external修饰的是外部表；

区别：

　　内部表数据由hive自身管理，外部表数据由HDFS管理；

　　内部表数据存储位置是hive.metastore.warehouse.dir（默认：/user/hive/warehouse），外部表数据的存储位置由自己指定（如果没有location，hive将hdfs上的 /user/hive/warehouse 文件夹下以外部表的名字创建一个文件夹，并将属于这个表的数据存放在这里）；

　　删除内部表会直接删除元数据及存储数据；删除外部表仅仅会删除元数据，HDFS上文件并不会被删除；

　　对内部表的修改会将修改直接同步给元数据，而对外部表的表结构和分区进行修改，则需要修改（MSCK REPAIR TABLE table_name）;

二、hive与传统数据库的区别

　　由于HIVE采用了SQL查询语言HQL,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的查询语言，再无类似之处。

　　数据存储位置：HQL 存储在HDFS上，而SQL存在在 raw 磁盘或者本地文件系统

　　数据格式：HQL 用户定义，而SQL由系统决定

　　数据更新：HQL 不支持 ；SQL支持

　　索引：HQL 无 ；SQL 有

　　执行：HQL 使用MapReduce ；Sql 执行器

　　执行延迟：HQL 延迟高；sql低

　　可扩展性：HQL 扩展性高；SQL扩展性低

　　数据规模：HQL 数据规模大；SQL 数据规模小

三、 hive分区介绍

　　在hive select查询中一般会扫描整个表内容，会消耗很多时间做没必要的工作。有时候只需要扫描表中关心的一部分数据，一次建表时引入了partition的概念。

　　分区表指的是在创建表的时候指定的partition的分区空间。

　　在hive中，表的一个partition对应于表下的一个目录，所有的partition的数据都存储在最子集的目录里。

　　总的来说，partition就是辅助查询，缩小查询范围，加快数据的检索速度和对数据按照一定的规格和条件进行管理。

 

四、Hive分区过多有何坏处以及分区时的注意事项

1. 当分区过多且数据很大时，可以使用严格模式，避免触发一个大的mapreduce任务。当分区数量过多且数据量较大时，执行宽范围的数据扫描，会触发一个很大的mapreduce任务。在严格模式下，当where中没有分区过滤条件会禁止执行。

2. hive如果有过多的分区，由于底层是存储在HDFS上，HDFS上只用于存储大文件而非小文件，因为过多的分区会增加namenode的负担。

3. hive转换为mapreduce，mapreduce会转化为多个task。过多小文件的话，每个文件一个task，每个task一个JVM实例，JVM的开销和销毁会降低系统效率。

五、hive分桶管理

1. 原理

   跟MR中的HashPartition的原理一模一样

   MR中：按照key的hash值去模除以reducetask的个数

   HIVE中：按照分桶字段的hash值去模除以分桶的个数

2 . hive分桶的作用

    方便抽样、提高join查询效率

3.hive分桶和分区的区别

分桶表和分区表的桶数和分区数的决定机制：
​
分桶表的个数：由用户HQL语句所设置的reduce Task的个数决定
​
表的分区个数：也能由用户定义，也能由程序自动生成，分区是可以动态增长的。
​
个数区别：
​
•   分桶表一经决定，就不能更改，所以如果有要改变桶数，要重新插入分桶数据；
​
•   分区数是可以动态增长的。如log日志，一天存一个分区

4.hive分桶操作

    首先创建一个分桶的空表，然后创建一个临时表，往临时表中导入数据，然后从临时表中分桶查询出来的数据insert到分桶的空表里。

4.1创建分桶表

```
create table bck_student(
    id        int,
    name      string,
    sex       string,
    age       int,
    department string
) clustered by(sex) into 2 buckets row format delimited fields 
terminated by ","；
```

4.2 创建临时表并导入数据

```
create table student(
    id        int,
    name      string,
    sex       string,
    age       int,
    department string
) row format delimited fields terminated  by ",";
load data local inpath "/home/hadoop/student.dat" into table student;
select * from student
```

4.3 从临时表中分桶查询出来的数据insert到分桶的空表里

```
# 开启分桶
set hive.enforce.bucketing=true;
set mapreduce.job.reduces=2;
# 注意上面的set mapreduce.job.reduces的数量要和分桶数量一样
insert into table bck_student select id,name,sex,age,department from student distribute by sex;
```

4.4 对分桶数据进行抽样查询

```
select * from bck_student tablesample(bucket 1 out of2on sex)
# select * from bck_student tablesample(0.1 percent)；
```

六.Hive中复杂数据类型的使用好处与坏处

好处：由于复杂数据类型的存储数据比基本数据类型要多，在存盘上可以连续存储，在查询等操作时可以减少磁盘IO

坏处：复杂数据类型可能会存在着数据的重复，而且有更大的导致数据不一致的风险。

 

