Hive基础语法
1、创建表 – 用户表
CREATE [EXTERNAL外部表] TABLE [IF NOT EXISTS 是否存在] HUserInfo (
userid int comment ‘用户Id’,
username string comment ‘用户名称’,
userpwd string comment ‘用户密码’,
createtime string comment ‘创建时间’
)
comment ‘用户信息表’
row format delimited fileds terminated by ‘\t’ -- 声明文件行分隔符
partitioned by (ds string comment '当前时间,用于分区字段') --表示按什么字段进行分割,通常来说是按时间。用于增加分区
clustered by userid --要排序的字段
sorted by username into 32 buckets -- bucket(桶)排,序这里表示将id按照name进行排序,聚类汇总,然后分区划分到32个散列桶中。
stored as rcfile
hive目前支持三种方式:
1)就是最普通的textfile,数据不做压缩,磁盘开销大,解析开销也大
2)SquenceFIle,hadoop api提供的一种二进制API方式,其具有使用方便、可分割、可压缩等特点。
3)rcfile行列存储结合的方式,它会首先将数据进行分块,保证同一个record在一个分块上,避免读一次记录需要读多个块。其次块数据列式存储,便于数据存储和快速的列存取。RCFILE由于采用是的列式存储,所以加载时候开销较大,但具有很好的查询响应、较好的压缩比。
location '/user/hive/test'; --改变表在hdfs中的位置,可不必先创建。
like Old_UserInfo --复制一个空表,允许用户复制现有的表结构,但是不复制数据。
2、mysql日期函数:sysdate()
3、ODS与EDW的关系
EDW主要为企业提供分析决策服务。时效:T+1
ODS主要实现企业数据整合、共享和准实时运营监控等功能。时效:实时
ODS是EDW的一个有益的补充和扩展。
生产系统中的运营数据通过ETL(抽取、转换、装载)过程进人到ODS中,生产系统之间准实时的数据交换由ODS系统完成,ODS系统同时还将整合好的生产系统下的运营数据通过ETL等方式传送到EDW中,完成运营数据从操作环境进人到分析环境的过程。
ODS作用:
1)对运营数据进行清理整合,提高运营数据质量,是EDW的一个主要数据来源。
2)实现跨系统的近实时报表和查询统计应用。ODS从不同的运营应用系统中采集数据,整合各个系统的共享交易数据,形成企业级数据的整体视图。
3)作为其他生产系统的数据同步源。
4、Hive分区(partition)简介
1)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,因此建表时引入了partition概念。
2)分区表指的是在创建表时指定的partition的分区空间。
3)如果需要创建有分区的表,需要在create表的时候调用可选参数partitioned by,详见表创建的语法结构。
4)一个表可以拥有一个或者多个分区,每个分区以文件夹的形式单独存在表文件夹的目录下。
5、Map-side Join和Reduce-side Join的使用场景
1)Map-side Join使用场景是一个大表和一个小表的连接操作,其中,“小表”是指文件足够小,可以加载到内存中。该算法可以将join算子执行在Map端,无需经历shuffle和reduce等阶段,因此效率非常高。
2)Reduce-side Join当两个文件/目录中的数据非常大,难以将某一个存放到内存中时,Reduce-side Join是一种解决思路。该算法需要通过Map和Reduce两个阶段完成,在Map阶段,将key相同的记录划分给同一个Reduce Task(需标记每条记录的来源,便于在Reduce阶段合并),在Reduce阶段,对key相同的进行合并。
6、cast 类型转化
select cast(20 ad double) from hive;
7、Hive建表:一个表可以拥有一个或多个分区,每个分区以文件夹的形式单独存在表文件夹的目录下。
8、Hive的优化思想:
1)尽早尽量过滤数据,减少每个阶段的数据量
2)减少job数
3)解决数据倾斜问题
9、列裁剪:HQL优化方式及使用技巧:只选择真实需要的列。
分区裁剪:HQL优化方式及使用技巧:减少不必要的分区。
10、利用hive 的优化机制减少JOB数:
HQL优化方式及使用技巧:不论是外关联outer join还是内关联inner join,如果Join的key相同,不管有多少个表,都会合并为一个MapReduce任务。
SELECT a.val, b.val, c.valFROM a JOIN b ON (a.key= b.key1) JOIN c ON (c.key= b.key1 ) -> 1个JOB
