厦门市湖里区建设局网站,wordpress 转移数据库,安阳网站建设哪家专业,4399游戏网页版入口第1章 Hive入门
1.1 什么是Hive
Hive#xff1a;由Facebook开源用于解决海量结构化日志的数据统计。
Hive是基于Hadoop的一个数据仓库工具#xff0c;可以将结构化的数据文件映射为一张表#xff0c;并提供类SQL查询功能。
本质是#xff1a;将HQL转化成MapReduce程序 …第1章 Hive入门
1.1 什么是Hive
Hive由Facebook开源用于解决海量结构化日志的数据统计。
Hive是基于Hadoop的一个数据仓库工具可以将结构化的数据文件映射为一张表并提供类SQL查询功能。
本质是将HQL转化成MapReduce程序 1)Hive处理的数据存储在HDFS
2Hive分析数据底层的实现是MapReduce
3执行程序运行在Yarn上
1.2 Hive的优缺点
1.2.1 优点
\1) 操作接口采用类SQL语法提供快速开发的能力简单、容易上手。
\2) 避免了去写MapReduce减少开发人员的学习成本。
\3) Hive的执行延迟比较高因此Hive常用于数据分析对实时性要求不高的场合。
\4) Hive优势在于处理大数据对于处理小数据没有优势因为Hive的执行延迟比较高。
\5) Hive支持用户自定义函数用户可以根据自己的需求来实现自己的函数。
1.2.2 缺点
1Hive的HQL表达能力有限
1迭代式算法无法表达
2数据挖掘方面不擅长
2Hive的效率比较低
1Hive自动生成的MapReduce作业通常情况下不够智能化
2Hive调优比较困难粒度较粗
1.3 Hive架构原理 图6-1 Hive架构原理
1用户接口Client
CLIhive shell、JDBC/ODBC(java访问hive)、WEBUI浏览器访问hive
2元数据Metastore
元数据包括表名、表所属的数据库默认是default、表的拥有者、列/分区字段、表的类型是否是外部表、表的数据所在目录等
默认存储在自带的derby数据库中推荐使用MySQL存储Metastore
3Hadoop
使用HDFS进行存储使用MapReduce进行计算。
4驱动器Driver
1解析器SQL Parser将SQL字符串转换成抽象语法树AST这一步一般都用第三方工具库完成比如antlr对AST进行语法分析比如表是否存在、字段是否存在、SQL语义是否有误。
2编译器Physical Plan将AST编译生成逻辑执行计划。
3优化器Query Optimizer对逻辑执行计划进行优化。
4执行器Execution把逻辑执行计划转换成可以运行的物理计划。对于Hive来说就是MR/Spark。
Hive通过给用户提供的一系列交互接口接收到用户的指令(SQL)使用自己的Driver结合元数据(MetaStore)将这些指令翻译成MapReduce提交到Hadoop中执行最后将执行返回的结果输出到用户交互接口。
1.4 Hive和数据库比较
由于 Hive 采用了类似SQL 的查询语言 HQL(Hive Query Language)因此很容易将 Hive 理解为数据库。其实从结构上来看Hive 和数据库除了拥有类似的查询语言再无类似之处。本文将从多个方面来阐述 Hive 和数据库的差异。数据库可以用在 Online 的应用中但是Hive 是为数据仓库而设计的清楚这一点有助于从应用角度理解 Hive 的特性。
1.4.1 查询语言
由于SQL被广泛的应用在数据仓库中因此专门针对Hive的特性设计了类SQL的查询语言HQL。熟悉SQL开发的开发者可以很方便的使用Hive进行开发。
1.4.2 数据存储位置
Hive 是建立在 Hadoop 之上的所有 Hive 的数据都是存储在 HDFS 中的。而数据库则可以将数据保存在块设备或者本地文件系统中。
1.4.3 数据更新
由于Hive是针对数据仓库应用设计的而数据仓库的内容是读多写少的。因此Hive中不建议对数据的改写所有的数据都是在加载的时候确定好的。而数据库中的数据通常是需要经常进行修改的因此可以使用 INSERT INTO … VALUES 添加数据使用 UPDATE … SET修改数据。
1.4.4 索引
Hive在加载数据的过程中不会对数据进行任何处理甚至不会对数据进行扫描因此也没有对数据中的某些Key建立索引。Hive要访问数据中满足条件的特定值时需要暴力扫描整个数据因此访问延迟较高。由于 MapReduce 的引入 Hive 可以并行访问数据因此即使没有索引对于大数据量的访问Hive 仍然可以体现出优势。数据库中通常会针对一个或者几个列建立索引因此对于少量的特定条件的数据的访问数据库可以有很高的效率较低的延迟。由于数据的访问延迟较高决定了 Hive 不适合在线数据查询。
1.4.5 执行
Hive中大多数查询的执行是通过 Hadoop 提供的 MapReduce 来实现的。而数据库通常有自己的执行引擎。
1.4.6 执行延迟
Hive 在查询数据的时候由于没有索引需要扫描整个表因此延迟较高。另外一个导致 Hive 执行延迟高的因素是 MapReduce框架。由于MapReduce 本身具有较高的延迟因此在利用MapReduce 执行Hive查询时也会有较高的延迟。相对的数据库的执行延迟较低。当然这个低是有条件的即数据规模较小当数据规模大到超过数据库的处理能力的时候Hive的并行计算显然能体现出优势。
1.4.7 可扩展性
由于Hive是建立在Hadoop之上的因此Hive的可扩展性是和Hadoop的可扩展性是一致的世界上最大的Hadoop 集群在 Yahoo!2009年的规模在4000 台节点左右。而数据库由于 ACID 语义的严格限制扩展行非常有限。目前最先进的并行数据库 Oracle 在理论上的扩展能力也只有100台左右。
1.4.8 数据规模
由于Hive建立在集群上并可以利用MapReduce进行并行计算因此可以支持很大规模的数据对应的数据库可以支持的数据规模较小。
第2章 Hive安装
2.1 Hive安装地址
1Hive官网地址
http://hive.apache.org/
2文档查看地址
https://cwiki.apache.org/confluence/display/Hive/GettingStarted
3下载地址
http://archive.apache.org/dist/hive/
4github地址
https://github.com/apache/hive
2.2 Hive安装部署
1Hive安装及配置
1把apache-hive-1.2.1-bin.tar.gz上传到linux的/opt/software目录下
2解压apache-hive-1.2.1-bin.tar.gz到/opt/module/目录下面
[atguiguhadoop102 software]$ tar -zxvf apache-hive-1.2.1-bin.tar.gz -C /opt/module/3修改apache-hive-1.2.1-bin.tar.gz的名称为hive
[atguiguhadoop102 module]$ mv apache-hive-1.2.1-bin/ hive4修改/opt/module/hive/conf目录下的hive-env.sh.template名称为hive-env.sh
[atguiguhadoop102 conf]$ mv hive-env.sh.template hive-env.sh 5配置hive-env.sh文件
a配置HADOOP_HOME路径
export HADOOP_HOME/opt/module/hadoop-2.7.2 b配置HIVE_CONF_DIR路径
export HIVE_CONF_DIR/opt/module/hive/conf2Hadoop集群配置
1必须启动hdfs和yarn
[atguiguhadoop102 hadoop-2.7.2]$ sbin/start-dfs.sh[atguiguhadoop103 hadoop-2.7.2]$ sbin/start-yarn.sh2在HDFS上创建/tmp和/user/hive/warehouse两个目录并修改他们的同组权限可写
[atguiguhadoop102 hadoop-2.7.2]$ bin/hadoop fs -mkdir /tmp[atguiguhadoop102 hadoop-2.7.2]$ bin/hadoop fs -mkdir -p /user/hive/warehouse[atguiguhadoop102 hadoop-2.7.2]$ bin/hadoop fs -chmod gw /tmp[atguiguhadoop102 hadoop-2.7.2]$ bin/hadoop fs -chmod gw /user/hive/warehouse3Hive基本操作
1启动hive
[atguiguhadoop102 hive]$ bin/hive2查看数据库
hive show databases;3打开默认数据库
hive use default;4显示default数据库中的表
hive show tables;5创建一张表
hive create table student(id int, name string);6显示数据库中有几张表
hive show tables;7查看表的结构
hive desc student;8向表中插入数据
hive insert into student values(1000,ss);9查询表中数据
hive select * from student;10退出hive
hive quit;2.3 将本地文件导入Hive案例
需求
将本地/opt/module/datas/student.txt这个目录下的数据导入到hive的student(id int, name string)表中。
1数据准备
在/opt/module/datas这个目录下准备数据
1在/opt/module/目录下创建datas
[atguiguhadoop102 module]$ mkdir datas2在/opt/module/datas/目录下创建student.txt文件并添加数据
[atguiguhadoop102 datas]$ touch student.txt[atguiguhadoop102 datas]$ vi student.txt1001 zhangshan1002 lishi1003 zhaoliu注意以tab键间隔。
2Hive实际操作
1启动hive
[atguiguhadoop102 hive]$ bin/hive2显示数据库
hive show databases;3使用default数据库
hive use default;4显示default数据库中的表
hive show tables;5删除已创建的student表
hive drop table student;6创建student表, 并声明文件分隔符’\t’
hive create table student(id int, name string) ROW FORMAT DELIMITED FIELDS TERMINATEDBY \t;7加载/opt/module/datas/student.txt 文件到student数据库表中。
hive load data local inpath /opt/module/datas/student.txt into table student;8Hive查询结果
hive select * from student;OK1001 zhangshan1002 lishi1003 zhaoliuTime taken: 0.266 seconds, Fetched: 3 row(s)3遇到的问题
再打开一个客户端窗口启动hive会产生java.sql.SQLException异常。
Exception in thread main java.lang.RuntimeException: java.lang.RuntimeException:Unable to instantiateorg.apache.hadoop.hive.ql.metadata.SessionHiveMetaStoreClient at org.apache.hadoop.hive.ql.session.SessionState.start(SessionState.java:522) at org.apache.hadoop.hive.cli.CliDriver.run(CliDriver.java:677) at org.apache.hadoop.hive.cli.CliDriver.main(CliDriver.java:621) at sun.reflect.NativeMethodAccessorImpl.invoke0(Native Method) at sun.reflect.NativeMethodAccessorImpl.invoke(NativeMethodAccessorImpl.java:57) at sun.reflect.DelegatingMethodAccessorImpl.invoke(DelegatingMethodAccessorImpl.java:43) at java.lang.reflect.Method.invoke(Method.java:606) at org.apache.hadoop.util.RunJar.run(RunJar.java:221) at org.apache.hadoop.util.RunJar.main(RunJar.java:136)Caused by: java.lang.RuntimeException: Unable to instantiate org.apache.hadoop.hive.ql.metadata.SessionHiveMetaStoreClient at org.apache.hadoop.hive.metastore.MetaStoreUtils.newInstance(MetaStoreUtils.java:1523) at org.apache.hadoop.hive.metastore.RetryingMetaStoreClient.init(RetryingMetaStoreClient.java:86) at org.apache.hadoop.hive.metastore.RetryingMetaStoreClient.getProxy(RetryingMetaStoreClient.java:132) at org.apache.hadoop.hive.metastore.RetryingMetaStoreClient.getProxy(RetryingMetaStoreClient.java:104) at org.apache.hadoop.hive.ql.metadata.Hive.createMetaStoreClient(Hive.java:3005) at org.apache.hadoop.hive.ql.metadata.Hive.getMSC(Hive.java:3024) at org.apache.hadoop.hive.ql.session.SessionState.start(SessionState.java:503)... 8 more原因是Metastore默认存储在自带的derby数据库中推荐使用MySQL存储Metastore;
2.4 MySql安装
2.4.1 安装包准备
1查看mysql是否安装如果安装了卸载mysql
1查看
[roothadoop102 桌面]# rpm -qa|grep mysql
mysql-libs-5.1.73-7.el6.x86_64
2卸载
[roothadoop102 桌面]# rpm -e --nodeps mysql-libs-5.1.73-7.el6.x86_64
2解压mysql-libs.zip文件到当前目录
[roothadoop102 software]# unzip mysql-libs.zip
[roothadoop102 software]# ls
mysql-libs.zip
mysql-libs
3进入到mysql-libs文件夹下
[roothadoop102 mysql-libs]# ll
总用量 76048
-rw-r–r–. 1 root root 18509960 3月 26 2015 MySQL-client-5.6.24-1.el6.x86_64.rpm
-rw-r–r–. 1 root root 3575135 12月 1 2013 mysql-connector-java-5.1.27.tar.gz
-rw-r–r–. 1 root root 55782196 3月 26 2015 MySQL-server-5.6.24-1.el6.x86_64.rpm
2.4.2 安装MySql服务器
1安装mysql服务端
[roothadoop102 mysql-libs]# rpm -ivh MySQL-server-5.6.24-1.el6.x86_64.rpm
2查看产生的随机密码
[roothadoop102 mysql-libs]# cat /root/.mysql_secret
OEXaQuS8IWkG19Xs
3查看mysql状态
[roothadoop102 mysql-libs]# service mysql status
4启动mysql
[roothadoop102 mysql-libs]# service mysql start
2.4.3 安装MySql客户端
1安装mysql客户端
[roothadoop102 mysql-libs]# rpm -ivh MySQL-client-5.6.24-1.el6.x86_64.rpm
2链接mysql
[roothadoop102 mysql-libs]# mysql -uroot -pOEXaQuS8IWkG19Xs
3修改密码
mysqlSET PASSWORDPASSWORD(‘000000’);
4退出mysql
mysqlexit
2.4.4 MySql中user表中主机配置
配置只要是root用户密码在任何主机上都能登录MySQL数据库。
1进入mysql
[roothadoop102 mysql-libs]# mysql -uroot -p000000
2显示数据库
mysqlshow databases;
3使用mysql数据库
mysqluse mysql;
4展示mysql数据库中的所有表
mysqlshow tables;
5展示user表的结构
mysqldesc user;
6查询user表
mysqlselect User, Host, Password from user;
7修改user表把Host表内容修改为%
mysqlupdate user set host‘%’ where host‘localhost’;
8删除root用户的其他host
mysqldelete from user where Host‘hadoop102’;
mysqldelete from user where Host‘127.0.0.1’;
mysqldelete from user where Host‘::1’;
9刷新
mysqlflush privileges;
10退出
mysqlquit;
2.5 Hive元数据配置到MySql
2.5.1 驱动拷贝
1在/opt/software/mysql-libs目录下解压mysql-connector-java-5.1.27.tar.gz驱动包
[roothadoop102 mysql-libs]# tar -zxvf mysql-connector-java-5.1.27.tar.gz
2拷贝/opt/software/mysql-libs/mysql-connector-java-5.1.27目录下的mysql-connector-java-5.1.27-bin.jar到/opt/module/hive/lib/
[roothadoop102 mysql-connector-java-5.1.27]# cp mysql-connector-java-5.1.27-bin.jar
/opt/module/hive/lib/
2.5.2 配置Metastore到MySql
1在/opt/module/hive/conf目录下创建一个hive-site.xml
[atguiguhadoop102 conf]$ touch hive-site.xml
[atguiguhadoop102 conf]$ vi hive-site.xml
2根据官方文档配置参数拷贝数据到hive-site.xml文件中
https://cwiki.apache.org/confluence/display/Hive/AdminManualMetastoreAdmin