七.Hive元数据库是用来做什么的，存储哪些信息？

本质上只是用来存储hive中有哪些数据库，哪些表，表的模式，目录，分区，索引以及命名空间。为数据库创建的目录一般在hive数据仓库目录下。

八.Hive什么情况下可以避免进行mapreduce？

1. 在本地模式下，hive可以简单的读取目录路径下的数据，然后输出格式化后的数据到控制台。比如本地员工表employee，当执行select * from employee 时直接将文件中数据格式化输出。

2. 查询语句中的过滤条件只是分区字段的情况下不会进行mapreduce。

 

九.hive、HQL常用优化

1、列裁剪和分区裁剪

最基本的操作，查询时只读取需要的列和只读取需要的分区。

2.谓词下推

就是将SQL中where谓词逻辑尽可能的提前执行，减少下游处理的数据量。

3.sort by 代替 order by

hql中的order by与其他SQL方言中的功能一样，就是将结果按某字段全局排序，这会导致所有map端数据都进入一个reducer中，在数据量大的时候可能会长时间计算不完。

如果使用sort by，那么会视情况启动多个reducer进行排序，并且保证每个人reducer内局部有序。为了控制map端数据分配到reducer的key，往往还要配合distribute by 一同使用。如果不加distribute by 的话，map端数据就会随机分配到reducer。

4.group by 代替distinct

当统计某一列去重时候，如果数据量很大，count(distinct)就会非常慢，原因与order by类似。

5.join 基础优化

1. 小表前置

最常见的hash join方法中，一般总有一张相对小的表和一张相对大的表，小表叫build table,大表叫probe table.

2. 多表join时，key相同

https://www.jianshu.com/p/8e2f2f0d4b6c

十、hive数据倾斜原因以及主要解决办法

1、 hive倾斜之group by 聚合倾斜

• 原因：

  分组的纬度过少，每个维度的值过多，导致处理某值得reduce耗时很久；

  对一些类型统计的时候某种类型的数据量特别多，其他的数据类型特别少，当按照类型进行group by的时候，会将相同的group by 字段的reduce任务需要的数据拉取到同一个节点进行聚合，而当其中每一组的数据量过大时，会出现其他组的计算已经完成这个reduce还没有计算完成，其他的节点一直等待这个节点的任务执行完成，所以会看到map 100% 而reduce 99%的情况

  解决办法

  set hive.map.aggr=true;
  set hive.groupby.skewindata=true;

  原理：

  hive.map.aggr 这个配置代表开启map端聚合

  hive.groupby.skewindata=true,当选项设定为true，生成的查询计划会有连个MR job。当第一个MR Job中，Map的输出结果结合会随机分布到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key被分到同一个reduce中，最后完成最终的聚合操作。

  Hive倾斜之Map和Reduce优化

  • 1-原因：当出现小文件过多，需要合并小文件。可以通过set hive.merge.mapredfiles=true来解决；

  • 2-原因：输入数据存在大块和小块的严重问题，比如 说：一个大文件128M，还有1000个小文件，每 个1KB。 解决方法：任务输入前做文件合并，将众多小文件合并成一个大文件。通过set hive.merge.mapredfiles=true解决；

  • 3-原因：单个文件大小稍稍大于配置的block块的大小，此时需要适当增加map的个数。解决方法：set mapred.map.tasks的个数；

  • 4-原因：文件大小适中，但是map端计算量非常大，如：select id,count(*),sum(case when...),sum(case when ...)...需要增加map个数。解决方法：set mapred.map.tasks个数，set mapred.reduce.tasks个数；

  Hive倾斜之HQL中包含count(distinct)时

  • 如果数据量非常大，执行如select a,count(distinct b) from t group by a;类型的sql时，会出现数据倾斜的问题。

  • 解决方法：使用sum...group by代替。如：select a,sum(1) from(select a,b from t group by a,b) group by a;

  Hive倾斜之HQL中join优化

  • 当遇到一个大表和一个小表进行join操作时。使用mapjoin将小表加载到内存中。如：select /*+ MAPJOIN(a) */ a.c1, b.c1 ,b.c2 from a join b where a.c1 = b.c1;

  • 遇到需要进行join，但是关联字段有数据为null，如表一的id需要和表二的id进行关联；

• 解决方法1：id为null的不参与关联 比如：

 

select * from log a 
　join users b 
on a.id is not null and a.id = b.id 
union all 
select * from log a 
where a.id is null; 

• 解决方法2： 给null值分配随机的key值 比如：

select * from log a 
left outer join users b 
on 
case when a.user_id is null 
then concat(‘hive’,rand() ) 
else a.user_id end = b.user_id; 

合理设置Map数

对上文描述的总结

• 1）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。

• 2）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。

• 3）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；