Hive知识汇总
两种Hive表
hive存储：数据+元数据
托管表（内部表）
创建表：
hive> create table test2(id int,name String,tel String)
> ROW FORMAT DELIMITED
> FIELDS TERMINATED BY ',';
准备数据文件my.txt
1,scc0,20,131888888888
2,scc1,22,13222222222
3,scc2,21,183938384983
灌数据：
load data local inpath '/usr/local/src/my.txt' into table test2;
查看数据:
hive> select * from test2;
OK
1 scc0 20
2 scc1 22
3 scc2 21
Time taken: 0.132 seconds, Fetched: 3 row(s)
hdfs中的warehouse文件夹下面会多一个文件夹叫做test2。里面的文件名叫做my.txt
删除表：
hive> drop table test2;
OK
Time taken: 0.43 seconds
warehouse文件夹下的test2以及里面的所有文件被删除。内部表删除会同时删除元数据和数据文件。在建表的时候可以指定location，创建的内部表默认是存在warehouse/[tablename]，也可以指定目录存放。
create table test2(id int,name String,tel String) ROW FORMAT DELIMITED FIELDS TERMINATED BY ',' location '/scc/tmpdir';
外部表
创建表：
多加一个关键词external
create table test3(id int,name String,tel String) ROW FORMAT DELIMITED FIELDS TERMINATED BY ',';
也可以指定location。默认还是放在warehouse/[tablename]
灌数据方式同上。
查看方式同上。
删除命令同上：
删除后查询：
hive> show tables;
OK
haha
Time taken: 0.034 seconds, Fetched: 1 row(s)
表中已经不再存在test3, 但是HDFS中的目录以及文件均存在。说明外部表在删除的时候仅仅删除了元数据，并未删除存储文件。
分区和桶
表大于分区大于桶
参考此链接
1. 先说分区
在HDFS中，分区的表现为表的子目录。
在创建分区的命令上，分区表现为指定分区partitioned by (partitio-name string)
在查询方式上，分区就相当于表的字段。
创建带分区(以时间time为分区)的表：
create table tbhaspar(id int,name string,tel string) partitioned by(time string) row format delimited fields terminated by ',';
准备数据：
(下面数据中不含time字段，也可以带有time字段，如果按照下面灌数据的方式，带有的time字段的数据会被分区名覆盖掉)
1,scc0,131888888888
2,scc1,13222222222
3,scc2,183938384983
4,scc3,16222232222
5,scc4,17222222222
灌数据：
load data local inpath '/usr/local/src/my.txt' into table tbhaspar partition (time='03-01');
load data local inpath '/usr/local/src/my.txt' into table tbhaspar partition (time='03-02');
load data local inpath '/usr/local/src/my.txt' into table tbhaspar partition (time='03-03');
查询
（创建表的时候指定了3个字段1个分区，接下来的查询结果就好像是看到了4个字段）：
hive> select * from tbhaspar;
OK
1 scc0 131888888888 03-01
2 scc1 13222222222 03-01
3 scc2 183938384983 03-01
4 scc3 16222232222 03-01
5 scc4 17222222222 03-01
1 scc0 131888888888 03-02
2 scc1 13222222222 03-02
3 scc2 183938384983 03-02
4 scc3 16222232222 03-02
5 scc4 17222222222 03-02
1 scc0 131888888888 03-03
2 scc1 13222222222 03-03
3 scc2 183938384983 03-03
4 scc3 16222232222 03-03
5 scc4 17222222222 03-03
Time taken: 0.081 seconds, Fetched: 15 row(s)
查看表信息：
hive> describe tbhaspar;
OK
id int
name string
tel string
time string
# Partition Information
# col_name data_type comment
time string
Time taken: 0.09 seconds, Fetched: 9 row(s)
指定分区查询
(下面的查询方式，好像分区真的是一个字段):
select * from tbhaspar where time = '03-01';
对，上面说的都是