?xml version1.0??xml-stylesheet typetext/xsl hrefconfiguration.xsl?configuration property namejavax.jdo.option.ConnectionURL/name valuejdbc:mysql://hadoop102:3306/metastore?createDatabaseIfNotExisttrue/value descriptionJDBC connect string for a JDBC metastore/description /property property namejavax.jdo.option.ConnectionDriverName/name valuecom.mysql.jdbc.Driver/value descriptionDriver class name for a JDBC metastore/description /property property namejavax.jdo.option.ConnectionUserName/name valueroot/value descriptionusername to use against metastore database/description /property property namejavax.jdo.option.ConnectionPassword/name value000000/value descriptionpassword to use against metastore database/description /property/configuration3配置完毕后如果启动hive异常可以重新启动虚拟机。重启后别忘了启动hadoop集群
2.5.3 多窗口启动Hive测试
1先启动MySQL
[atguiguhadoop102 mysql-libs]$ mysql -uroot -p000000
查看有几个数据库
mysql show databases;
±-------------------
| Database |
±-------------------
| information_schema |
| mysql |
| performance_schema |
| test |
±-------------------
2再次打开多个窗口分别启动hive
[atguiguhadoop102 hive]$ bin/hive
3启动hive后回到MySQL窗口查看数据库显示增加了metastore数据库
mysql show databases;
±-------------------
| Database |
±-------------------
| information_schema |
| metastore |
| mysql |
| performance_schema |
| test |
±-------------------
2**.6** HiveJDBC访问
2**.6.1** 启动hiveserver2服务
[atguiguhadoop102 hive]$ bin/hiveserver2
2**.6.2** 启动beeline
[atguiguhadoop102 hive]$ bin/beeline
Beeline version 1.2.1 by Apache Hive
beeline
2**.6.3** 连接hiveserver****2
beeline !connect jdbc:hive2://hadoop102:10000回车
Connecting to jdbc:hive2://hadoop102:10000
Enter username for jdbc:hive2://hadoop102:10000: atguigu回车
Enter password for jdbc:hive2://hadoop102:10000: 直接回车
Connected to: Apache Hive (version 1.2.1)
Driver: Hive JDBC (version 1.2.1)
Transaction isolation: TRANSACTION_REPEATABLE_READ
0: jdbc:hive2://hadoop102:10000 show databases;
±---------------±-
| database_name |
±---------------±-
| default |
| hive_db2 |
±---------------±-
2.7 Hive常用交互命令
[atguiguhadoop102 hive]$ bin/hive -helpusage: hive -d,--define keyvalue Variable subsitution to apply to hive commands. e.g. -d AB or --define AB --database databasename Specify the database to use -e quoted-query-string SQL from command line -f filename SQL from files -H,--help Print help information --hiveconf propertyvalue Use value for given property --hivevar keyvalue Variable subsitution to apply to hive commands. e.g. --hivevar AB -i filename Initialization SQL file -S,--silent Silent mode in interactive shell -v,--verbose Verbose mode (echo executed SQL to the console)1“-e”不进入hive的交互窗口执行sql语句
[atguiguhadoop102 hive]$ bin/hive -e “select id from student;”
2“-f”执行脚本中sql语句
1在/opt/module/datas目录下创建hivef.sql文件
[atguiguhadoop102 datas]$ touch hivef.sql
文件中写入正确的sql语句
select *from student;
2执行文件中的sql语句
[atguiguhadoop102 hive]$ bin/hive -f /opt/module/datas/hivef.sql
3执行文件中的sql语句并将结果写入文件中
[atguiguhadoop102 hive]$ bin/hive -f /opt/module/datas/hivef.sql /opt/module/datas/hive_result.txt
2.8 Hive其他命令操作
1退出hive窗口
hive(default)exit;
hive(default)quit;
在新版的hive中没区别了在以前的版本是有的
exit:先隐性提交数据再退出
quit:不提交数据退出
2在hive cli命令窗口中如何查看hdfs文件系统
hive(default)dfs -ls /;
3在hive cli命令窗口中如何查看本地文件系统
hive(default)! ls /opt/module/datas;
4查看在hive中输入的所有历史命令
1进入到当前用户的根目录/root或/home/atguigu
2查看. hivehistory文件
[atguiguhadoop102 ~]$ cat .hivehistory
2.9 Hive常见属性配置
2.9.1 Hive数据仓库位置配置
1Default数据仓库的最原始位置是在hdfs上的/user/hive/warehouse路径下。
2在仓库目录下没有对默认的数据库default创建文件夹。如果某张表属于default数据库直接在数据仓库目录下创建一个文件夹。
3修改default数据仓库原始位置将hive-default.xml.template如下配置信息拷贝到hive-site.xml文件中。
hive.metastore.warehouse.dir/user/hive/warehouselocation of default database for the warehouse
配置同组用户有执行权限
bin/hdfs dfs -chmod gw /user/hive/warehouse
2.9.2 查询后信息显示配置
1在hive-site.xml文件中添加如下配置信息就可以实现显示当前数据库以及查询表的头信息配置。
hive.cli.print.header
true
hive.cli.print.current.db
true
2重新启动hive对比配置前后差异。
1配置前如图6-2所示 图6-2 配置前
2配置后如图6-3所示 图6-3 配置后
2.9.3 Hive运行日志信息配置
1Hive的log默认存放在/tmp/atguigu/hive.log目录下当前用户名下
2修改hive的log存放日志到/opt/module/hive/logs
1修改/opt/module/hive/conf/hive-log4j.properties.template文件名称为
hive-log4j.properties
[atguiguhadoop102 conf]$ pwd
/opt/module/hive/conf
[atguiguhadoop102 conf]$ mv hive-log4j.properties.template hive-log4j.properties
2在hive-log4j.properties文件中修改log存放位置
hive.log.dir/opt/module/hive/logs
2.9.4 参数配置方式
1查看当前所有的配置信息
hiveset;
2参数的配置三种方式
1配置文件方式
默认配置文件hive-default.xml
用户自定义配置文件hive-site.xml
注意用户自定义配置会覆盖默认配置。另外Hive也会读入Hadoop的配置因为Hive是作为Hadoop的客户端启动的Hive的配置会覆盖Hadoop的配置。配置文件的设定对本机启动的所有Hive进程都有效。
2命令行参数方式
启动Hive时可以在命令行添加-hiveconf paramvalue来设定参数。
例如
[atguiguhadoop103 hive]$ bin/hive -hiveconf mapred.reduce.tasks10;
注意仅对本次hive启动有效
查看参数设置
hive (default) set mapred.reduce.tasks;
3参数声明方式
可以在HQL中使用SET关键字设定参数
例如
hive (default) set mapred.reduce.tasks100;
注意仅对本次hive启动有效。
查看参数设置
hive (default) set mapred.reduce.tasks;
上述三种设定方式的优先级依次递增。即配置文件命令行参数参数声明。注意某些系统级的参数例如log4j相关的设定必须用前两种方式设定因为那些参数的读取在会话建立以前已经完成了。
第3章 Hive数据类型
3.1 基本数据类型
表6-1
Hive数据类型Java数据类型长度例子TINYINTbyte1byte有符号整数20SMALINTshort2byte有符号整数20INTint4byte有符号整数20BIGINTlong8byte有符号整数20BOOLEANboolean布尔类型true或者falseTRUE FALSEFLOATfloat单精度浮点数3.14159DOUBLEdouble双精度浮点数3.14159STRINGstring字符系列。可以指定字符集。可以使用单引号或者双引号。‘now is the time’ “for all good men”TIMESTAMP时间类型BINARY字节数组
对于Hive的String类型相当于数据库的varchar类型该类型是一个可变的字符串不过它不能声明其中最多能存储多少个字符理论上它可以存储2GB的字符数。
3.2 集合数据类型
表6-2
数据类型描述语法示例STRUCT和c语言中的struct类似都可以通过“点”符号访问元素内容。例如如果某个列的数据类型是STRUCT{first STRING, last STRING},那么第1个元素可以通过字段.first来引用。struct()MAPMAP是一组键-值对元组集合使用数组表示法可以访问数据。例如如果某个列的数据类型是MAP其中键-值对是’first’-’John’和’last’-’Doe’那么可以通过字段名[‘last’]获取最后一个元素map()ARRAY数组是一组具有相同类型和名称的变量的集合。这些变量称为数组的元素每个数组元素都有一个编号编号从零开始。例如数组值为[‘John’, ‘Doe’]那么第2个元素可以通过数组名[1]进行引用。Array()
Hive有三种复杂数据类型ARRAY、MAP 和 STRUCT。ARRAY和MAP与Java中的Array和Map类似而STRUCT与C语言中的Struct类似它封装了一个命名字段集合复杂数据类型允许任意层次的嵌套。
案例实操
1 假设某表有如下一行我们用JSON格式来表示其数据结构。在Hive下访问的格式为
{ “name”: “songsong”, “friends”: [“bingbing” , “lili”] , //列表Array, “children”: { //键值Map, “xiao song”: 18 , “xiaoxiao song”: 19 } “address”: { //结构Struct, “street”: “hui long guan” , “city”: “beijing” }}
2基于上述数据结构我们在Hive里创建对应的表并导入数据。
创建本地测试文件test.txt
songsong,bingbing_lili,xiao song:18_xiaoxiao song:19,hui long guan_beijingyangyang,caicai_susu,xiao yang:18_xiaoxiao yang:19,chao yang_beijing
注意MAPSTRUCT和ARRAY里的元素间关系都可以用同一个字符表示这里用“_”。
3Hive上创建测试表test
create table test(name string,friends array,children mapstring, int,address structstreet:string, city:string)row format delimited fields terminated by ,collection items terminated by _map keys terminated by :lines terminated by ‘\n’;
字段解释
row format delimited fields terminated by ‘,’ – 列分隔符
collection items terminated by ‘_’ --MAP STRUCT 和 ARRAY 的分隔符(数据分割符号)
map keys terminated by ‘:’ – MAP中的key与value的分隔符
lines terminated by ‘\n’; – 行分隔符
4导入文本数据到测试表
hive (default) load data local inpath ‘/opt/module/datas/test.txt’into table test
5访问三种集合列里的数据以下分别是ARRAYMAPSTRUCT的访问方式
hive (default) select friends[1],children[‘xiao song’],address.city from testwhere name“songsong”;OK_c0 _c1 citylili 18 beijingTime taken: 0.076 seconds, Fetched: 1 row(s)
3.3 类型转化
Hive的原子数据类型是可以进行隐式转换的类似于Java的类型转换例如某表达式使用INT类型TINYINT会自动转换为INT类型但是Hive不会进行反向转化例如某表达式使用TINYINT类型INT不会自动转换为TINYINT类型它会返回错误除非使用CAST操作。
1隐式类型转换规则如下
1任何整数类型都可以隐式地转换为一个范围更广的类型如TINYINT可以转换成INTINT可以转换成BIGINT。
2所有整数类型、FLOAT和STRING类型都可以隐式地转换成DOUBLE。
3TINYINT、SMALLINT、INT都可以转换为FLOAT。
4BOOLEAN类型不可以转换为任何其它的类型。
2可以使用CAST操作显示进行数据类型转换
例如CAST(‘1’ AS INT)将把字符串’1’ 转换成整数1如果强制类型转换失败如执行CAST(‘X’ AS INT)表达式返回空值 NULL。
第4章 DDL数据定义
4.1 创建数据库
1创建一个数据库数据库在HDFS上的默认存储路径是/user/hive/warehouse/*.db。
hive (default) create database db_hive;
2避免要创建的数据库已经存在错误增加if not exists判断。标准写法
hive (default) create database db_hive;FAILED: Execution Error, return code 1 from org.apache.hadoop.hive.ql.exec.DDLTask. Database db_hive already existshive (default) create database if not exists db_hive;
3创建一个数据库指定数据库在HDFS上存放的位置
hive (default) create database db_hive2 location ‘/db_hive2.db’; 图6-4 数据库存放位置
4.2 查询数据库
4.2.1 显示数据库
1显示数据库
hive show databases;
2过滤显示查询的数据库
hive show databases like ‘db_hive*’;
OK
db_hive
db_hive_1
4.2.2 查看数据库详情
1显示数据库信息
hive desc database db_hive;
OK
db_hive hdfs://hadoop102:9000/user/hive/warehouse/db_hive.db atguiguUSER
2显示数据库详细信息extended
hive desc database extended db_hive;
OK
db_hive hdfs://hadoop102:9000/user/hive/warehouse/db_hive.db atguiguUSER
40.3.3 切换当前数据库
hive (default) use db_hive;
4.3.3 切换当前数据库
hive (default) use db_hive;
4.3 修改数据库
用户可以使用ALTER DATABASE命令为某个数据库的DBPROPERTIES设置键-值对属性值来描述这个数据库的属性信息。数据库的其他元数据信息都是不可更改的包括数据库名和数据库所在的目录位置。
hive (default) alter database db_hive set dbproperties(‘createtime’‘20170830’);
在hive中查看修改结果
hive desc database extended db_hive;
db_name comment location owner_name owner_type parameters
db_hive hdfs://hadoop102:8020/user/hive/warehouse/db_hive.db atguigu USER {createtime20170830}
4.4 删除数据库
1删除空数据库
hivedrop database db_hive2;
2如果删除的数据库不存在最好采用 if exists判断数据库是否存在
hive drop database db_hive;
FAILED: SemanticException [Error 10072]: Database does not exist: db_hive
hive drop database if exists db_hive2;
3如果数据库不为空可以采用cascade命令强制删除
hive drop database db_hive;
FAILED: Execution Error, return code 1 from org.apache.hadoop.hive.ql.exec.DDLTask. InvalidOperationException(message:Database db_hive is not empty. One or more tables exist.)
