Hive的原理

阅读目录

 

一、Hive内部表和外部表

0、Hive是什么？

Hive是一个SQL解析引擎，将SQL语句转译成MR Job,然后再Hadoop平台上运行，达到快速开发的目的。

Hive中的表是纯逻辑表，就只是表的定义等，即表的元数据。本质就是Hadoop的目录/文件，达到了元数据与数据存储分离的目的

Hive本身不存储数据，它完全依赖HDFS和MapReduce.。

Hive的内容是读多写少，不支持对数据的改写和删除

Hive中没有定义专门的数据格式，由用户指定，需要指定三个属性：

--  列分隔符

--  行分隔符

-- 读取文件数据的方法

1、Hive的create创建表的时候，选择的创建方式：

- create table

- create external table

2、特点：

● 在导入数据到外部表，数据并没有移动到自己的数据仓库目录下，也就是说外部表中的数据并不是由它自己来管理的！而表则不一样；

● 在删除表的时候，Hive将会把属于表的元数据和数据全部删掉；而删除外部表的时候，Hive仅仅删除外部表的元数据，数据是不会删除的！

注意：

1、- create table 创建内部表，create external table 创建外部表

2、建议在工作中用外部表来创建

二、Hive中的Partition

●  在Hive中，表中的一个Partition对应于表下的一个目录，所有的Partition的数据都储存在对应的目录中

– 例如：pvs 表中包含 ds 和 city 两个 Partition，则
– 对应于 ds = 20090801, ctry = US 的 HDFS 子目录为：/wh/pvs/ds=20090801/ctry=US；
– 对应于 ds = 20090801, ctry = CA 的 HDFS 子目录为；/wh/pvs/ds=20090801/ctry=CA

●  Partition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。

三、Hive中的 Bucket

• hive中table可以拆分成partition，table和partition可以通过‘CLUSTERED BY
’进一步分bucket，bucket中的数据可以通过‘SORT BY’排序。
• 'set hive.enforce.bucketing = true' 可以自动控制上一轮reduce的数量从而适
配bucket的个数，当然，用户也可以自主设置mapred.reduce.tasks去适配
bucket个数

• Bucket主要作用：
– 数据sampling,随机采样
– 提升某些查询操作效率，例如mapside join

• 查看sampling数据：
– hive> select * from student tablesample(bucket 1 out of 2 on id);
– tablesample是抽样语句，语法：TABLESAMPLE(BUCKET x OUT OF y)
– 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64份，当y=32
时，抽取(64/32=)2个bucket的数据，当y=128时，抽取(64/128=)1/2个bucket的数据。x表示从哪个bucket开始抽
取。例如，table总bucket数为32，tablesample(bucket 3 out of 16)，表示总共抽取（32/16=）2个bucket的数据
，分别为第3个bucket和第（3+16=）19个bucket的数据

四、Hive数据类型

1、原生类型

– 原生类型
• TINYINT
• SMALLINT
• INT
• BIGINT
• BOOLEAN
• FLOAT
• DOUBLE
• STRING
• BINARY（Hive 0.8.0以上才可用）
• TIMESTAMP（Hive 0.8.0以上才可用）

2、复合类型

– 复合类型
• Arrays：ARRAY<data_type>
• Maps:MAP<primitive_type, data_type>   ##复合类型
• Structs:STRUCT<col_name: data_type[COMMENT col_comment],……>
• Union:UNIONTYPE<data_type, data_type,……>

五、Hive SQL — — Join in MR

INSERT OVERWRITE TABLE pv_users
SELECT pv.pageid, u.age
FROM page_view pv
JOIN user u
ON (pv.userid = u.userid);

SELECT pageid, age, count(1)
FROM pv_users
GROUP BY pageid, age;

六、Hive的优化

• Map的优化：

– 作业会通过input的目录产生一个或者多个map任务。set dfs.block.size
– Map越多越好吗？是不是保证每个map处理接近文件块的大小？
– 如何合并小文件，减少map数？

set mapred.max.split.size=100000000;    #100M 
set mapred.min.split.size.per.node=100000000;
set mapred.min.split.size.per.rack=100000000;
set hive.input.format=org.apache.hadoop.hive.ql.io.CombineHiveInputFormat;

– 如何适当的增加map数？

set mapred.map.tasks=10;

– Map端聚合 hive.map.aggr=true 。 Mr中的Combiners.

