Hive学习笔记七

目录

• 函数
  • 一、系统自带函数
  • 二、自定义函数
  • 三、自定义UDF函数开发案例
• 压缩和存储
  • 一、Hadoop源码编译支持Snappy压缩
    • • 1、资源准备
      • 2、jar包安装
      • 3、编译源码
  • 二、Hadoop压缩配置
    • • 1、MR支持的压缩编码
      • 2、压缩参数配置
  • 三、开启Map输出阶段压缩
  • 四、开启Reduce输出阶段压缩
  • 五、文件存储格式
    • • 1、列式存储和行式存储
      • 2、TextFile格式
      • 3、Orc格式
      • 4、Parquet格式
      • 5、主流文件存储格式对比实验
      • 5、存储文件的查询速度测试：
  • 六、存储和压缩结合
    • • 1、修改Hadoop集群具有Snappy压缩方式
      • 2、测试存储和压缩

函数

一、系统自带函数

• 1）查看系统自带的函数

hive> show functions;

• 2）显示自带的函数的用法

hive> desc function upper;

• 3）详细显示自带的函数的用法

hive> desc function extended upper;

二、自定义函数

• 1）Hive 自带了一些函数，比如：max/min等，但是数量有限，自己可以通过自定义UDF来方便的扩展。

• 2）当Hive提供的内置函数无法满足你的业务处理需要时，此时就可以考虑使用用户自定义函数（UDF：user-defined function）。

• 3）根据用户自定义函数类别分为以下三种：

  （1）UDF（User-Defined-Function）
    一进一出

  （2）UDAF（User-Defined Aggregation Function）
    聚集函数，多进一出
    类似于：count/max/min

  （3）UDTF（User-Defined Table-Generating Functions）
    一进多出
    如lateral view explore()

• 4）官方文档地址
    https://cwiki.apache.org/confluence/display/Hive/HivePlugins

• 5）编程步骤：

  （1）继承org.apache.hadoop.hive.ql.UDF
  （2）需要实现evaluate函数；evaluate函数支持重载；
  （3）在hive的命令行窗口创建函数
    a）添加jar
    add jar linux_jar_path
    b）创建function，
    create [temporary] function [dbname.]function_name AS class_name;

  （4）在hive的命令行窗口删除函数
    Drop [temporary] function [if exists] [dbname.]function_name;

• 6）注意事项
  （1）UDF必须要有返回类型，可以返回null，但是返回类型不能为void；

三、自定义UDF函数开发案例

• 1）创建一个java工程，并创建一个lib文件夹

• 2）将hive的jar包解压后，将apache-hive-1.2.1-bin\lib文件下的jar包都拷贝到java工程中。

• 3）创建一个类

package com.itstar.hive;
import org.apache.hadoop.hive.ql.exec.UDF;

public class Lower extends UDF {

	public String evaluate (final String s) {
		
		if (s == null) {
			return null;
		}
		
		return s.toString().toLowerCase();
	}
}

• 4）打成jar包上传到服务器/opt/module/jars/udf.jar

• 5）将jar包添加到hive的classpath

hive (default)> add jar /opt/module/datas/udf.jar;

• 6）创建临时函数与开发好的java class关联

hive (default)> create temporary function udf_lower as "com.itstar.hive.Lower";

• 7）即可在hql中使用自定义的函数strip

hive (default)> select ename, udf_lower(ename) lowername from emp;

压缩和存储

一、Hadoop源码编译支持Snappy压缩

1、资源准备

• 1）CentOS联网

  配置CentOS能连接外网。Linux虚拟机ping www.baidu.com 是畅通的
  注意：采用root角色编译，减少文件夹权限出现问题

• 2）jar包准备(hadoop源码、JDK8 、maven、protobuf)

  （1）hadoop-2.8.4-src.tar.gz
  （2）jdk-8u144-linux-x64.tar.gz
  （3）snappy-1.1.3.tar.gz
  （4）apache-maven-3.0.5-bin.tar.gz
  （5）protobuf-2.5.0.tar.gz