hive drop database db_hive cascade;
4.5 创建表
1建表语法
CREATE [EXTERNAL] TABLE [IF NOT EXISTS] table_name
[(col_name data_type [COMMENT col_comment], …)]
[COMMENT table_comment]
[PARTITIONED BY (col_name data_type [COMMENT col_comment], …)]
[CLUSTERED BY (col_name, col_name, …)
[SORTED BY (col_name [ASC|DESC], …)] INTO num_buckets BUCKETS]
[ROW FORMAT row_format]
[STORED AS file_format]
[LOCATION hdfs_path]
2字段解释说明
1CREATE TABLE 创建一个指定名字的表。如果相同名字的表已经存在则抛出异常用户可以用 IF NOT EXISTS 选项来忽略这个异常。
2EXTERNAL关键字可以让用户创建一个外部表在建表的同时指定一个指向实际数据的路径LOCATIONHive创建内部表时会将数据移动到数据仓库指向的路径若创建外部表仅记录数据所在的路径不对数据的位置做任何改变。在删除表的时候内部表的元数据和数据会被一起删除而外部表只删除元数据不删除数据。
3COMMENT为表和列添加注释。
4PARTITIONED BY创建分区表
5CLUSTERED BY创建分桶表
6SORTED BY不常用
7ROW FORMAT
DELIMITED [FIELDS TERMINATED BY char] [COLLECTION ITEMS TERMINATED BY char]
[MAP KEYS TERMINATED BY char] [LINES TERMINATED BY char]
| SERDE serde_name [WITH SERDEPROPERTIES (property_nameproperty_value, property_nameproperty_value, …)]
用户在建表的时候可以自定义SerDe或者使用自带的SerDe。如果没有指定ROW FORMAT 或者ROW FORMAT DELIMITED将会使用自带的SerDe。在建表的时候用户还需要为表指定列用户在指定表的列的同时也会指定自定义的SerDeHive通过SerDe确定表的具体的列的数据。
SerDe是Serialize/Deserilize的简称目的是用于序列化和反序列化。
8STORED AS指定存储文件类型
常用的存储文件类型SEQUENCEFILE二进制序列文件、TEXTFILE文本、RCFILE列式存储格式文件
如果文件数据是纯文本可以使用STORED AS TEXTFILE。如果数据需要压缩使用 STORED AS SEQUENCEFILE。
9LOCATION 指定表在HDFS上的存储位置。
10LIKE允许用户复制现有的表结构但是不复制数据。
4.5.1 管理表
1理论
默认创建的表都是所谓的管理表有时也被称为内部表。因为这种表Hive会或多或少地控制着数据的生命周期。Hive默认情况下会将这些表的数据存储在由配置项hive.metastore.warehouse.dir(例如/user/hive/warehouse)所定义的目录的子目录下。 当我们删除一个管理表时Hive也会删除这个表中数据。管理表不适合和其他工具共享数据。
2案例实操
1普通创建表
create table if not exists student2(id int, name string)row format delimited fields terminated by \t’stored as textfilelocation ‘/user/hive/warehouse/student2’;
2根据查询结果创建表查询的结果会添加到新创建的表中
create table if not exists student3 as select id, name from student;
3根据已经存在的表结构创建表
create table if not exists student4 like student;
4查询表的类型
hive (default) desc formatted student2;
Table Type: MANAGED_TABLE
4.5.2 外部表
1理论
因为表是外部表所以Hive并非认为其完全拥有这份数据。删除该表并不会删除掉这份数据不过描述表的元数据信息会被删除掉。
2管理表和外部表的使用场景
每天将收集到的网站日志定期流入HDFS文本文件。在外部表原始日志表的基础上做大量的统计分析用到的中间表、结果表使用内部表存储数据通过SELECTINSERT进入内部表。
3案例实操
分别创建部门和员工外部表并向表中导入数据。
1原始数据
2建表语句
创建部门表
create external table if not exists default.dept(deptno int,dname string,loc int)row format delimited fields terminated by ‘\t’;
创建员工表
create external table if not exists default.emp(empno int,ename string,job string,mgr int,hiredate string, sal double, comm double,deptno int)row format delimited fields terminated by ‘\t’;
3查看创建的表
hive (default) show tables;
OK
tab_name
dept
emp
4向外部表中导入数据
导入数据
hive (default) load data local inpath ‘/opt/module/datas/dept.txt’ into table default.dept;
hive (default) load data local inpath ‘/opt/module/datas/emp.txt’ into table default.emp;
查询结果
hive (default) select * from emp;
hive (default) select * from dept;
5查看表格式化数据
hive (default) desc formatted dept;
Table Type: EXTERNAL_TABLE
4**.5.3** 管理表与外部表的互相转换
1查询表的类型
hive (default) desc formatted student2;
Table Type: MANAGED_TABLE
2修改内部表student2为外部表
alter table student2 set tblproperties(‘EXTERNAL’‘TRUE’);
3查询表的类型
hive (default) desc formatted student2;
Table Type: EXTERNAL_TABLE
4修改外部表student2为内部表
alter table student2 set tblproperties(‘EXTERNAL’‘FALSE’);
5查询表的类型
hive (default) desc formatted student2;
Table Type: MANAGED_TABLE
注意(‘EXTERNAL’‘TRUE’)和(‘EXTERNAL’‘FALSE’)为固定写法区分大小写
4.6 分区表
分区表实际上就是对应一个HDFS文件系统上的独立的文件夹该文件夹下是该分区所有的数据文件。Hive中的分区就是分目录把一个大的数据集根据业务需要分割成小的数据集。在查询时通过WHERE子句中的表达式选择查询所需要的指定的分区这样的查询效率会提高很多。
4.6.1 分区表基本操作
1引入分区表需要根据日期对日志进行管理
/user/hive/warehouse/log_partition/20170702/20170702.log
/user/hive/warehouse/log_partition/20170703/20170703.log
/user/hive/warehouse/log_partition/20170704/20170704.log
2创建分区表语法
hive (default) create table dept_partition(deptno int, dname string, loc string)partitioned by (month string)row format delimited fields terminated by ‘\t’;
3加载数据到分区表中
hive (default) load data local inpath ‘/opt/module/datas/dept.txt’ into table default.dept_partition partition(month‘201709’);
hive (default) load data local inpath ‘/opt/module/datas/dept.txt’ into table default.dept_partition partition(month‘201708’);
hive (default) load data local inpath ‘/opt/module/datas/dept.txt’ into table default.dept_partition partition(month201707’); 图6-5 加载数据到分区表 图6-6 分区表
4查询分区表中数据
单分区查询
hive (default) select * from dept_partition where month‘201709’;
多分区联合查询
hive (default) select * from dept_partition where month‘201709’
union
select * from dept_partition where month‘201708’
union
select * from dept_partition where month‘201707’;
_u3.deptno _u3.dname _u3.loc _u3.month
10 ACCOUNTING NEW YORK 201707
10 ACCOUNTING NEW YORK 201708
10 ACCOUNTING NEW YORK 201709
20 RESEARCH DALLAS 201707
20 RESEARCH DALLAS 201708
20 RESEARCH DALLAS 201709
30 SALES CHICAGO 201707
30 SALES CHICAGO 201708
30 SALES CHICAGO 201709
40 OPERATIONS BOSTON 201707
40 OPERATIONS BOSTON 201708
40 OPERATIONS BOSTON 201709
5增加分区
创建单个分区
hive (default) alter table dept_partition add partition(month‘201706’) ;
同时创建多个分区
hive (default) alter table dept_partition add partition(month‘201705’) partition(month‘201704’);
6删除分区
删除单个分区
hive (default) alter table dept_partition drop partition (month‘201704’);
同时删除多个分区
hive (default) alter table dept_partition drop partition (month‘201705’), partition (month‘201706’);
7查看分区表有多少分区
hive show partitions dept_partition;
8查看分区表结构
hive desc formatted dept_partition;
# Partition Information
# col_name data_type comment
month string
4.6.2 分区表注意事项
1创建二级分区表
hive (default) create table dept_partition2( deptno int, dname string, loc string ) partitioned by (month string, day string) row format delimited fields terminated by ‘\t’;
2正常的加载数据
1加载数据到二级分区表中
hive (default) load data local inpath ‘/opt/module/datas/dept.txt’ into table
default.dept_partition2 partition(month‘201709’, day‘13’);
2查询分区数据
hive (default) select * from dept_partition2 where month‘201709’ and day‘13’;
3把数据直接上传到分区目录上让分区表和数据产生关联的三种方式
1方式一上传数据后修复
上传数据
hive (default) dfs -mkdir -p
/user/hive/warehouse/dept_partition2/month201709/day12;
hive (default) dfs -put /opt/module/datas/dept.txt /user/hive/warehouse/dept_partition2/month201709/day12;
查询数据查询不到刚上传的数据
hive (default) select * from dept_partition2 where month‘201709’ and day‘12’;
执行修复命令
hive msck repair table dept_partition2;
再次查询数据
hive (default) select * from dept_partition2 where month‘201709’ and day‘12’;
2方式二上传数据后添加分区
上传数据
hive (default) dfs -mkdir -p
/user/hive/warehouse/dept_partition2/month201709/day11;
hive (default) dfs -put /opt/module/datas/dept.txt /user/hive/warehouse/dept_partition2/month201709/day11;
执行添加分区
hive (default) alter table dept_partition2 add partition(month‘201709’,
day‘11’);
查询数据
hive (default) select * from dept_partition2 where month‘201709’ and day‘11’;
3方式三创建文件夹后load数据到分区
创建目录
hive (default) dfs -mkdir -p
/user/hive/warehouse/dept_partition2/month201709/day10;
上传数据
hive (default) load data local inpath ‘/opt/module/datas/dept.txt’ into table
dept_partition2 partition(month‘201709’,day‘10’);
查询数据
hive (default) select * from dept_partition2 where month‘201709’ and day‘10’;
4.7 修改表
4.7.1 重命名表
1语法
ALTER TABLE table_name RENAME TO new_table_name
2实操案例
hive (default) alter table dept_partition2 rename to dept_partition3;
4.7.2 增加、修改和删除表分区
详见4.6.1分区表基本操作。
4.7.3 增加/修改/替换列信息
1语法
更新列
ALTER TABLE table_name CHANGE [COLUMN] col_old_name col_new_name column_type [COMMENT col_comment] [FIRST|AFTER column_name]
增加和替换列
ALTER TABLE table_name ADD|REPLACE COLUMNS (col_name data_type [COMMENT col_comment], …)
注ADD是代表新增一字段字段位置在所有列后面(partition列前)REPLACE则是表示替换表中所有字段。
2实操案例
1查询表结构
hive desc dept_partition;
2添加列
hive (default) alter table dept_partition add columns(deptdesc string);
3查询表结构
hive desc dept_partition;
4更新列
hive (default) alter table dept_partition change column deptdesc desc int;
5查询表结构
hive desc dept_partition;
6替换列
hive (default) alter table dept_partition replace columns(deptno string, dname
string, loc string);
7查询表结构
hive desc dept_partition;
4.8 删除表
hive (default) drop table dept_partition;
第5章 DML数据操作
5.1 数据导入
5.1.1 向表中装载数据Load
1语法
hive load data [local] inpath ‘/opt/module/datas/student.txt’ overwrite | into table student [partition (partcol1val1,…)];
1load data:表示加载数据
2local:表示从本地加载数据到hive表否则从HDFS加载数据到hive表
3inpath:表示加载数据的路径
4overwrite:表示覆盖表中已有数据否则表示追加
5into table:表示加载到哪张表
6student:表示具体的表
7partition:表示上传到指定分区
2实操案例
0创建一张表
hive (default) create table student(id string, name string) row format delimited fields terminated by ‘\t’;
1加载本地文件到hive
hive (default) load data local inpath ‘/opt/module/datas/student.txt’ into table default.student;
2加载HDFS文件到hive中
上传文件到HDFS
hive (default) dfs -put /opt/module/datas/student.txt /user/atguigu/hive;
加载HDFS上数据
hive (default) load data inpath ‘/user/atguigu/hive/student.txt’ into table default.student;
3加载数据覆盖表中已有的数据
上传文件到HDFS
hive (default) dfs -put /opt/module/datas/student.txt /user/atguigu/hive;
加载数据覆盖表中已有的数据
hive (default) load data inpath ‘/user/atguigu/hive/student.txt’ overwrite into table default.student;
5.1.2 通过查询语句向表中插入数据Insert
1创建一张分区表
hive (default) create table student(id int, name string) partitioned by (month string) row format delimited fields terminated by ‘\t’;
2基本插入数据
hive (default) insert into table student partition(month‘201709’) values(1,‘wangwu’);