 

• Reduce的优化：

• Reduce的优化：
– hive.exec.reducers.bytes.per.reducer；reduce任务处理的数据量

– 调整reduce的个数：
  • 设置reduce处理的数据量
  • set mapred.reduce.tasks=10

select pt,count(1)
from popt_tbaccountcopy_mes
where pt = '2012-07-04' group by pt;
写成
select count(1)
from popt_tbaccountcopy_mes
where pt = '2012-07-04';

Set mapred.reduce.tasks = 100
Create table a_standby_table as select * from a distribute by XXX

• 分区裁剪优化(partition)：

– Where中的分区条件，会提前生效，不必特意做子查询，直接Join和GroupBy

• 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

• Map join：

– /*+ MAPJOIN(tablelist) */，必须是小表，不要超过1G，或者50万条记录

• Union all：

– 先做union all再做join或group by等操作可以有效减少MR过程，尽管是多个Select，最终只有一个
mr

Union:有去重操作，会消耗系统性能
Union all：没有去重操作，

• Multi-insert & multi-group by：

– 从一份基础表中按照不同的维度，一次组合出不同的数据
– FROM from_statement
–    INSERT OVERWRITE TABLE tablename1 [PARTITION (partcol1=val1)] select_statement1 group by key1
–    INSERT OVERWRITE TABLE tablename2 [PARTITION(partcol2=val2 )] select_statement2 group by key2

• Automatic merge：

–   当文件大小比阈值小时，hive会启动一个mr进行合并
–   hive.merge.mapfiles = true 是否和并 Map 输出文件，默认为 True
–   hive.merge.mapredfiles = false 是否合并 Reduce 输出文件，默认为 False
–   hive.merge.size.per.task = 256*1000*1000 合并文件的大小

• Multi-Count Distinct：

–   必须设置参数：set hive.groupby.skewindata=true;
–   select dt, count(distinct uniq_id), count(distinct ip)
–   from ods_log where dt=20170301 group by dt

• Hive的Join优化：

• 一个MR job

SELECT a.val, b.val, c.val
FROM a
JOIN b ON (a.key = b.key1)
JOIN c ON (a.key = c.key1)

• 生成多个MR job

SELECT a.val, b.val, c.val
FROM a
JOIN b ON (a.key = b.key1)
JOIN c ON (c.key = b.key2)

• Hive的Join优化----表连接顺序

•    按照JOIN顺序中的最后一个表应该尽量是大表，因为JOIN前一阶段生成的数据会存在于
Reducer的buffer中，通过stream最后面的表，直接从Reducer的buffer中读取已经缓冲的中间
结果数据（这个中间结果数据可能是JOIN顺序中，前面表连接的结果的Key，数据量相对较小，
内存开销就小），这样，与后面的大表进行连接时，只需要从buffer中读取缓存的Key，与大表
中的指定Key进行连接，速度会更快，也可能避免内存缓冲区溢出。
•    使用hint的方式启发JOIN操作

SELECT /*+ STREAMTABLE(a) */ a.val, b.val, c.val
FROM a
JOIN b ON (a.key = b.key1)
JOIN c ON (c.key = b.key1)；
a表被视为大表

SELECT /*+ MAPJOIN(b) */ a.key, a.value
FROM a
JOIN b ON a.key = b.key;
MAPJION会把小表全部读入内存中，在map阶段直接
拿另外一个表的数据和内存中表数据做匹配，由于在
map是进行了join操作，省去了reduce运行的效率也
会高很多.

•   左连接时，左表中出现的JOIN字段都保留，右表没有连接上的都为空

SELECT a.val, b.val
FROM a
LEFT OUTER JOIN b ON (a.key=b.key)
WHERE a.ds='2009-07-07' AND b.ds='2009-07-07'

SELECT a.val, b.val
FROM a
LEFT OUTER JOIN b
ON (a.key=b.key AND b.ds='2009-07-07' AND a.ds='2009-07-07')

•   执行顺序是，首先完成2表JOIN，然后再通过WHERE条件进行过滤，这样在JOIN过程中可能会
输出大量结果，再对这些结果进行过滤，比较耗时。可以进行优化，将WHERE条件放在ON后
，在JOIN的过程中，就对不满足条件的记录进行了预先过滤。

• Hive的Join优化----并行执行

• 并行实行：
  –  同步执行hive的多个阶段，hive在执行过程，将一个查询转化成一个或者多个阶段。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相互依赖的，也就是说可以并行执行
的，这样可能使得整个job的执行时间缩短。hive执行开启：set hive.exec.parallel=true

• Hive的Join优化----数据倾斜

• 操作

•  Join
•  Group by
•  Count Distinct

• 原因

•  key分布不均导致的
•  人为的建表疏忽
•  业务数据特点

• 症状

•  任务进度长时间维持在99%（或100%），查看任务监控页面，发现只有少量（1个或几个）reduce子任务未完成。
•  查看未完成的子任务，可以看到本地读写数据量积累非常大，通常超过10GB可以认定为发生数据倾斜。