2、jar包安装

• 0）注意：所有操作必须在root用户下完成

• 1）JDK解压、配置环境变量JAVA_HOME和PATH，验证java-version(如下都需要验证是否配置成功)

[root@bigdata111 software] # tar -zxf jdk-8u144-linux-x64.tar.gz -C /opt/module/
[root@bigdata111 software]# vi /etc/profile
--------------------
#JAVA_HOME
export JAVA_HOME=/opt/module/jdk1.8.0_144
export PATH=$PATH:$JAVA_HOME/bin

--------------------
[root@bigdata111 software]#source /etc/profile
//验证命令：java -version

• 2）Maven解压、配置  MAVEN_HOME和PATH。

[root@bigdata111 software]# tar -zxvf apache-maven-3.0.5-bin.tar.gz -C /opt/module/
[root@bigdata111 apache-maven-3.0.5]# vi /etc/profile
---------------------
#MAVEN_HOME
export MAVEN_HOME=/opt/module/apache-maven-3.0.5
export PATH=$PATH:$MAVEN_HOME/bin
---------------------
[root@bigdata111 software]#source /etc/profile
验证命令：mvn -version

3、编译源码

• 1）准备编译环境

[root@bigdata111 software]# yum install svn
[root@bigdata111 software]# yum install autoconf automake libtool cmake
[root@bigdata111 software]# yum install ncurses-devel
[root@bigdata111 software]# yum install openssl-devel
[root@bigdata111 software]# yum install gcc*

• 2）编译安装snappy

[root@bigdata111 software]# tar -zxvf snappy-1.1.3.tar.gz -C /opt/module/
[root@bigdata111 module]# cd snappy-1.1.3/
[root@bigdata111 snappy-1.1.3]# ./configure
[root@bigdata111 snappy-1.1.3]# make
[root@bigdata111 snappy-1.1.3]# make install
# 查看snappy库文件
[root@bigdata111 snappy-1.1.3]# ls -lh /usr/local/lib |grep snappy

• 3）编译安装protobuf

[root@bigdata111 software]# tar -zxvf protobuf-2.5.0.tar.gz -C /opt/module/
[root@bigdata111 module]# cd protobuf-2.5.0/
[root@bigdata111 protobuf-2.5.0]# ./configure 
[root@bigdata111 protobuf-2.5.0]#  make 
[root@bigdata111 protobuf-2.5.0]#  make install
# 查看protobuf版本以测试是否安装成功
[root@bigdata111 protobuf-2.5.0]# protoc --version

• 4）编译hadoop native

[root@bigdata111 software]# tar -zxvf hadoop-2.8.4-src.tar.gz
[root@bigdata111 software]# cd hadoop-2.8.4-src/
[root@bigdata111 software]# mvn clean package -DskipTests -Pdist,native -Dtar -Dsnappy.lib=/usr/local/lib -Dbundle.snappy

  执行成功后，/opt/software/hadoop-2.8.4-src/hadoop-dist/target/hadoop-2.8.4.tar.gz即为新生成的支持snappy压缩的二进制安装包。

二、Hadoop压缩配置

1、MR支持的压缩编码

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 | 是
  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，如下表所示
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
  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

http://google.github.io/snappy/
On a single core of a Core i7 processor in 64-bit mode, Snappy compresses at about 250 MB/sec or more and decompresses at about 500 MB/sec or more.

2、压缩参数配置

  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

三、开启Map输出阶段压缩

  开启map输出阶段压缩可以减少job中map和Reduce task间数据传输量。具体配置如下：
  案例实操：

• 1）开启hive中间传输数据压缩功能

hive (default)>set hive.exec.compress.intermediate=true;

• 2）开启mapreduce中map输出压缩功能

hive (default)>set mapreduce.map.output.compress=true;

• 3）设置mapreduce中map输出数据的压缩方式

hive (default)>set mapreduce.map.output.compress.codec= org.apache.hadoop.io.compress.SnappyCodec;

• 4）执行查询语句

hive (default)> select count(ename) name from emp;

四、开启Reduce输出阶段压缩

  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：

• 1）开启hive最终输出数据压缩功能

hive (default)>set hive.exec.compress.output=true;