3基本模式插入根据单张表查询结果
hive (default) insert overwrite table student partition(month‘201708’)
select id, name from student where month‘201709’;
4多插入模式根据多张表查询结果
hive (default) from student
insert overwrite table student partition(month‘201707’)
select id, name where month‘201709’
insert overwrite table student partition(month‘201706’)
select id, name where month‘201709’;
5.1.3 查询语句中创建表并加载数据As Select
详见4.5.1章创建表。
根据查询结果创建表查询的结果会添加到新创建的表中
create table if not exists student3
as select id, name from student;
5.1.4 创建表时通过Location指定加载数据路径
1创建表并指定在hdfs上的位置
hive (default) create table if not exists student5(
id int, name string
)
row format delimited fields terminated by ‘\t’
location ‘/user/hive/warehouse/student5’;
2上传数据到hdfs上
hive (default) dfs -put /opt/module/datas/student.txt
/user/hive/warehouse/student5;
3查询数据
hive (default) select * from student5;
5.1.5 Import数据到指定Hive表中
注意先用export导出后再将数据导入。
hive (default) import table student2 partition(month‘201709’) from
‘/user/hive/warehouse/export/student’;
5.2 数据导出
5.2.1 Insert导出
1将查询的结果导出到本地
hive (default) insert overwrite local directory ‘/opt/module/datas/export/student’
select * from student;
2将查询的结果格式化导出到本地
hive(default)insert overwrite local directory ‘/opt/module/datas/export/student1’
ROW FORMAT DELIMITED FIELDS TERMINATED BY ‘\t’ select * from student;
3将查询的结果导出到HDFS上(没有local)
hive (default) insert overwrite directory ‘/user/atguigu/student2’
ROW FORMAT DELIMITED FIELDS TERMINATED BY ‘\t’
select * from student;
5.2.2 Hadoop命令导出到本地
hive (default) dfs -get /user/hive/warehouse/student/month201709/000000_0
/opt/module/datas/export/student3.txt;
5.2.3 Hive Shell 命令导出
基本语法hive -f/-e 执行语句或者脚本 file
[atguiguhadoop102 hive]$ bin/hive -e ‘select * from default.student;’
/opt/module/datas/export/student4.txt;
5.2.4 Export导出到HDFS上
(defahiveult) export table default.student to
‘/user/hive/warehouse/export/student’;
5.2.5 Sqoop导出
后续课程专门讲。
5.3 清除表中数据Truncate
注意Truncate只能删除管理表不能删除外部表中数据
hive (default) truncate table student;
第6章 查询
https://cwiki.apache.org/confluence/display/Hive/LanguageManualSelect
查询语句语法
[WITH CommonTableExpression (, CommonTableExpression)*] (Note: Only available starting with Hive 0.13.0)SELECT [ALL | DISTINCT] select_expr, select_expr, … FROM table_reference [WHERE where_condition] [GROUP BY col_list] [ORDER BY col_list] [CLUSTER BY col_list | [DISTRIBUTE BY col_list] [SORT BY col_list] ] [LIMIT number]
6.1 基本查询Select…From
6.1.1 全表和特定列查询
1全表查询
hive (default) select * from emp;
2选择特定列查询
hive (default) select empno, ename from emp;
注意
1SQL 语言大小写不敏感。
2SQL 可以写在一行或者多行
3关键字不能被缩写也不能分行
4各子句一般要分行写。
5使用缩进提高语句的可读性。
6.1.2 列别名
1重命名一个列
2便于计算
3紧跟列名也可以在列名和别名之间加入关键字‘AS’
4案例实操
查询名称和部门
hive (default) select ename AS name, deptno dn from emp;
6.1.3 算术运算符
表6-3
运算符描述ABA和B 相加A-BA减去BA*BA和B 相乘A/BA除以BA%BA对B取余ABA和B按位取与A|BA和B按位取或A^BA和B按位取异或~AA按位取反
案例实操
查询出所有员工的薪水后加1显示。
hive (default) select sal 1 from emp;
6.1.4 常用函数
1求总行数count
hive (default) select count(*) cnt from emp;
2求工资的最大值max
hive (default) select max(sal) max_sal from emp;
3求工资的最小值min
hive (default) select min(sal) min_sal from emp;
4求工资的总和sum
hive (default) select sum(sal) sum_sal from emp;
5求工资的平均值avg
hive (default) select avg(sal) avg_sal from emp;
6.1.5 Limit语句
典型的查询会返回多行数据。LIMIT子句用于限制返回的行数。
hive (default) select * from emp limit 5;
6.2 Where语句
1使用WHERE子句将不满足条件的行过滤掉
2WHERE子句紧随FROM子句
3案例实操
查询出薪水大于1000的所有员工
hive (default) select * from emp where sal 1000;
6.2.1 比较运算符Between/In/ Is Null
1下面表中描述了谓词操作符这些操作符同样可以用于JOIN…ON和HAVING语句中。
表6-4
操作符支持的数据类型描述AB基本数据类型如果A等于B则返回TRUE反之返回FALSEAB基本数据类型如果A和B都为NULL则返回TRUE其他的和等号操作符的结果一致如果任一为NULL则结果为NULLAB, A!B基本数据类型A或者B为NULL则返回NULL如果A不等于B则返回TRUE反之返回FALSEAB基本数据类型A或者B为NULL则返回NULL如果A小于B则返回TRUE反之返回FALSEAB基本数据类型A或者B为NULL则返回NULL如果A小于等于B则返回TRUE反之返回FALSEAB基本数据类型A或者B为NULL则返回NULL如果A大于B则返回TRUE反之返回FALSEAB基本数据类型A或者B为NULL则返回NULL如果A大于等于B则返回TRUE反之返回FALSEA [NOT] BETWEEN B AND C基本数据类型如果AB或者C任一为NULL则结果为NULL。如果A的值大于等于B而且小于或等于C则结果为TRUE反之为FALSE。如果使用NOT关键字则可达到相反的效果。A IS NULL所有数据类型如果A等于NULL则返回TRUE反之返回FALSEA IS NOT NULL所有数据类型如果A不等于NULL则返回TRUE反之返回FALSEIN(数值1, 数值2)所有数据类型使用 IN运算显示列表中的值A [NOT] LIKE BSTRING 类型B是一个SQL下的简单正则表达式如果A与其匹配的话则返回TRUE反之返回FALSE。B的表达式说明如下‘x%’表示A必须以字母‘x’开头‘%x’表示A必须以字母’x’结尾而‘%x%’表示A包含有字母’x’,可以位于开头结尾或者字符串中间。如果使用NOT关键字则可达到相反的效果。A RLIKE B, A REGEXP BSTRING 类型B是一个正则表达式如果A与其匹配则返回TRUE反之返回FALSE。匹配使用的是JDK中的正则表达式接口实现的因为正则也依据其中的规则。例如正则表达式必须和整个字符串A相匹配而不是只需与其字符串匹配。
2案例实操
1查询出薪水等于5000的所有员工
hive (default) select * from emp where sal 5000;
2查询工资在500到1000的员工信息
hive (default) select * from emp where sal between 500 and 1000;
3查询comm为空的所有员工信息
hive (default) select * from emp where comm is null;
4查询工资是1500或5000的员工信息
hive (default) select * from emp where sal IN (1500, 5000);
6.2.2 Like和RLike
1使用LIKE运算选择类似的值
2选择条件可以包含字符或数字:
% 代表零个或多个字符(任意个字符)。
_ 代表一个字符。
3RLIKE子句是Hive中这个功能的一个扩展其可以通过Java的正则表达式这个更强大的语言来指定匹配条件。
4案例实操
1查找以2开头薪水的员工信息
hive (default) select * from emp where sal LIKE ‘2%’;
2查找第二个数值为2的薪水的员工信息
hive (default) select * from emp where sal LIKE ‘_2%’;
3查找薪水中含有2的员工信息
hive (default) select * from emp where sal RLIKE ‘[2]’;
6.2.3 逻辑运算符And/Or/Not
表6-5
操作符含义AND逻辑并OR逻辑或NOT逻辑否
案例实操
1查询薪水大于1000部门是30
hive (default) select * from emp where sal1000 and deptno30;
2查询薪水大于1000或者部门是30
hive (default) select * from emp where sal1000 or deptno30;
3查询除了20部门和30部门以外的员工信息
hive (default) select * from emp where deptno not IN(30, 20);
6.3 分组
6.3.1 Group By语句
GROUP BY语句通常会和聚合函数一起使用按照一个或者多个列队结果进行分组然后对每个组执行聚合操作。
案例实操
1计算emp表每个部门的平均工资
hive (default) select t.deptno, avg(t.sal) avg_sal from emp t group by t.deptno;
2计算emp每个部门中每个岗位的最高薪水
hive (default) select t.deptno, t.job, max(t.sal) max_sal from emp t group by
t.deptno, t.job;
6.3.2 Having语句
1having与where不同点
1where针对表中的列发挥作用查询数据having针对查询结果中的列发挥作用筛选数据。
2where后面不能写分组函数而having后面可以使用分组函数。
3having只用于group by分组统计语句。
2案例实操
1求每个部门的平均薪水大于2000的部门
求每个部门的平均工资
hive (default) select deptno, avg(sal) from emp group by deptno;
求每个部门的平均薪水大于2000的部门
hive (default) select deptno, avg(sal) avg_sal from emp group by deptno having
avg_sal 2000;
6.4 Join语句
6.4.1 等值Join
Hive支持通常的SQL JOIN语句但是只支持等值连接不支持非等值连接。
案例实操
1根据员工表和部门表中的部门编号相等查询员工编号、员工名称和部门名称
hive (default) select e.empno, e.ename, d.deptno, d.dname from emp e join dept d
on e.deptno d.deptno;
6.4.2 表的别名
1好处
1使用别名可以简化查询。
2使用表名前缀可以提高执行效率。
2案例实操
合并员工表和部门表
hive (default) select e.empno, e.ename, d.deptno from emp e join dept d on e.deptno d.deptno;
6.4.3 内连接
内连接只有进行连接的两个表中都存在与连接条件相匹配的数据才会被保留下来。
hive (default) select e.empno, e.ename, d.deptno from emp e join dept d on e.deptno d.deptno;
6.4.4 左外连接
左外连接JOIN操作符左边表中符合WHERE子句的所有记录将会被返回。
hive (default) select e.empno, e.ename, d.deptno from emp e left join dept d on e.deptno d.deptno;
6.4.5 右外连接
右外连接JOIN操作符右边表中符合WHERE子句的所有记录将会被返回。
hive (default) select e.empno, e.ename, d.deptno from emp e right join dept d on e.deptno d.deptno;
6.4.6 满外连接
满外连接将会返回所有表中符合WHERE语句条件的所有记录。如果任一表的指定字段没有符合条件的值的话那么就使用NULL值替代。
hive (default) select e.empno, e.ename, d.deptno from emp e full join dept d on e.deptno d.deptno;
6.4.7 多表连接
注意连接 n个表至少需要n-1个连接条件。例如连接三个表至少需要两个连接条件。
数据准备 1创建位置表
create table if not exists default.location(loc int,loc_name string)row format delimited fields terminated by ‘\t’;
2导入数据
hive (default) load data local inpath ‘/opt/module/datas/location.txt’ into table default.location;
3多表连接查询
hive (default)SELECT e.ename, d.deptno, l. loc_name
FROM emp e
JOIN dept d
ON d.deptno e.deptno
JOIN location l
ON d.loc l.loc;
大多数情况下Hive会对每对JOIN连接对象启动一个MapReduce任务。本例中会首先启动一个MapReduce job对表e和表d进行连接操作然后会再启动一个MapReduce job将第一个MapReduce job的输出和表l;进行连接操作。
注意为什么不是表d和表l先进行连接操作呢这是因为Hive总是按照从左到右的顺序执行的。
6.4.8 笛卡尔积
1笛卡尔集会在下面条件下产生
1省略连接条件
2连接条件无效
3所有表中的所有行互相连接
2案例实操
hive (default) select empno, dname from emp, dept;
6.4.9 连接谓词中不支持or
hive (default) select e.empno, e.ename, d.deptno from emp e join dept d on e.deptno d.deptno or e.enamed.ename; 错误的
6.5 排序
6.5.1 全局排序Order By
Order By全局排序一个Reducer
1使用 ORDER BY 子句排序
ASCascend: 升序默认
DESCdescend: 降序
2ORDER BY 子句在SELECT语句的结尾
3案例实操
1查询员工信息按工资升序排列
hive (default) select * from emp order by sal;
2查询员工信息按工资降序排列
hive (default) select * from emp order by sal desc;
6.5.2 按照别名排序
按照员工薪水的2倍排序
hive (default) select ename, sal*2 twosal from emp order by twosal;
6.5.3 多个列排序
按照部门和工资升序排序
hive (default) select ename, deptno, sal from emp order by deptno, sal ;
6.5.4 每个MapReduce内部排序Sort By
Sort By每个Reducer内部进行排序对全局结果集来说不是排序。
1设置reduce个数
hive (default) set mapreduce.job.reduces3;
2查看设置reduce个数
hive (default) set mapreduce.job.reduces;
3根据部门编号降序查看员工信息
hive (default) select * from emp sort by empno desc;
4将查询结果导入到文件中按照部门编号降序排序
hive (default) insert overwrite local directory ‘/opt/module/datas/sortby-result’
select * from emp sort by deptno desc;
6.5.5 分区排序Distribute By
Distribute By类似MR中partition进行分区结合sort by使用。
注意Hive要求DISTRIBUTE BY语句要写在SORT BY语句之前。
对于distribute by进行测试一定要分配多reduce进行处理否则无法看到distribute by的效果。
案例实操
1先按照部门编号分区再按照员工编号降序排序。
hive (default) set mapreduce.job.reduces3;
hive (default) insert overwrite local directory ‘/opt/module/datas/distribute-result’ select * from emp distribute by deptno sort by empno desc;
6.5.6 Cluster By
当distribute by和sorts by字段相同时可以使用cluster by方式。
cluster by除了具有distribute by的功能外还兼具sort by的功能。但是排序只能是升序排序不能指定排序规则为ASC或者DESC。
1以下两种写法等价
hive (default) select * from emp cluster by deptno;
hive (default) select * from emp distribute by deptno sort by deptno;