SELECT a.val, b.val, c.valFROM a JOIN b ON (a.key= b.key1) JOIN c ON (c.key= b.key2) -> 2个JOB
11、JOB输入输出优化:
HQL优化方式及使用技巧:善用muti-insert、union all,不同表的union all相当于multiple inputs,同一个表的union all,相当map一次输出多条。
insert overwrite table tmp1
select ... from a where 条件1;
insert overwrite table tmp2
select ... from a where 条件2;
from a
insert overwrite table tmp1
select ... where 条件1
insert overwrite table tmp2
select ... where 条件2;
12、Local Model:
Select user,itemfrom order_tablelimit 10;
Select * from order_tablelimit 10; (不会生成mapreduce程序)
13、HQL优化方式及使用技巧:避免笛卡尔积
14、数据过滤:HQL优化方式及使用技巧:在JOIN前过滤掉不需要的数据
15、小表放前大表放后原则:
HQL优化方式及使用技巧:在编写带有join操作的代码语句时,应该将条目少的表/子查询放在Join操作符的左边。因为在Reduce 阶段,位于Join 操作符左边的表的内容会被加载进内存,载入条目较少的表可以有效减少OOM(out of memory)即内存溢出。所以对于同一个key来说,对应的value值小的放前,大的放后。
16、Mapjoin():
HQL优化方式及使用技巧:当小表与大表JOIN时,采用mapjoin,即在map端完成。同时也可以避免小表与大表JOIN 产生的数据倾斜。
17、LEFT SEMI JOIN :
HQL优化方式及使用技巧:LEFT SEMI JOIN 是IN/EXISTS 子查询的一种更高效的实现,0.13版本以前不支持IN/EXISTS。
18、LEFT SEMI JOIN :
HQL优化方式及使用技巧
限制条件:只能在ON 子句中设置过滤条件,在WHERE子句、SELECT 子句或其他地方过滤都不行。
Left semi join 与JOIN 的区别:B表有重复值的情况下left semi join 产生一条,join 会产生多条。
19、输入输出优化:合理使用动态分区
20、输入输出优化:union all 优化
HQL优化方式及使用技巧:利用hive对UNION ALL的优化的特性(0.13版本可以直接union)hive对union all优化只局限于非嵌套查询。
21、输入输出优化:合理使用union all
HQL优化方式及使用技巧:不同表太多的union ALL,不推荐使用;通常采用建临时分区表,将不同表的结果insert到不同的分区(可并行),最后再统一处理。
22、输入输出优化:合理使用UDTF
HQL优化方式及使用技巧:select col1,col2,newCol from myTableLATERAL VIEW explode(myCol) adTableAS newCol
说明:执行过程相当于单独执行了两次读取,然后union到一个表里,但JOB数只有一个。
同样myCol也需要为数组类型,但日常中我们多数情况下是string 类型经过split 函数拆分后获取数组类型。
23、输入输出优化:多粒度计算优化
HQL优化方式及使用技巧:应用UDTF 优化:按不同维度进行订单汇总。
select * from (
select ‘1',province,sum(sales) from order_tablegroup by province
union all
select ‘2',city,sum(sales) from order_tablegroup by city
Union all
select ‘3',county,sum(sales) from order_tablegroup by county
) df
24、数据去重与排序:DISTINCT 与GROUP BY
HQL优化方式及使用技巧:尽量避免使用DISTINCT 进行排重,特别是大表操作,用GROUP BY 代替。
25、数据去重与排序:排序优化
HQL优化方式及使用技巧:只有order by 产生的结果是全局有序的,可以根据实际场景进行选择排序。
1)Order by 实现全局排序,一个reduce实现,由于不能并发执行,所以效率偏低,适用于数据量小的场景。
2)Distribute by:控制着在map端如何分区,按照什么字段进行分区,控制map端的均衡分配。