• 2）开启mapreduce最终输出数据压缩

hive (default)>set mapreduce.output.fileoutputformat.compress=true;

• 3）设置mapreduce最终数据输出压缩方式

hive (default)> set mapreduce.output.fileoutputformat.compress.codec = org.apache.hadoop.io.compress.SnappyCodec;

• 4）设置mapreduce最终数据输出压缩为块压缩

hive (default)> set mapreduce.output.fileoutputformat.compress.type=BLOCK;

• 5）测试一下输出结果是否是压缩文件

hive (default)> insert overwrite local directory '/opt/module/datas/distribute-result' select * from emp distribute by deptno sort by empno desc;

五、文件存储格式

  Hive支持的存储数的格式主要有：TEXTFILE 、SEQUENCEFILE、ORC、PARQUET。
  简写：
  行储存：textFile 、 sequencefile 、
  列储存：orc 、parquet

1、列式存储和行式存储

  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。

2、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，但使用Gzip这种方式，hive不会对数据进行切分，从而无法对数据进行并行操作。

3、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stripe250MB大小，这个Stripe实际相当于RowGroup概念，不过大小由4MB->250MB，这样应该能提升顺序读的吞吐率。每个Stripe里有三部分组成，分别是Index Data，Row Data，Stripe Footer：

• 1）Index Data：一个轻量级的index，默认是每隔1W行做一个索引。这里做的索引应该只是记录某行的各字段在Row Data中的offset。

• 2）Row Data：存的是具体的数据，先取部分行，然后对这些行按列进行存储。对每个列进行了编码，分成多个Stream来存储。

• 3）Stripe Footer：存的是各个Stream的类型，长度等信息。
    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。

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。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。

5、主流文件存储格式对比实验

  从存储文件的压缩比和查询速度两个角度对比。
  存储文件的压缩比测试：

• 0）测试数据

log.data

• 1）TextFile

  （1）创建表，存储数据格式为TEXTFILE

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 ;

  （2）向表中加载数据

hive (default)> load data local inpath '/opt/module/datas/log.data' into table log_text ;

  （3）查看表中数据大小

hive (default)> dfs -du -h /user/hive/warehouse/log_text;

18.1 M /user/hive/warehouse/log_text/log.data

• 2）ORC

  （1）创建表，存储数据格式为ORC

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 ;

  （2）向表中加载数据

hive (default)> insert into table log_orc select * from log_text ;

  （3）查看表中数据大小

hive (default)> dfs -du -h /user/hive/warehouse/log_orc/ ;

  2.8 M /user/hive/warehouse/log_orc/000000_0

• 3）Parquet

  （1）创建表，存储数据格式为parquet

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 ;	

  （2）向表中加载数据

hive (default)> insert into table log_parquet select * from log_text ;

  （3）查看表中数据大小

hive (default)> dfs -du -h /user/hive/warehouse/log_parquet/ ;

  13.1 M /user/hive/warehouse/log_parquet/000000_0

  存储文件的压缩比总结：
  ORC > Parquet > textFile

5、存储文件的查询速度测试：

• 1）TextFile

hive (default)> select count(*) from log_text;
_c0
100000
Time taken: 21.54 seconds, Fetched: 1 row(s)
Time taken: 21.08 seconds, Fetched: 1 row(s)

• 2）ORC

hive (default)> select count(*) from log_orc;
_c0
100000
Time taken: 20.867 seconds, Fetched: 1 row(s)
Time taken: 22.667 seconds, Fetched: 1 row(s)

3）Parquet

hive (default)> select count(*) from log_parquet;
_c0
100000
Time taken: 22.922 seconds, Fetched: 1 row(s)
Time taken: 21.074 seconds, Fetched: 1 row(s)

  存储文件的查询速度总结：查询速度相近。

六、存储和压缩结合

1、修改Hadoop集群具有Snappy压缩方式

• 1）查看hadoop checknative命令使用

[itstar@bigdata113 hadoop-2.8.4]$ hadoop
  		checknative [-a|-h]  check native hadoop and compression libraries availability