注意按照部门编号分区不一定就是固定死的数值可以是20号和30号部门分到一个分区里面去。
6.6 分桶及抽样查询
6.6.1 分桶表数据存储
分区针对的是数据的存储路径分桶针对的是数据文件。
分区提供一个隔离数据和优化查询的便利方式。不过并非所有的数据集都可形成合理的分区特别是之前所提到过的要确定合适的划分大小这个疑虑。
分桶是将数据集分解成更容易管理的若干部分的另一个技术。
1先创建分桶表通过直接导入数据文件的方式
1数据准备
2创建分桶表
create table stu_buck(id int, name string)clustered by(id) into 4 bucketsrow format delimited fields terminated by ‘\t’;
3查看表结构
hive (default) desc formatted stu_buck;
Num Buckets: 4
4导入数据到分桶表中
hive (default) load data local inpath ‘/opt/module/datas/student.txt’ into table
stu_buck;
5查看创建的分桶表中是否分成4个桶如图6-7所示 图6-7 未分桶
发现并没有分成4个桶。是什么原因呢
2创建分桶表时数据通过子查询的方式导入
1先建一个普通的stu表
create table stu(id int, name string)row format delimited fields terminated by ‘\t’;
2向普通的stu表中导入数据
load data local inpath ‘/opt/module/datas/student.txt’ into table stu;
3清空stu_buck表中数据
truncate table stu_buck;select * from stu_buck;
4导入数据到分桶表通过子查询的方式
insert into table stu_buckselect id, name from stu;
5发现还是只有一个分桶如图6-8所示 图6-8 未分桶
6需要设置一个属性
hive (default) set hive.enforce.bucketingtrue;hive (default) set mapreduce.job.reduces-1;hive (default) insert into table stu_buckselect id, name from stu; 图6-9 分桶
7查询分桶的数据
hive (default) select * from stu_buck;OKstu_buck.id stu_buck.name1004 ss41008 ss81012 ss121016 ss161001 ss11005 ss51009 ss91013 ss131002 ss21006 ss61010 ss101014 ss141003 ss31007 ss71011 ss111015 ss15
6.6.2 分桶抽样查询
对于非常大的数据集有时用户需要使用的是一个具有代表性的查询结果而不是全部结果。Hive可以通过对表进行抽样来满足这个需求。
查询表stu_buck中的数据。
hive (default) select * from stu_buck tablesample(bucket 1 out of 4 on id);
注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4份当y2时抽取(4/2)2个bucket的数据当y8时抽取(4/8)1/2个bucket的数据。
x表示从哪个bucket开始抽取如果需要取多个分区以后的分区号为当前分区号加上y。例如table总bucket数为4tablesample(bucket 1 out of 2)表示总共抽取4/22个bucket的数据抽取第1(x)个和第3(xy)个bucket的数据。
注意x的值必须小于等于y的值否则
FAILED: SemanticException [Error 10061]: Numerator should not be bigger than denominator in sample clause for table stu_buck
6**.7** 其他常用查询函数
6**.7.1** 空字段赋值
\1. 函数说明
NVL给值为NULL的数据赋值它的格式是NVL( string1, replace_with)。它的功能是如果string1为NULL则NVL函数返回replace_with的值否则返回string1的值如果两个参数都为NULL 则返回NULL。
\2. 数据准备采用员工表
\3. 查询如果员工的comm为NULL则用-1代替
hive (default) select nvl(comm,-1) from emp;
OK
_c0
20.0
300.0
500.0
-1.0
1400.0
-1.0
-1.0
-1.0
-1.0
0.0
-1.0
-1.0
-1.0
-1.0
\4. 查询如果员工的comm为NULL则用领导id代替
hive (default) select nvl(comm,mgr) from emp;
OK
_c0
20.0
300.0
500.0
7839.0
1400.0
7839.0
7839.0
7566.0
NULL
0.0
7788.0
7698.0
7566.0
6**.7.2 CASE WHEN**
\1. 数据准备
namedept_idsex悟空A男大海A男宋宋B男凤姐A女婷姐B女婷婷B女
2需求
求出不同部门男女各多少人。结果如下
A 2 1
B 1 2
3创建本地emp_sex.txt导入数据
[atguiguhadoop102 datas]$ vi emp_sex.txt
悟空 A 男
大海 A 男
宋宋 B 男
凤姐 A 女
婷姐 B 女
婷婷 B 女
4创建hive表并导入数据
create table emp_sex(
name string,
dept_id string,
sex string)
row format delimited fields terminated by “\t”;
load data local inpath ‘/opt/module/datas/emp_sex.txt’ into table emp_sex;
5按需求查询数据
select dept_id, sum(case sex when ‘男’ then 1 else 0 end) male_count, sum(case sex when ‘女’ then 1 else 0 end) female_countfrom emp_sexgroup by dept_id;
6.7**.2** 行转列
1相关函数说明
CONCAT(string A/col, string B/col…)返回输入字符串连接后的结果支持任意个输入字符串;
CONCAT_WS(separator, str1, str2,…)它是一个特殊形式的 CONCAT()。第一个参数剩余参数间的分隔符。分隔符可以是与剩余参数一样的字符串。如果分隔符是 NULL返回值也将为 NULL。这个函数会跳过分隔符参数后的任何 NULL 和空字符串。分隔符将被加到被连接的字符串之间;
COLLECT_SET(col)函数只接受基本数据类型它的主要作用是将某字段的值进行去重汇总产生array类型字段。
2数据准备
表6-6 数据准备
nameconstellationblood_type孙悟空白羊座A大海射手座A宋宋白羊座B猪八戒白羊座A凤姐射手座A
3需求
把星座和血型一样的人归类到一起。结果如下
射手座,A 大海|凤姐
白羊座,A 孙悟空|猪八戒
白羊座,B 宋宋
4创建本地constellation.txt导入数据
[atguiguhadoop102 datas]$ vi constellation.txt
孙悟空 白羊座 A
大海 射手座 A
宋宋 白羊座 B
猪八戒 白羊座 A
凤姐 射手座 A
5创建hive表并导入数据
create table person_info(
name string,
constellation string,
blood_type string)
row format delimited fields terminated by “\t”;
load data local inpath “/opt/module/datas/person_info.txt” into table person_info;
6按需求查询数据
select t1.base, concat_ws(‘|’, collect_set(t1.name)) namefrom (select name, concat(constellation, “,”, blood_type) base from person_info) t1group by t1.base;
**6.**7.3 列转行
1函数说明
EXPLODE(col)将hive一列中复杂的array或者map结构拆分成多行。
LATERAL VIEW
用法LATERAL VIEW udtf(expression) tableAlias AS columnAlias
解释用于和split, explode等UDTF一起使用它能够将一列数据拆成多行数据在此基础上可以对拆分后的数据进行聚合。
2数据准备
表6-7 数据准备
moviecategory《疑犯追踪》悬疑,动作,科幻,剧情《Lie to me》悬疑,警匪,动作,心理,剧情《战狼2》战争,动作,灾难
3需求
将电影分类中的数组数据展开。结果如下
《疑犯追踪》 悬疑
《疑犯追踪》 动作
《疑犯追踪》 科幻
《疑犯追踪》 剧情
《Lie to me》 悬疑
《Lie to me》 警匪
《Lie to me》 动作
《Lie to me》 心理
《Lie to me》 剧情
《战狼2》 战争
《战狼2》 动作
《战狼2》 灾难
4创建本地movie.txt导入数据
[atguiguhadoop102 datas]$ vi movie.txt
《疑犯追踪》 悬疑,动作,科幻,剧情
《Lie to me》 悬疑,警匪,动作,心理,剧情
《战狼2》 战争,动作,灾难
5创建hive表并导入数据
create table movie_info( movie string, category array) row format delimited fields terminated by \tcollection items terminated by “,”; load data local inpath “/opt/module/datas/movie.txt” into table movie_info;
6按需求查询数据
select movie, category_namefrom movie_info lateral view explode(category) table_tmp as category_name;
**6.**7.4 窗口函数
1相关函数说明
OVER()指定分析函数工作的数据窗口大小这个数据窗口大小可能会随着行的变而变化
CURRENT ROW当前行
n PRECEDING往前n行数据
n FOLLOWING往后n行数据
UNBOUNDED起点UNBOUNDED PRECEDING 表示从前面的起点 UNBOUNDED FOLLOWING表示到后面的终点
LAG(col,n)往前第n行数据
LEAD(col,n)往后第n行数据
NTILE(n)把有序分区中的行分发到指定数据的组中各个组有编号编号从1开始对于每一行NTILE返回此行所属的组的编号。注意n必须为int类型。
2数据准备nameorderdatecost
jack,2017-01-01,10
tony,2017-01-02,15
jack,2017-02-03,23
tony,2017-01-04,29
jack,2017-01-05,46
jack,2017-04-06,42
tony,2017-01-07,50
jack,2017-01-08,55
mart,2017-04-08,62
mart,2017-04-09,68
neil,2017-05-10,12
mart,2017-04-11,75
neil,2017-06-12,80
mart,2017-04-13,94
3需求
1查询在2017年4月份购买过的顾客及总人数
2查询顾客的购买明细及月购买总额
3上述的场景,要将cost按照日期进行累加
4查询顾客上次的购买时间
5查询前20%时间的订单信息
4创建本地business.txt导入数据
[atguiguhadoop102 datas]$ vi business.txt
5创建hive表并导入数据
create table business(name string, orderdate string,cost int) ROW FORMAT DELIMITED FIELDS TERMINATED BY ‘,’; load data local inpath “/opt/module/datas/business.txt” into table business;
6按需求查询数据
1查询在2017年4月份购买过的顾客及总人数
select name,count(*) over () from business where substring(orderdate,1,7) ‘2017-04’ group by name;
2查询顾客的购买明细及月购买总额
select name,orderdate,cost,sum(cost) over(partition by month(orderdate)) from business;
3上述的场景,要将cost按照日期进行累加
select name,orderdate,cost, sum(cost) over() as sample1,–所有行相加 sum(cost) over(partition by name) as sample2,–按name分组组内数据相加 sum(cost) over(partition by name order by orderdate) as sample3,–按name分组组内数据累加 sum(cost) over(partition by name order by orderdate rows between UNBOUNDED PRECEDING and current row ) as sample4 ,–和sample3一样,由起点到当前行的聚合 sum(cost) over(partition by name order by orderdate rows between 1 PRECEDING and current row) as sample5, --当前行和前面一行做聚合 sum(cost) over(partition by name order by orderdate rows between 1 PRECEDING AND 1 FOLLOWING ) as sample6,–当前行和前边一行及后面一行 sum(cost) over(partition by name order by orderdate rows between current row and UNBOUNDED FOLLOWING ) as sample7 --当前行及后面所有行 from business;
4查看顾客上次的购买时间
select name,orderdate,cost, lag(orderdate,1,‘1900-01-01’) over(partition by name order by orderdate ) as time1, lag(orderdate,2) over (partition by name order by orderdate) as time2 from business;
5查询前20%时间的订单信息
select * from ( select name,orderdate,cost, ntile(5) over(order by orderdate) sorted from business) twhere sorted 1;
6**.7.5** Rank
1函数说明
RANK() 排序相同时会重复总数不会变
DENSE_RANK() 排序相同时会重复总数会减少
ROW_NUMBER() 会根据顺序计算
2数据准备
表6-7 数据准备
namesubjectscore孙悟空语文87孙悟空数学95孙悟空英语68大海语文94大海数学56大海英语84宋宋语文64宋宋数学86宋宋英语84婷婷语文65婷婷数学85婷婷英语78
3需求
计算每门学科成绩排名。
4创建本地movie.txt导入数据
[atguiguhadoop102 datas]$ vi score.txt
5创建hive表并导入数据
create table score(name string,subject string, score int) row format delimited fields terminated by “\t”;load data local inpath ‘/opt/module/datas/score.txt’ into table score;
6按需求查询数据
select name,subject,score,rank() over(partition by subject order by score desc) rp,dense_rank() over(partition by subject order by score desc) drp,row_number() over(partition by subject order by score desc) rmpfrom score; name subject score rp drp rmp孙悟空 数学 95 1 1 1宋宋 数学 86 2 2 2婷婷 数学 85 3 3 3大海 数学 56 4 4 4宋宋 英语 84 1 1 1大海 英语 84 1 1 2婷婷 英语 78 3 2 3孙悟空 英语 68 4 3 4大海 语文 94 1 1 1孙悟空 语文 87 2 2 2婷婷 语文 65 3 3 3宋宋 语文 64 4 4 4
第7章 函数
7.1 **系统内置**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;
7.2 自定义函数
1Hive 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UDFuser-defined function。
3根据用户自定义函数类别分为以下三种
1UDFUser-Defined-Function
一进一出
2UDAFUser-Defined Aggregation Function
聚集函数多进一出
类似于count/max/min
3UDTFUser-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
1UDF必须要有返回类型可以返回null但是返回类型不能为void
7.3 自定义UDF函数
1创建一个Maven工程Hive
2导入依赖 org.apache.hive hive-exec 1.2.1
3创建一个类
package com.atguigu.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.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 mylower as “com.atguigu.hive.Lower”;
7即可在hql中使用自定义的函数strip
hive (default) select ename, mylower(ename) lowername from emp;
第8章 压缩和存储
8.1 Hadoop源码编译支持Snappy压缩
8.1.1 资源准备
1CentOS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
2jar包准备(hadoop源码、JDK8 、maven、protobuf)
1hadoop-2.7.2-src.tar.gz
2jdk-8u144-linux-x64.tar.gz
3snappy-1.1.3.tar.gz
4apache-maven-3.0.5-bin.tar.gz
5protobuf-2.5.0.tar.gz
8.1.2 jar包安装
注意所有操作必须在root用户下完成
1JDK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)
[roothadoop101 software] # tar -zxf jdk-8u144-linux-x64.tar.gz -C /opt/module/
[roothadoop101 software]# vi /etc/profile
#JAVA_HOMEexport JAVA_HOME/opt/module/jdk1.8.0_144export PATH P A T H : PATH: PATH:JAVA_HOME/bin
