Hive面试题

以下面试题主要整理自尚硅谷相关文档

1. 什么是Hive

Hive：由 Facebook 开源用于解决海量结构化日志的数据统计。

Hive 是基于 Hadoop 的一个数据仓库工具，可以将结构化的数据文件映射为一张表，并

提供类 SQL 查询功能。

本质是：将 HQL 转化成 MapReduce 程序

1）Hive 处理的数据存储在 HDFS

2）Hive 分析数据底层的默认实现是 MapReduce

3）执行程序运行在 Yarn 上

2. Hive的架构原理（☆）

1．用户接口：Client

CLI（hive shell）、JDBC/ODBC(java 访问 hive)、WEBUI（浏览器访问 hive）

2．元数据：Metastore

元数据包括：表名、表所属的数据库（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

3．Hadoop

使用 HDFS 进行存储，使用 MapReduce 进行计算。

4．驱动器：Driver

（1）解析器（SQL Parser）：将 SQL 字符串转换成抽象语法树 AST，这一步一般都用第三方工具库完成，比如 antlr；对 AST 进行语法分析，比如表是否存在、字段是否存在、SQL 语义是否有误。

（2）编译器（Physical Plan）：将 AST 编译生成逻辑执行计划。

（3）优化器（Query Optimizer）：对逻辑执行计划进行优化。

（4）执行器（Execution）：把逻辑执行计划转换成可以运行的物理计划。对于 Hive 来说，就是 MR/Spark。

Hive 通过给用户提供的一系列交互接口，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。

3. Hive 和数据库比较（☆）

由于 Hive 采用了类似 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的查询语言，再无类似之处。本节将从多个方面来阐述 Hive和数据库的差异。数据库可以用在 Online 的应用中，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。

1. 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 的查询语言 HQL。熟悉 SQL 开发的开发者可以很方便的使用 Hive 进行开发。

2. 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。

3. 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中不建议对数据的改写，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。

4. 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，因此访问延迟较高。由于
MapReduce 的引入， Hive可以并行访问数据，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，通常会针对一个或者几个列建立索引，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。

5. 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。

6. 执行延迟

Hive 在查询数据的时候，由于没有索引，需要扫描整个表，因此延迟较高。另外一个导致 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，即数据规模较小，当数据规模大到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。

7. 可扩展性

由于 Hive 是建立在 Hadoop 之上的，因此 Hive 的可扩展性是和 Hadoop 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语义的严格限制，扩展行非常有限。目前最先进的并行数据库 Oracle在理论上的扩展能力也只有 100 台左右。

8. 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较小。

4. Hive的内部表和外部表的区别

1. 默认创建的表都是所谓的管理表，有时也被称为内部表。因为这种表，Hive 会（或多或少地）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(如，/user/hive/warehouse)所定义的目录的子目录下。当我们删除一个管理表时，Hive也会删除这个表中数据。管理表不适合和其他工具共享数据。

2. 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。

5. Hive的分区和分桶的区别

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，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。分区表的字段一般不存在，称为伪列。

2. 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。

1）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。

2）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。

6. Hive排序关键字

1. order by 全局排序，一个Reducer。

2. Sort By：每个 Reducer 内部进行排序，对全局结果集来说不是排序。

3. Distribute By：类似 MR 中 partition，进行分区，结合 sort by 使用。

注意，Hive 要求 DISTRIBUTE BY 语句要写在 SORT BY 语句之前。对于 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。

4. Cluster By：当 distribute by 和 sorts by 字段相同时，可以使用 cluster by方式。

cluster by 除了具有 distribute by 的功能外还兼具 sort by的功能。但是排序只能是升序排序，不能指定排序规则为 ASC 或者 DESC。

7. Hive 中的压缩格式TextFile、SequenceFile、ORCfile和Parquet各有什么区别？

1. TextFile

默认格式，存储方式为行存储，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(系统自动检查，执行查询时自动解压)，但使用这种方式，压缩后的文件不支持split，Hive不会对数据进行切分，从而无法对数据进行并行操作。

2. SequenceFile

SequenceFile是Hadoop
API提供的一种二进制文件支持，存储方式为行存储，其具有使用方便、可分割、可压缩的特点。

SequenceFile支持三种压缩选择：NONE，RECORD，BLOCK。Record压缩率低，一般建议使用BLOCK压缩。

优势是文件和hadoop api中的MapFile是相互兼容的

3. ORCFile

存储方式：数据按行分块 每块按照列存储。

压缩快、快速列存取。

效率比rcfile高，是rcfile的改良版本。

4. 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，2015 年
5月从 Apache 的孵化器里毕业成为 Apache 顶级项目。

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。

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。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。

8. Hive的函数：UDF、UDAF、UDTF的区别？

UDF：单行进入，单行输出

UDAF：多行进入，单行输出

UDTF：单行输入，多行输出

9. 优化措施（☆）

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 employees;在这种情况下，Hive 可以简单地读取 employee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。

2. 本地模式

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。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。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在适当的时候自动启动这个优化。

3. 表的优化

（1）小表、大表 Join

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 map join让小的维度表（1000 条以下的记录条数）先进内存。在 map 端完成 reduce。

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。

（2）大表 Join 大表

1）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，

2）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。

（3）MapJoin

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。

（4）Group By

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。

（5）Count(Distinct) 去重统计

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 再 COUNT 的方式替换

（6）笛卡尔积

尽量避免笛卡尔积，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。

（7）行列过滤

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，

（8）动态分区调整

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。

（9）分桶

（10）分区

4. MR 优化

（1）合理设置 Map 数

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；

（2）小文件进行合并

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。

（3）复杂文件增加 Map 数

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。

（4）合理设置 Reduce 数

1．调整 reduce 个数方法一

（1）每个 Reduce 处理的数据量默认是 256MB

hive.exec.reducers.bytes.per.reducer=256000000

（2）每个任务最大的 reduce 数，默认为 1009

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;

3．reduce 个数并不是越多越好

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；

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；

5. 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。

6. 严格模式

Hive提供了一个严格模式，可以防止用户执行那些可能意想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。

1. 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。

2. 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。

3. 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。

7. JVM 重用

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当大的开销，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 Reduce task
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。

8. 推测执行

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。