• 2）查看hadoop支持的压缩方式

[itstar@bigdata113 hadoop-2.8.4]$ hadoop checknative
17/12/24 20:32:52 WARN bzip2.Bzip2Factory: Failed to load/initialize native-bzip2 library system-native, will use pure-Java version
17/12/24 20:32:52 INFO zlib.ZlibFactory: Successfully loaded & initialized native-zlib library
Native library checking:
hadoop:  true /opt/module/hadoop-2.8.4/lib/native/libhadoop.so
zlib:    true /lib64/libz.so.1
snappy:  false 
lz4:     true revision:99
bzip2:   false

• 3）将编译好的支持Snappy压缩的hadoop-2.8.4.tar.gz包导入到bigdata111的/opt/software中

• 4）解压hadoop-2.8.4.tar.gz到当前路径

[itstar@bigdata111software]$ tar -zxvf hadoop-2.8.4.tar.gz

• 5）进入到/opt/software/hadoop-2.8.4/lib/native路径可以看到支持Snappy压缩的动态链接库

[itstar@bigdata111native]$ pwd
/opt/software/hadoop-2.8.4/lib/native
[itstar@bigdata111native]$ ll
-rw-r--r--. 1 itstar itstar  472950 9月   1 10:19 libsnappy.a
-rwxr-xr-x. 1 itstar itstar     955 9月   1 10:19 libsnappy.la
lrwxrwxrwx. 1 itstar itstar      18 12月 24 20:39 libsnappy.so -> libsnappy.so.1.3.0
lrwxrwxrwx. 1 itstar itstar      18 12月 24 20:39 libsnappy.so.1 -> libsnappy.so.1.3.0
-rwxr-xr-x. 1 itstar itstar  228177 9月   1 10:19 libsnappy.so.1.3.0

• 6）拷贝/opt/software/hadoop-2.8.4/lib/native里面的所有内容到开发集群的/opt/module/hadoop-2.8.4/lib/native路径上

[itstar@bigdata111native]$ cp ../native/* /opt/module/hadoop-2.8.4/lib/native/

• 7）分发集群

[itstar@bigdata111lib]$ xsync native/

• 8）再次查看hadoop支持的压缩类型

[itstar@bigdata111hadoop-2.8.4]$ hadoop checknative
17/12/24 20:45:02 WARN bzip2.Bzip2Factory: Failed to load/initialize native-bzip2 library system-native, will use pure-Java version
17/12/24 20:45:02 INFO zlib.ZlibFactory: Successfully loaded & initialized native-zlib library
Native library checking:
hadoop:  true /opt/module/hadoop-2.8.4/lib/native/libhadoop.so
zlib:    true /lib64/libz.so.1
snappy:  true /opt/module/hadoop-2.8.4/lib/native/libsnappy.so.1
lz4:     true revision:99
bzip2:   false

• 9）重新启动hadoop集群和hive

2、测试存储和压缩

  官网：https://cwiki.apache.org/confluence/display/Hive/LanguageManual+ORC
  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)

• 1）创建一个非压缩的的ORC存储方式

  （1）建表语句

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");

  （2）插入数据

hive (default)> insert into table log_orc_none select * from log_text ;

  （3）查看插入后数据

hive (default)> dfs -du -h /user/hive/warehouse/log_orc_none/ ;

  7.7 M /user/hive/warehouse/log_orc_none/000000_0

• 2）创建一个SNAPPY压缩的ORC存储方式

  （1）建表语句

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");

  （2）插入数据

hive (default)> insert into table log_orc_snappy select * from log_text ;

  （3）查看插入后数据

hive (default)> dfs -du -h /user/hive/warehouse/log_orc_snappy/ ;

  3.8 M /user/hive/warehouse/log_orc_snappy/000000_0

• 3）上一节中默认创建的ORC存储方式，导入数据后的大小为

  2.8 M /user/hive/warehouse/log_orc/000000_0
  比Snappy压缩的还小。原因是orc存储文件默认采用ZLIB压缩。比snappy压缩的小。

• 4）存储方式和压缩总结：

  在实际的项目开发当中，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，lzo。