[roothadoop101 software]#source /etc/profile
验证命令java -version
2Maven解压、配置 MAVEN_HOME和PATH
[roothadoop101 software]# tar -zxvf apache-maven-3.0.5-bin.tar.gz -C /opt/module/
[roothadoop101 apache-maven-3.0.5]# vi /etc/profile
#MAVEN_HOMEexport MAVEN_HOME/opt/module/apache-maven-3.0.5export PATH P A T H : PATH: PATH:MAVEN_HOME/bin
[roothadoop101 software]#source /etc/profile
验证命令mvn -version
8.1.3 编译源码
1准备编译环境
[roothadoop101 software]# yum install svn
[roothadoop101 software]# yum install autoconf automake libtool cmake
[roothadoop101 software]# yum install ncurses-devel
[roothadoop101 software]# yum install openssl-devel
[roothadoop101 software]# yum install gcc*
2编译安装snappy
[roothadoop101 software]# tar -zxvf snappy-1.1.3.tar.gz -C /opt/module/
[roothadoop101 module]# cd snappy-1.1.3/
[roothadoop101 snappy-1.1.3]# ./configure
[roothadoop101 snappy-1.1.3]# make
[roothadoop101 snappy-1.1.3]# make install
# 查看snappy库文件
[roothadoop101 snappy-1.1.3]# ls -lh /usr/local/lib |grep snappy
3编译安装protobuf
[roothadoop101 software]# tar -zxvf protobuf-2.5.0.tar.gz -C /opt/module/
[roothadoop101 module]# cd protobuf-2.5.0/
[roothadoop101 protobuf-2.5.0]# ./configure
[roothadoop101 protobuf-2.5.0]# make
[roothadoop101 protobuf-2.5.0]# make install
# 查看protobuf版本以测试是否安装成功 [roothadoop101 protobuf-2.5.0]# protoc --version
4编译hadoop native
[roothadoop101 software]# tar -zxvf hadoop-2.7.2-src.tar.gz
[roothadoop101 software]# cd hadoop-2.7.2-src/
[roothadoop101 software]# mvn clean package -DskipTests -Pdist,native -Dtar -Dsnappy.lib/usr/local/lib -Dbundle.snappy
执行成功后/opt/software/hadoop-2.7.2-src/hadoop-dist/target/hadoop-2.7.2.tar.gz即为新生成的支持snappy压缩的二进制安装包。
8.2 Hadoop压缩配置
8.2.1 MR支持的压缩编码
表6-8
压缩格式工具算法文件扩展名是否可切分DEFAULT无DEFAULT.deflate否GzipgzipDEFAULT.gz否bzip2bzip2bzip2.bz2是LZOlzopLZO.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
表6-9
压缩格式对应的编码/解码器DEFLATEorg.apache.hadoop.io.compress.DefaultCodecgziporg.apache.hadoop.io.compress.GzipCodecbzip2org.apache.hadoop.io.compress.BZip2CodecLZOcom.hadoop.compression.lzo.LzopCodecSnappyorg.apache.hadoop.io.compress.SnappyCodec
压缩性能的比较
表6-10
压缩算法原始文件大小压缩文件大小压缩速度解压速度gzip8.3GB1.8GB17.5MB/s58MB/sbzip28.3GB1.1GB2.4MB/s9.5MB/sLZO8.3GB2.9GB49.3MB/s74.6MB/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.
8.2.2 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
表6-11
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.compressfalsemapper输出这个参数设为true启用压缩mapreduce.map.output.compress.codecorg.apache.hadoop.io.compress.DefaultCodecmapper输出使用LZO、LZ4或snappy编解码器在此阶段压缩数据mapreduce.output.fileoutputformat.compressfalsereducer输出这个参数设为true启用压缩mapreduce.output.fileoutputformat.compress.codecorg.apache.hadoop.io.compress. DefaultCodecreducer输出使用标准工具或者编解码器如gzip和bzip2mapreduce.output.fileoutputformat.compress.typeRECORDreducer输出SequenceFile输出使用的压缩类型NONE和BLOCK
8.3 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.intermediatetrue;
2开启mapreduce中map输出压缩功能
hive (default)set mapreduce.map.output.compresstrue;
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;
8.4 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.outputtrue;
2开启mapreduce最终输出数据压缩
hive (default)set mapreduce.output.fileoutputformat.compresstrue;
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.typeBLOCK;
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;
8.5 文件存储格式
Hive支持的存储数的格式主要有TEXTFILE 、SEQUENCEFILE、ORC、PARQUET。
8.5.1 列式存储和行式存储
图6-10 列式存储和行式存储
如图6-10所示左边为逻辑表右边第一个为行式存储第二个为列式存储。
1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。
2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。
8.5.2 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。
8.5.3 Orc格式
Orc (Optimized Row Columnar)是Hive 0.11版里引入的新的存储格式。
如图6-11所示可以看到每个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 DataRow DataStripe Footer 图6-11 Orc格式
1Index 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。2Row 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。3Stripe 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。
8.5.4 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文件的格式如图6-12所示。 图6-12 Parquet格式
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。
8.5.5 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
\1. 测试数据 2TextFile
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
3ORC
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
4Parquet
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
存储文件的查询速度测试
1TextFile
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)
Time taken: 19.298 seconds, Fetched: 1 row(s)
2ORC
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)
Time taken: 18.36 seconds, Fetched: 1 row(s)
3Parquet
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)
Time taken: 18.384 seconds, Fetched: 1 row(s)
存储文件的查询速度总结查询速度相近。
8.6 存储和压缩结合
8.6.1 修改Hadoop集群****具有Snappy压缩方式
1查看hadoop checknative命令使用
[atguiguhadoop104 hadoop-2.7.2]$ hadoop checknative [-a|-h] check native hadoop and compression libraries availability2查看hadoop支持的压缩方式
[atguiguhadoop104 hadoop-2.7.2]$ 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-2.7.2/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-2.7.2.tar.gz包导入到hadoop102的/opt/software中
4解压hadoop-2.7.2.tar.gz到当前路径
[atguiguhadoop102 software]$ tar -zxvf hadoop-2.7.2.tar.gz
5进入到/opt/software/hadoop-2.7.2/lib/native路径可以看到支持Snappy压缩的动态链接库
[atguiguhadoop102 native]$ pwd
/opt/software/hadoop-2.7.2/lib/native
[atguiguhadoop102 native]$ ll
-rw-r–r–. 1 atguigu atguigu 472950 9月 1 10:19 libsnappy.a
-rwxr-xr-x. 1 atguigu atguigu 955 9月 1 10:19 libsnappy.la
lrwxrwxrwx. 1 atguigu atguigu 18 12月 24 20:39 libsnappy.so - libsnappy.so.1.3.0
lrwxrwxrwx. 1 atguigu atguigu 18 12月 24 20:39 libsnappy.so.1 - libsnappy.so.1.3.0
-rwxr-xr-x. 1 atguigu atguigu 228177 9月 1 10:19 libsnappy.so.1.3.0
6拷贝/opt/software/hadoop-2.7.2/lib/native里面的所有内容到开发集群的/opt/module/hadoop-2.7.2/lib/native路径上
[atguiguhadoop102 native]$ cp …/native/* /opt/module/hadoop-2.7.2/lib/native/
7分发集群
[atguiguhadoop102 lib]$ xsync native/
8再次查看hadoop支持的压缩类型
[atguiguhadoop102 hadoop-2.7.2]$ 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-2.7.2/lib/native/libhadoop.so
zlib: true /lib64/libz.so.1
snappy: true /opt/module/hadoop-2.7.2/lib/native/libsnappy.so.1
lz4: true revision:99
bzip2: false
9重新启动hadoop集群和hive
8.6.2 测试****存储和压缩
官网https://cwiki.apache.org/confluence/display/Hive/LanguageManualORC
ORC存储方式的压缩
表6-12
KeyDefaultNotesorc.compressZLIBhigh level compression (one of NONE, ZLIB, SNAPPY)orc.compress.size262,144number of bytes in each compression chunkorc.stripe.size67,108,864number of bytes in each stripeorc.row.index.stride10,000number of rows between index entries (must be 1000)orc.create.indextruewhether to create row indexesorc.bloom.filter.columns“”comma separated list of column names for which bloom filter should be createdorc.bloom.filter.fpp0.05false 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snappylzo。
第9章 企业级调优
9.1 Fetch抓取
Fetch抓取是指Hive中对某些情况的查询可以不必使用MapReduce计算。例如SELECT * FROM employees;在这种情况下Hive可以简单地读取employee对应的存储目录下的文件然后输出查询结果到控制台。
在hive-default.xml.template文件中hive.fetch.task.conversion默认是more老版本hive默认是minimal该属性修改为more以后在全局查找、字段查找、limit查找等都不走mapreduce。 hive.fetch.task.conversion more Expects one of [none, minimal, more]. Some select queries can be converted to single FETCH task minimizing latency. Currently the query should be single sourced not having any subquery and should not have any aggregations or distincts (which incurs RS), lateral views and joins. 0. none : disable hive.fetch.task.conversion 1. minimal : SELECT STAR, FILTER on partition columns, LIMIT only 2. more : SELECT, FILTER, LIMIT only (support TABLESAMPLE and virtual columns)
案例实操
1把hive.fetch.task.conversion设置成none然后执行查询语句都会执行mapreduce程序。
hive (default) set hive.fetch.task.conversionnone;
hive (default) select * from emp;
hive (default) select ename from emp;
hive (default) select ename from emp limit 3;
2把hive.fetch.task.conversion设置成more然后执行查询语句如下查询方式都不会执行mapreduce程序。
hive (default) set hive.fetch.task.conversionmore;
hive (default) select * from emp;
hive (default) select ename from emp;
hive (default) select ename from emp limit 3;
9.2 本地模式
大多数的Hadoop Job是需要Hadoop提供的完整的可扩展性来处理大数据集的。不过有时Hive的输入数据量是非常小的。在这种情况下为查询触发执行任务消耗的时间可能会比实际job的执行时间要多的多。对于大多数这种情况Hive可以通过本地模式在单台机器上处理所有的任务。对于小数据集执行时间可以明显被缩短。
用户可以通过设置hive.exec.mode.local.auto的值为true来让Hive在适当的时候自动启动这个优化。
set hive.exec.mode.local.autotrue; //开启本地mr//设置local mr的最大输入数据量当输入数据量小于这个值时采用local mr的方式默认为134217728即128Mset hive.exec.mode.local.auto.inputbytes.max50000000;//设置local mr的最大输入文件个数当输入文件个数小于这个值时采用local mr的方式默认为4set hive.exec.mode.local.auto.input.files.max10;
案例实操
1开启本地模式并执行查询语句
hive (default) set hive.exec.mode.local.autotrue;
hive (default) select * from emp cluster by deptno;
Time taken: 1.328 seconds, Fetched: 14 row(s)
2关闭本地模式并执行查询语句
hive (default) set hive.exec.mode.local.autofalse;
hive (default) select * from emp cluster by deptno;
Time taken: 20.09 seconds, Fetched: 14 row(s)
9.3 表的优化
9.3.1 小表、大表Join
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再进一步可以使用map join让小的维度表1000条以下的记录条数先进内存。在map端完成reduce。
实际测试发现新版的hive已经对小表JOIN大表和大表JOIN小表进行了优化。小表放在左边和右边已经没有明显区别。
案例实操
需求
测试大表JOIN小表和小表JOIN大表的效率
2建大表、小表和JOIN后表的语句