3)Sort by 实现部分有序,每个reduce按照sort by 字段进行排序,每个reduce输出的结果是有序的,效率高,通常和DISTRIBUTE BY关键字一起使用(DISTRIBUTE BY关键字可以指定map 到reduce端的分发key)
例如:distribute by total_sale sort by total_sale desc
4)CLUSTER BY col1 等价于DISTRIBUTE BY col1 SORT BY col1 但不能指定排序规则。
26、数据倾斜:
HQL优化方式及使用技巧: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。因为其处理的数据量和其他reduce差异过大。单一reduce的记录数与平均记录数差异过大,通常可能达到3倍甚至更多。最长时长远大于平均时长。
27、Hive有用的新特性:
1)指定列之间的分隔符可以用下面的命令实现:
hive> insert overwrite local directory /home/dd_edw/documents/result'
hive> row format delimited
hive> fields terminated by '\t'
hive> select * from test;
2)group by 语法增强,group by除了可以跟column alias,也可以跟column position
比如:
select f1(col1), f2(col2), f3(col3), count(1) \
group by f1(col1), f2(col2), f3(col3);
可以写成
select f1(col1), f2(col2), f3(col3), count(1) group by 1, 2, 3;
3)ALTER VIEW view_nameAS select_statement
4)SHOW CREATE TABLE ([db_name.]table_name|view_name)
5)Explain dependency 语法, 获取input table和input partition
6)实现了TRUNCATE,可以删除HDFS上面相关表格存储的数据,但是
会保持表和metadata的完整性。
28、Hive建库使用RCFile格式,反正就是高效,Facebook再用。
29、基于java的框架:数据库mysql mongodb redis,持久层ibatis,框架springMVC+spring/Autofac,
表现层JDF JQ velocity。
30、Hive动态分区设置:set hive.exec.dynamic.partition.mode=nonstrict;
31、python分析常用的模块:numpy, pandas, matplotlib, scipy
32、mapjoin解决数据倾斜
使用场景:语句中B表有30亿行记录,A表只有100行记录,而且B表中数据倾斜特别严重,有一个key上有15亿行记录,在运行过程中特别的慢,而且在reduece的过程中遇有内存不够而报错。
SELECT /*+ MAPJOIN(b) */ a.key, a.value FROM a join b on a.key = b.key
33、LEFT SEMI JOIN 是IN/EXISTS 子查询的一种更高效的实现
1)通过left outer join 实现in 查询
select a.key, a.value from a left outer join b on a.key=b.keywhere b.keyis not null
2)通过left semi join 实现in
SELECT a.key, a.value FROM a LEFT SEMI JOIN b on (a.key= b.key)
注:限制条件只能在ON 子句中设置过滤条件,在WHERE子句、SELECT 子句或其他地方过滤都不行。
Left semi join 与JOIN 的区别:B表有重复值的情况下left semi join 产生一条,join 会产生多条。
34、hive explode函数
——行转列
35、Hive表还有一个TBLPROPERTIES用来给表添加一些描述信息,比如最后一次修改信息,最后一个修改人。
如:TBLPROPERTIES ('creator'='zhoumei', 'created_at'='2012-01-02 10:00:00')
36、Hive distribute by sorl by order by 的区别:
distribute by:控制着在map端如何分区,按照什么字段进行分区,要注意均衡。
sort by:每个reduce按照sort by 字段进行排序,reduce的数量按照默认的数量来进行,当然可以指定。
最终可以进行归并排序得出结果。
适用于数据量比较大的排序场景。
order by:reduce只有一个,在一个reduce中完成排序,使用于数据量小的场景。