Hive学习01-快速了解hive以及常见的面试问题

Posted students

tags:

篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了Hive学习01-快速了解hive以及常见的面试问题相关的知识,希望对你有一定的参考价值。

cloudera公司发行的CDH中 
hive的有三种角色:gateway、hiveserver2、hive metastore三种角色
其中hive metastore主要用于客户端连接 默认端口
hive server2 主要用于jdbc连接(很多bi产品都靠jdbc连接,比如hue,帆软等软件)
gateway 是client的一个代理,主要用于更新hive的客户端配置

apache社区的hive中也分为客户端,hiveserver2和hive metastore
启动 metastore : hive --service metastore

启动hive :hive --service hiveserver2
 

理论:

什么是hive:

1. Hive旨在实现轻松的数据汇总,即时查询和分析大量数据。

2. 它提供了SQL,使用户可以轻松地进行临时查询,汇总和数据分析。

3. Hive可以使用用户定义函数(UDF)。

4. 使用率:实际开发中,80%操作使用Hive完成,20%使用MapReduce。

5. 与MapReduce相比,Hive特点:稳定、代码精简、易于维护。

6. HiveQL:未严格实现SQL-92标准。

7. 本质:将HiveQL转化为一个或多个MapReduce作业并在集群上运行,但并不是所有HiveQL都会转为MapReduce作业。

常见问题:

1、hive 内部表:加载数据到 hive 所在的 hdfs 目录,删除时,元数据和数据文件都删除
   hive外部表:不加载数据到 hive 所在的 hdfs 目录,删除时,只删除表结构

2、分区作用:防止数据倾斜

3、sort by和order by之间的区别?distribute by?cluster by? group by?

sort by 是单个reduce内部的排序;

order by 是全局排序,只触发一个reduce

distribute by :按照指定的字段对数据进行划分输出到不同的reduce中,通常与sort by 连用

cluster by :除了具有distribute by 的功能外还兼具sort by 的功能

group  by 通常用于做聚合函数操作 count(*) sum(xx)

4.Hive中追加导入数据的4种方式是什么

#hdfs
load data inpath hdfs://xxx/xxx into (overwrite) table a #本地
load data local inpath
/xxx/xx into (overwrite) table a
#查询导入
create table student as select * from student1;
#查询结果导入
insert (overwrite) into table student select user_id,user_name from student2;

5.hive导出数据

#导出到hdfs 会递归创建文件夹 (注意文件夹如果存在,数据会被清空)高危操作
insert overwrite directory ‘/liuzhimin/test2/a‘ row format delimited fields terminated by ‘\t‘ select * from u_data_new;
#导出到本地(高危操作)
insert overwrite local directory ‘/home/dip/a‘ row format delimited fields terminated by ‘\t‘ select * from u_data_new;
#bash
hive -e "use cslc; select * from u_data_new ;"> a.txt

6.数据倾斜怎么办?

倾斜原因: map输出数据按Key Hash分配到reduce中,由于key分布不均匀、或者业务数据本身的特点。等原因造成的reduce上的数据量差异过大。key分布不均匀、业务数据本身的特性、SQL语句造成数据倾斜;
解决办法:①参数调节:
set hive.map.aggr=true
set hive.groupby.skewindata=true
有数据倾斜的时候进行负载均衡,当选项设定为true,生成的查询计划会有两个MR Job。第一个MR Job中,Map的输出结果集合会随机分布到Reduce中,每个Reduce做部分聚合操作,
并输出结果,这样处理的结果是相同Group By Key有可能被分发到不同的Reduce中,从而达到负载均衡的目的;
第二个MR Job在根据预处理的数据结果按照 Group By Key 分布到Reduce中(这个过程可以保证相同的 Group By Key 被分布到同一个Reduce中),最后完成最终的聚合操作。 ②SQL语句调节: 大小表join,小表进内存; 大表Join大表:把空值的Key变成一个字符串加上一个随机数,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的结果 count distinct大量相同特殊值:count distinct时,将值为空的情况单独处理,如果是计算count distinct,可以不用处理,直接过滤,在做后结果中加1。
如果还有其他计算,需要进行group by,可以先将值为空的记录单独处理,再和其他计算结果进行union.

 


 

 

 

 

bin  [b?n]  详细X
基本翻译
n. 垃圾箱;箱子,容器;瓶酒搁架;统计堆栈;(非正式)精神病院
v. 把……扔进垃圾桶;把……放入容器中;拒绝;把(酒等)放进搁架;把(数据)归入统计堆
n. (Bin) (美、意)本(人名)
网络释义
Hyun Bin: 玄彬
Bin Packing: 装箱问题
garbage bin: 垃圾箱

以上是关于Hive学习01-快速了解hive以及常见的面试问题的主要内容,如果未能解决你的问题,请参考以下文章

快速了解HIVE文件存储格式

2min快速了解,Hive内部表和外部表

快速搭建Hadoop-Hive-Zoopkeeper-Sqoop环境进入Sqoop学习环境

Hive入门小结

让你快速了解MySQL,hive和hbase

Hadoop生态之Hive