// 创建大表create table bigtable(id bigint, time bigint, uid string, keyword string, url_rank int, click_num int, click_url string) row format delimited fields terminated by ‘\t’;// 创建小表create table smalltable(id bigint, time bigint, uid string, keyword string, url_rank int, click_num int, click_url string) row format delimited fields terminated by ‘\t’;// 创建join后表的语句create table jointable(id bigint, time bigint, uid string, keyword string, url_rank int, click_num int, click_url string) row format delimited fields terminated by ‘\t’;
3分别向大表和小表中导入数据
hive (default) load data local inpath ‘/opt/module/datas/bigtable’ into table bigtable;
hive (default)load data local inpath ‘/opt/module/datas/smalltable’ into table smalltable;
4关闭mapjoin功能默认是打开的
set hive.auto.convert.join false;
5执行小表JOIN大表语句
insert overwrite table jointable
select b.id, b.time, b.uid, b.keyword, b.url_rank, b.click_num, b.click_url
from smalltable s
left join bigtable b
on b.id s.id;
Time taken: 35.921 seconds
No rows affected (44.456 seconds)
6执行大表JOIN小表语句
insert overwrite table jointable
select b.id, b.time, b.uid, b.keyword, b.url_rank, b.click_num, b.click_url
from bigtable b
left join smalltable s
on s.id b.id;
Time taken: 34.196 seconds
No rows affected (26.287 seconds)
9.3.2 大表Join大表
1空KEY过滤
有时join超时是因为某些key对应的数据太多而相同key对应的数据都会发送到相同的reducer上从而导致内存不够。此时我们应该仔细分析这些异常的key很多情况下这些key对应的数据是异常数据我们需要在SQL语句中进行过滤。例如key对应的字段为空操作如下
案例实操
1配置历史服务器
配置mapred-site.xml
mapreduce.jobhistory.addresshadoop102:10020 mapreduce.jobhistory.webapp.address hadoop102:19888
启动历史服务器
sbin/mr-jobhistory-daemon.sh start historyserver
查看jobhistory
http://hadoop102:19888/jobhistory
2创建原始数据表、空id表、合并后数据表
// 创建原始表create table ori(id bigint, time bigint, uid string, keyword string, url_rank int, click_num int, click_url string) row format delimited fields terminated by ‘\t’;// 创建空id表create table nullidtable(id bigint, time bigint, uid string, keyword string, url_rank int, click_num int, click_url string) row format delimited fields terminated by ‘\t’;// 创建join后表的语句create table jointable(id bigint, time bigint, uid string, keyword string, url_rank int, click_num int, click_url string) row format delimited fields terminated by ‘\t’;
3分别加载原始数据和空id数据到对应表中
hive (default) load data local inpath ‘/opt/module/datas/ori’ into table ori;
hive (default) load data local inpath ‘/opt/module/datas/nullid’ into table nullidtable;
4测试不过滤空id
hive (default) insert overwrite table jointable
select n.* from nullidtable n left join ori o on n.id o.id;
Time taken: 42.038 seconds
Time taken: 37.284 seconds
5测试过滤空id
hive (default) insert overwrite table jointable
select n.* from (select * from nullidtable where id is not null ) n left join ori o on n.id o.id;
Time taken: 31.725 seconds
Time taken: 28.876 seconds
2空key转换
有时虽然某个key为空对应的数据很多但是相应的数据不是异常数据必须要包含在join的结果中此时我们可以表a中key为空的字段赋一个随机的值使得数据随机均匀地分不到不同的reducer上。例如
案例实操
不随机分布空null值
1设置5个reduce个数
set mapreduce.job.reduces 5;
2JOIN两张表
insert overwrite table jointable
select n.* from nullidtable n left join ori b on n.id b.id;
**结果****如图6-13所示**可以看出来出现了数据倾斜某些reducer的资源消耗远大于其他reducer。 图6-13 空key转换
随机分布空null值
1设置5个reduce个数
set mapreduce.job.reduces 5;
2JOIN两张表
insert overwrite table jointable
select n.* from nullidtable n full join ori o on
case when n.id is null then concat(‘hive’, rand()) else n.id end o.id;
**结果****如图6-14所示**可以看出来消除了数据倾斜负载均衡reducer的资源消耗 图6-14 随机分布空值
9.3.3 MapJoin
如果不指定MapJoin或者不符合MapJoin的条件那么Hive解析器会将Join操作转换成Common Join即在Reduce阶段完成join。容易发生数据倾斜。可以用MapJoin把小表全部加载到内存在map端进行join避免reducer处理。
1开启MapJoin参数设置
1设置自动选择Mapjoin
set hive.auto.convert.join true; 默认为true
2大表小表的阈值设置默认25M一下认为是小表
set hive.mapjoin.smalltable.filesize25000000;
2MapJoin工作机制如图6-15所示 图6-15 MapJoin工作机制
案例实操
1开启Mapjoin功能
set hive.auto.convert.join true; 默认为true
2执行小表JOIN大表语句
insert overwrite table jointableselect b.id, b.time, b.uid, b.keyword, b.url_rank, b.click_num, b.click_urlfrom smalltable sjoin bigtable bon s.id b.id;
Time taken: 24.594 seconds
3执行大表JOIN小表语句
insert overwrite table jointableselect b.id, b.time, b.uid, b.keyword, b.url_rank, b.click_num, b.click_urlfrom bigtable bjoin smalltable son s.id b.id;
Time taken: 24.315 seconds
9.3.4 Group By
默认情况下Map阶段同一Key数据分发给一个reduce当一个key数据过大时就倾斜了。
并不是所有的聚合操作都需要在Reduce端完成很多聚合操作都可以先在Map端进行部分聚合最后在Reduce端得出最终结果。
1开启Map端聚合参数设置
1是否在Map端进行聚合默认为True
hive.map.aggr true
2在Map端进行聚合操作的条目数目
hive.groupby.mapaggr.checkinterval 100000
3有数据倾斜的时候进行负载均衡默认是false
hive.groupby.skewindata true
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的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再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。
9.3.5 Count(Distinct) 去重统计
数据量小的时候无所谓数据量大的情况下由于COUNT DISTINCT操作需要用一个Reduce Task来完成这一个Reduce需要处理的数据量太大就会导致整个Job很难完成一般COUNT DISTINCT使用先GROUP BY再COUNT的方式替换
案例实操
1 创建一张大表
hive (default) create table bigtable(id bigint, time bigint, uid string, keyword
string, url_rank int, click_num int, click_url string) row format delimited
fields terminated by ‘\t’;
2加载数据
hive (default) load data local inpath ‘/opt/module/datas/bigtable’ into table
bigtable;
3设置5个reduce个数
set mapreduce.job.reduces 5;
4执行去重id查询
hive (default) select count(distinct id) from bigtable;
Stage-Stage-1: Map: 1 Reduce: 1 Cumulative CPU: 7.12 sec HDFS Read: 120741990 HDFS Write: 7 SUCCESS
Total MapReduce CPU Time Spent: 7 seconds 120 msec
OK
c0
100001
Time taken: 23.607 seconds, Fetched: 1 row(s)
5采用GROUP by去重id
hive (default) select count(id) from (select id from bigtable group by id) a;Stage-Stage-1: Map: 1 Reduce: 5 Cumulative CPU: 17.53 sec HDFS Read: 120752703 HDFS Write: 580 SUCCESSStage-Stage-2: Map: 1 Reduce: 1 Cumulative CPU: 4.29 sec HDFS Read: 9409 HDFS Write: 7 SUCCESSTotal MapReduce CPU Time Spent: 21 seconds 820 msecOK_c0100001Time taken: 50.795 seconds, Fetched: 1 row(s)虽然会多用一个Job来完成但在数据量大的情况下这个绝对是值得的。
9.3.6 笛卡尔积
尽量避免笛卡尔积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。
9.3.7 行列过滤
列处理在SELECT中只拿需要的列如果有尽量使用分区过滤少用SELECT *。
行处理在分区剪裁中当使用外关联时如果将副表的过滤条件写在Where后面那么就会先全表关联之后再过滤比如
案例实操
1测试先关联两张表再用where条件过滤
hive (default) select o.id from bigtable bjoin ori o on o.id b.idwhere o.id 10;Time taken: 34.406 seconds, Fetched: 100 row(s)2通过子查询后再关联表
hive (default) select b.id from bigtable bjoin (select id from ori where id 10 ) o on b.id o.id;Time taken: 30.058 seconds, Fetched: 100 row(s)9.3.8 动态分区调整
关系型数据库中对分区表Insert数据时候数据库自动会根据分区字段的值将数据插入到相应的分区中Hive中也提供了类似的机制即动态分区(Dynamic Partition)只不过使用Hive的动态分区需要进行相应的配置。
1开启动态分区参数设置
1开启动态分区功能默认true开启
hive.exec.dynamic.partitiontrue2设置为非严格模式动态分区的模式默认strict表示必须指定至少一个分区为静态分区nonstrict模式表示允许所有的分区字段都可以使用动态分区。
hive.exec.dynamic.partition.modenonstrict3在所有执行MR的节点上最大一共可以创建多少个动态分区。
hive.exec.max.dynamic.partitions1000 4在每个执行MR的节点上最大可以创建多少个动态分区。该参数需要根据实际的数据来设定。比如源数据中包含了一年的数据即day字段有365个值那么该参数就需要设置成大于365如果使用默认值100则会报错。
hive.exec.max.dynamic.partitions.pernode1005整个MR Job中最大可以创建多少个HDFS文件。
hive.exec.max.created.files1000006当有空分区生成时是否抛出异常。一般不需要设置。
hive.error.on.empty.partitionfalse2案例实操
需求将ori中的数据按照时间(如20111230000008)插入到目标表ori_partitioned_target的相应分区中。
1创建分区表
create table ori_partitioned(id bigint, time bigint, uid string, keyword string, url_rank int, click_num int, click_url string) partitioned by (p_time bigint) row format delimited fields terminated by \t;2加载数据到分区表中
hive (default) load data local inpath /home/atguigu/ds1 into table ori_partitioned partition(p_time20111230000010) ;hive (default) load data local inpath /home/atguigu/ds2 into table ori_partitioned partition(p_time20111230000011) ;3创建目标分区表
create table ori_partitioned_target(id bigint, time bigint, uid string, keyword string, url_rank int, click_num int, click_url string) PARTITIONED BY (p_time STRING) row format delimited fields terminated by \t;4设置动态分区
set hive.exec.dynamic.partition true;set hive.exec.dynamic.partition.mode nonstrict;set hive.exec.max.dynamic.partitions 1000;set hive.exec.max.dynamic.partitions.pernode 100;set hive.exec.max.created.files 100000;set hive.error.on.empty.partition false; hive (default) insert overwrite table ori_partitioned_target partition (p_time) select id, time, uid, keyword, url_rank, click_num, click_url, p_time from ori_partitioned;5查看目标分区表的分区情况
hive (default) show partitions ori_partitioned_target;9.3.9 分桶
详见6.6章。
9.3.10 分区
详见4.6章。
9.4 数据倾斜
9.4.1 合理设置Map数
1通常情况下作业会通过input的目录产生一个或者多个map任务。
主要的决定因素有input的文件总个数input的文件大小集群设置的文件块大小。
2是不是map数越多越好
答案是否定的。如果一个任务有很多小文件远远小于块大小128m则每个小文件也会被当做一个块用一个map任务来完成而一个map任务启动和初始化的时间远远大于逻辑处理的时间就会造成很大的资源浪费。而且同时可执行的map数是受限的。
3是不是保证每个map处理接近128m的文件块就高枕无忧了
答案也是不一定。比如有一个127m的文件正常会用一个map去完成但这个文件只有一个或者两个小字段却有几千万的记录如果map处理的逻辑比较复杂用一个map任务去做肯定也比较耗时。
针对上面的问题2和3我们需要采取两种方式来解决即减少map数和增加map数
9.4.2 小文件进行合并
在map执行前合并小文件减少map数CombineHiveInputFormat具有对小文件进行合并的功能系统默认的格式。HiveInputFormat没有对小文件合并功能。
set hive.input.format org.apache.hadoop.hive.ql.io.CombineHiveInputFormat;9.4.3 复杂文件增加Map数
当input的文件都很大任务逻辑复杂map执行非常慢的时候可以考虑增加Map数来使得每个map处理的数据量减少从而提高任务的执行效率。
增加map的方法为根据computeSliteSize(Math.max(minSize,Math.min(maxSize,blocksize)))blocksize128M公式调整maxSize最大值。让maxSize最大值低于blocksize就可以增加map的个数。
案例实操
1执行查询
hive (default) select count(*) from emp;Hadoop job information for Stage-1: number of mappers: 1; number of reducers: 12设置最大切片值为100个字节
hive (default) set mapreduce.input.fileinputformat.split.maxsize100;hive (default) select count(*) from emp;Hadoop job information for Stage-1: number of mappers: 6; number of reducers: 19.4.4 合理设置Reduce数