• 倾斜度

•  平均记录数超过50w且最大记录数是超过平均记录数的4倍。
•  最长时长比平均时长超过4分钟，且最大时长超过平均时长的2倍。

• 万能方法

•  hive.groupby.skewindata=true

• Hive的Join优化----数据倾斜----大小表关联

• 原因
  • Hive在进行join时，按照join的key进行分发，而在join左边的表的数据会首先读入内存，如果左边表的key相对
分散，读入内存的数据会比较小，join任务执行会比较快；而如果左边的表key比较集中，而这张表的数据量很大，
那么数据倾斜就会比较严重，而如果这张表是小表，则还是应该把这张表放在join左边。
• 思路
  • 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
  • 使用map join让小的维度表先进内存。
• 方法
  • Small_table join big_table

• Hive的Join优化----数据倾斜----大大表关联

• 原因
  • 日志中有一部分的userid是空或者是0的情况，导致在用user_id进行hash分桶的时候，会将日志中userid为0或者
空的数据分到一起，导致了过大的斜率。
• 思路
  • 把空值的key变成一个字符串加上随机数，把倾斜的数据分到不同的reduce上，由于null值关联不上，处理后并不
影响最终结果。
• 方法
  • on case when (x.uid = '-' or x.uid = '0‘ or x.uid is null) then concat('dp_hive_search',rand()) else x.uid
end = f.user_id

七、Hive的搭建

1、Mysql配置

•  默认情况下，Hive的元数据信息存储在内置的Derby数据中。
•  Hive支持将元数据存储在MySQL中

• 元数据存储配置：
     – 【本地配置1】：默认
     – 【本地配置2】：本地搭建mysql，通过localhost:Port方式访问
     – 【远程配置】：远程搭建mysql，通过IP:Port方式访问

• 第一步：安装MySQL服务器端和MySQL客户端,并启动MySQL服务
• 安装：
    – yum install mysql
    – yum install mysql-server
• 启动：
    – /etc/init.d/mysqld start
• 设置用户名和密码：
    – mysqladmin -u root password '111111‘
• 测试登录是否成功：
    – mysql -uroot -p111111

2、安装Hive

①下载apache-hive-0.13.0-bin.tgz，并解压：
②在conf目录下，创建hive-site.xml配置文件：

<configuration>

<property>
  <name>javax.jdo.option.ConnectionURL</name>
  <value>jdbc:mysql://localhost:3306/hive?createDatabaseIfNotExist=true</value>
</property>

<property>
  <name>javax.jdo.option.ConnectionDriverName</name>
  <value>com.mysql.jdbc.Driver</value>
</property>

<property>
  <name>javax.jdo.option.ConnectionUserName</name>
  <value>root</value>
</property>

<property>
  <name>javax.jdo.option.ConnectionPassword</name>
  <value>111111</value>
</property>

</configuration>

③ 修改profile，配置环境变量：

④将mysql-connector-java-5.1.41-bin.jar拷贝到hive home的lib目录下，以支
持hive对mysql的操作

注意：

测试hive的前提得打开hadoop集群，start-all.sh

⑤hive在创建表的过程中，报如下错误处理：

FAILED: Execution Error, return code 1 from org.apache.hadoop.hive.ql.exec.DDLTask. MetaException(message:Got exception: org.apache.hadoop.ipc.RemoteException org.apache.hadoop.hdfs.server.namenode.SafeModeException: Cannot create directory /user/hive/warehouse/w_a. Name node is in safe mode.

处理方法：

bin/hadoop dfsadmin -safemode leave 
关闭Hadoop的安全模式

⑥测试hive

hive> create EXTERNAL TABLE w_a(    usrid STRING,    age STRING,    sex STRING)ROW FORMAT DELIMITED FIELDS TERMINATED BY '\t'    LINES TERMINATED BY '\n';    #创建表
OK
Time taken: 0.309 seconds
hive> show tables;
OK
w_a
Time taken: 0.049 seconds, Fetched: 1 row(s)
hive> drop table w_a;  #删除表
OK

导入数据：
[root@master badou]# hive -f create_ex_table.sql  #-f指定sql文件导入到hive中

Logging initialized using configuration in jar:file:/usr/local/src/apache-hive-0.13.0-bin/lib/hive-common-0.13.0.jar!/hive-log4j.properties
OK
Time taken: 1.168 seconds
OK
Time taken: 0.077 seconds

导入文本到hive:
hive> LOAD DATA LOCAL INPATH '/home/ba/a.txt' OVERWRITE INTO TABLE w_a; #导入a.txt 文本到hive中
Copying data from file:/home/badou/a.txt
Copying file: file:/home/badou/a.txt
Failed with exception java.io.IOException: File /tmp/hive-root/hive_2019-04-28_05-20-33_879_4807090646149011006-1/-ext-10000/a.txt could only be replicated to 0 nodes, instead of 1

 

⑦

⑧

⑨

⑩

⑪