静态分区，下面看看动态分区。
动态分区
可以根据查询得到的数据动态分配到分区里。其实动态分区与静态分区区别就是不指定分区目录，由系统自己选择。
该功能需要手动开启：
hive> set hive.exec.dynamic.partition=true;
- 创建一个跟刚才一样的分区表id,name,tel partition=time
- 灌数据。灌数据的方式只能通过从别的表查询得到，不能直接从local文件加载。我们下面从刚才的静态分区表进行加载（当然我们此时把分区表当成未分区表来用，现实中都是先把数据加载到普通表，然后再读取并加载到动态分区中）。
hive> insert overwrite table tbhasdypar partition(time) select * from tbhaspar;
执行完就开始调MR了。。等一会儿看结果！直接就分区了！很帅！

2. 再说桶
桶是更细粒度的数据范围划分。桶的作用体现之一：MR阶段可以大大减少Join操作（别人这么说的，我不知道）。
Hive采用对列值哈希，然后除以桶的个数求余的方式决定该条记录存放在哪个桶当中。
建一个带桶的表
按照id分成3个桶。
hive> create table buck2 (id int,name string) clustered by (id) sorted by(id) into 3 buckets row format delimited fields terminated by ',' stored as textfile;
灌数据
先看一眼我们要灌的数据
hive> insert overwrite table buck2 select id,name from tbhaspar;
看结果
看结果之前，先设置一下这个：
set mapreduce.job.reduces=4;
为什么？因为分区的效果就是在MapReduce中体现出来的。我们设置多个Reduce观察一下排序结果。
HDFS的buck2下面多了三个文件夹，对应值hash得到的三种余数。
执行：
hive> select * from buck2 ;
下图结果中，正好是三个桶，而且是hash分桶，很明显。
上面是一个无序结果。下面的命令可以查看有序的结果。会在每个reduce里面排序。
hive> select * from buck2 sort by id ;
Hive避免MapReduce
把这个属性设置为true
hive.exec.mode.local.auto=true
hive在运行的时候尝试先使用本地模式运行 否则几乎所有的操作都会触发MR
分区查询-strict严格模式
hive.mapred.mode=strict
上述参数 严格模式下 如果针对分区表的查询，where子句没有添加分区过滤的话，任务禁止提交。
hive.mapred.mode=nonstrict
上述参数 取消严格模式
Hive数据倾斜问题 以及解决思路
MR阶段，Map产生的数据是根据Hash算法生成的key，按key选择合适的reduce，会因为数据特殊性引起的key聚集，造成某些Reduce任务繁重，某些reduce几乎没有任务。
配置参数：
hive.map.aggr=true//Map 端部分聚合，相当于Combiner
hive.groupby.skewindata=true
原理就是：将数据随机分成两个Job，第一个job随机分到不同的reduce，很有可能出现相同的key在不同的reduce里面。第二个Job可以根据预处理的反馈，将key分配到对应的reduce中，基本上同一个key都在一个reduce里面。整体上可以减少数据处理时间，做到负载均衡。
SQL调节：
- 如果两个表都是大表，那么可以对key较少的那部分，可以赋一个随机的key，值为null。倾斜的数据可以分配到不同的reduce上，null值也不会影响最后的结果计算。
- 如果表一大一小（约定1000条记录一下），内存加载较小的表在map端完成redcue操作。
还有其他方法，没使用过，略去不表。
Hive中的order by,sort by,distribute by, cluster by作用以及用法
- order by:在查询的时候sql指定，进行全局排序。不管会有多少个map节点，只会在一个reduce节点内进行处理，所以会很慢。并且，如果手动设置了严格模式，还是必须要指定limit条数的，因为数据量非常大，可能不会出结果。
- sort by:原理类似于归并排序。在每个reduce节点进行排序，做到局部有序，最后进行全局排序的时候就可以提升不少的效率。
- distribute by:都是和sort by 一起使用，并且先于它。作用是将指定的字段值相同的，分配到同一个reduce进行处理。参考这个链接- distribute by和sort by一起使用
- cluster by:是2,3的合并
cluster by id等价于distibute by id sort by id
和3中语句等价的语句：
select mid, money, name from store cluster by mid sort by money
Hive文件存储、压缩格式
- text file
默认设置。建表时会把数据文件拷贝到hdfs上不进行处理。 - sequence file
二进制存储。分割，压缩比较方便。使用<key,value>存储，key是空的。
三种压缩可选，None,Record,Block。Record效率低一些，一般用Block - rc file行列存储 不好用
- orc file 3的升级版。性能很好，存储效率比text file节省很多。
从本地加载数据只用用text file格式。然后才可以通过text file转换成2,3,4的格式。
text file文件可以直接通过cat 查看。而2,3,4的源文件无法直接查看，只能借助表查询才能查看其中的内容。
=====================
我的其他相关文章：