1调整reduce个数方法一
1每个Reduce处理的数据量默认是256MB
hive.exec.reducers.bytes.per.reducer2560000002每个任务最大的reduce数默认为1009
hive.exec.reducers.max10093计算reducer数的公式
Nmin(参数2总输入数据量/参数1)2调整reduce个数方法二
在hadoop的mapred-default.xml文件中修改
设置每个job的Reduce个数
set mapreduce.job.reduces 15;3reduce个数并不是越多越好
1过多的启动和初始化reduce也会消耗时间和资源
2另外有多少个reduce就会有多少个输出文件如果生成了很多个小文件那么如果这些小文件作为下一个任务的输入则也会出现小文件过多的问题
在设置reduce个数的时候也需要考虑这两个原则处理大数据量利用合适的reduce数使单个reduce任务处理数据量大小要合适
9.5 并行执行
Hive会将一个查询转化成一个或者多个阶段。这样的阶段可以是MapReduce阶段、抽样阶段、合并阶段、limit阶段。或者Hive执行过程中可能需要的其他阶段。默认情况下Hive一次只会执行一个阶段。不过某个特定的job可能包含众多的阶段而这些阶段可能并非完全互相依赖的也就是说有些阶段是可以并行执行的这样可能使得整个job的执行时间缩短。不过如果有更多的阶段可以并行执行那么job可能就越快完成。
通过设置参数hive.exec.parallel值为true就可以开启并发执行。不过在共享集群中需要注意下如果job中并行阶段增多那么集群利用率就会增加。
set hive.exec.paralleltrue; //打开任务并行执行set hive.exec.parallel.thread.number16; //同一个sql允许最大并行度默认为8。当然得是在系统资源比较空闲的时候才有优势否则没资源并行也起不来。
9.6 严格模式
Hive提供了一个严格模式可以防止用户执行那些可能意想不到的不好的影响的查询。
通过设置属性hive.mapred.mode值为默认是非严格模式nonstrict 。开启严格模式需要修改hive.mapred.mode值为strict开启严格模式可以禁止3种类型的查询。
propertynamehive.mapred.mode/namevaluestrict/valuedescriptionThe mode in which the Hive operations are being performed. In strict mode, some risky queries are not allowed to run. They include: Cartesian Product. No partition being picked up for a query. Comparing bigints and strings. Comparing bigints and doubles. Orderby without limit./description/property\1) 对于分区表除非where语句中含有分区字段过滤条件来限制范围否则不允许执行。换句话说就是用户不允许扫描所有分区。进行这个限制的原因是通常分区表都拥有非常大的数据集而且数据增加迅速。没有进行分区限制的查询可能会消耗令人不可接受的巨大资源来处理这个表。
\2) 对于使用了order by语句的查询要求必须使用limit语句。因为order by为了执行排序过程会将所有的结果数据分发到同一个Reducer中进行处理强制要求用户增加这个LIMIT语句可以防止Reducer额外执行很长一段时间。
\3) 限制笛卡尔积的查询。对关系型数据库非常了解的用户可能期望在执行JOIN查询的时候不使用ON语句而是使用where语句这样关系数据库的执行优化器就可以高效地将WHERE语句转化成那个ON语句。不幸的是Hive并不会执行这种优化因此如果表足够大那么这个查询就会出现不可控的情况。
9.7 JVM重用
JVM重用是Hadoop调优参数的内容其对Hive的性能具有非常大的影响特别是对于很难避免小文件的场景或task特别多的场景这类场景大多数执行时间都很短。
Hadoop的默认配置通常是使用派生JVM来执行map和Reduce任务的。这时JVM的启动过程可能会造成相当大的开销尤其是执行的job包含有成百上千task任务的情况。JVM重用可以使得JVM实例在同一个job中重新使用N次。N的值可以在Hadoop的mapred-site.xml文件中进行配置。通常在10-20之间具体多少需要根据具体业务场景测试得出。
propertynamemapreduce.job.jvm.numtasks/namevalue10/valuedescriptionHow many tasks to run per jvm. If set to -1, there isno limit. /description/property这个功能的缺点是开启JVM重用将一直占用使用到的task插槽以便进行重用直到任务完成后才能释放。如果某个“不平衡的”job中有某几个reduce task执行的时间要比其他Reduce task消耗的时间多的多的话那么保留的插槽就会一直空闲着却无法被其他的job使用直到所有的task都结束了才会释放。
9.8 推测执行
在分布式集群环境下因为程序Bug包括Hadoop本身的bug负载不均衡或者资源分布不均等原因会造成同一个作业的多个任务之间运行速度不一致有些任务的运行速度可能明显慢于其他任务比如一个作业的某个任务进度只有50%而其他所有任务已经运行完毕则这些任务会拖慢作业的整体执行进度。为了避免这种情况发生Hadoop采用了推测执行Speculative Execution机制它根据一定的法则推测出“拖后腿”的任务并为这样的任务启动一个备份任务让该任务与原始任务同时处理同一份数据并最终选用最先成功运行完成任务的计算结果作为最终结果。
设置开启推测执行参数Hadoop的mapred-site.xml文件中进行配置
property namemapreduce.map.speculative/name valuetrue/value descriptionIf true, then multiple instances of some map tasks may be executed in parallel./description/property property namemapreduce.reduce.speculative/name valuetrue/value descriptionIf true, then multiple instances of some reduce tasks may be executed in parallel./description/property不过hive本身也提供了配置项来控制reduce-side的推测执行 property namehive.mapred.reduce.tasks.speculative.execution/name valuetrue/value descriptionWhether speculative execution for reducers should be turned on. /description /property关于调优这些推测执行变量还很难给一个具体的建议。如果用户对于运行时的偏差非常敏感的话那么可以将这些功能关闭掉。如果用户因为输入数据量很大而需要执行长时间的map或者Reduce task的话那么启动推测执行造成的浪费是非常巨大大。
9.9 压缩
详见第8章。
9.10 执行计划Explain
1基本语法
EXPLAIN [EXTENDED | DEPENDENCY | AUTHORIZATION] query2案例实操
1查看下面这条语句的执行计划
hive (default) explain select * from emp;hive (default) explain select deptno, avg(sal) avg_sal from emp group by deptno;2查看详细执行计划
hive (default) explain extended select * from emp;hive (default) explain extended select deptno, avg(sal) avg_sal from emp group by deptno;第10章 Hive实战****之谷粒影音
10.1 需求描述
统计硅谷影音视频网站的常规指标各种TopN指标
–统计视频观看数Top10
–统计视频类别热度Top10
–统计视频观看数Top20所属类别
–统计视频观看数Top50所关联视频的所属类别Rank
–统计每个类别中的视频热度Top10
–统计每个类别中视频流量Top10
–统计上传视频最多的用户Top10以及他们上传的视频
–统计每个类别视频观看数Top10
10.2 项目
10.2.1 数据结构
1视频表
表6-13 视频表
字段备注详细描述video id视频唯一id11位字符串uploader视频上传者上传视频的用户名Stringage视频年龄视频在平台上的整数天category视频类别上传视频指定的视频分类length视频长度整形数字标识的视频长度views观看次数视频被浏览的次数rate视频评分满分5分ratings流量视频的流量整型数字conments评论数一个视频的整数评论数related ids相关视频id相关视频的id最多20个
2用户表
表6-14 用户表
字段备注字段类型uploader上传者用户名stringvideos上传视频数intfriends朋友数量int
10.2.2 ETL原始数据
通过观察原始数据形式可以发现视频可以有多个所属分类每个所属分类用符号分割且分割的两边有空格字符同时相关视频也是可以有多个元素多个相关视频又用“\t”进行分割。为了分析数据时方便对存在多个子元素的数据进行操作我们首先进行数据重组清洗操作。即将所有的类别用“”分割同时去掉两边空格多个相关视频id也使用“”进行分割。
1ETL之ETLUtil
public class ETLUtil { public static String oriString2ETLString(String ori){ StringBuilder etlString new StringBuilder(); String[] splits ori.split(\t); if(splits.length 9) return null; splits[3] splits[3].replace( , ); for(int i 0; i splits.length; i){ if(i 9){ if(i splits.length - 1){ etlString.append(splits[i]); }else{ etlString.append(splits[i] \t); } }else{ if(i splits.length - 1){ etlString.append(splits[i]); }else{ etlString.append(splits[i] ); } } } return etlString.toString(); }}2ETL之Mapper
import java.io.IOException; import org.apache.commons.lang.StringUtils;import org.apache.hadoop.io.NullWritable;import org.apache.hadoop.io.Text;import org.apache.hadoop.mapreduce.Mapper; import com.atguigu.util.ETLUtil; public class VideoETLMapper extends MapperObject, Text, NullWritable, Text{ Text text new Text(); Override protected void map(Object key, Text value, Context context) throws IOException, InterruptedException { String etlString ETLUtil.oriString2ETLString(value.toString()); if(StringUtils.isBlank(etlString)) return; text.set(etlString); context.write(NullWritable.get(), text); }}3ETL之Runner
import java.io.IOException; import org.apache.hadoop.conf.Configuration;import org.apache.hadoop.fs.FileSystem;import org.apache.hadoop.fs.Path;import org.apache.hadoop.io.NullWritable;import org.apache.hadoop.io.Text;import org.apache.hadoop.mapreduce.Job;import org.apache.hadoop.mapreduce.lib.input.FileInputFormat;import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat;import org.apache.hadoop.util.Tool;import org.apache.hadoop.util.ToolRunner; public class VideoETLRunner implements Tool { private Configuration conf null; Override public void setConf(Configuration conf) { this.conf conf; } Override public Configuration getConf() { return this.conf; } Override public int run(String[] args) throws Exception { conf this.getConf(); conf.set(inpath, args[0]); conf.set(outpath, args[1]); Job job Job.getInstance(conf); job.setJarByClass(VideoETLRunner.class); job.setMapperClass(VideoETLMapper.class); job.setMapOutputKeyClass(NullWritable.class); job.setMapOutputValueClass(Text.class); job.setNumReduceTasks(0); this.initJobInputPath(job); this.initJobOutputPath(job); return job.waitForCompletion(true) ? 0 : 1; } private void initJobOutputPath(Job job) throws IOException { Configuration conf job.getConfiguration(); String outPathString conf.get(outpath); FileSystem fs FileSystem.get(conf); Path outPath new Path(outPathString); if(fs.exists(outPath)){ fs.delete(outPath, true); } FileOutputFormat.setOutputPath(job, outPath); } private void initJobInputPath(Job job) throws IOException { Configuration conf job.getConfiguration(); String inPathString conf.get(inpath); FileSystem fs FileSystem.get(conf); Path inPath new Path(inPathString); if(fs.exists(inPath)){ FileInputFormat.addInputPath(job, inPath); }else{ throw new RuntimeException(HDFS中该文件目录不存在 inPathString); } } public static void main(String[] args) { try { int resultCode ToolRunner.run(new VideoETLRunner(), args); if(resultCode 0){ System.out.println(Success!); }else{ System.out.println(Fail!); } System.exit(resultCode); } catch (Exception e) { e.printStackTrace(); System.exit(1); } }}4执行ETL
$ bin/yarn jar ~/softwares/jars/gulivideo-0.0.1-SNAPSHOT.jar \com.atguigu.etl.ETLVideosRunner \/gulivideo/video/2008/0222 \/gulivideo/output/video/2008/022210.3 准备工作
10.3.1 创建表
创建表gulivideo_origulivideo_user_ori
创建表gulivideo_orcgulivideo_user_orc
gulivideo_ori
create table gulivideo_ori( videoId string, uploader string, age int, category array, length int, views int, rate float, ratings int, comments int, relatedId array)row format delimited fields terminated by \tcollection items terminated by stored as textfile;
gulivideo_user_ori
create table gulivideo_user_ori( uploader string, videos int, friends int)row format delimited fields terminated by “\t” stored as textfile;
然后把原始数据插入到orc表中
gulivideo_orc
create table gulivideo_orc( videoId string, uploader string, age int, category array, length int, views int, rate float, ratings int, comments int, relatedId array)clustered by (uploader) into 8 buckets row format delimited fields terminated by “\t” collection items terminated by “” stored as orc;
gulivideo_user_orc
create table gulivideo_user_orc( uploader string, videos int, friends int)row format delimited fields terminated by “\t” stored as orc;
10.3.2 导入ETL后的数据
gulivideo_ori
load data inpath “/gulivideo/output/video/2008/0222” into table gulivideo_ori;
gulivideo_user_ori
load data inpath “/gulivideo/user/2008/0903” into table gulivideo_user_ori;
10.3.3 向ORC表插入数据
gulivideo_orc
insert into table gulivideo_orc select * from gulivideo_ori;
gulivideo_user_orc
insert into table gulivideo_user_orc select * from gulivideo_user_ori;
10.4 业务分析
10.4.1 统计视频观看数Top10
思路使用order by按照views字段做一个全局排序即可同时我们设置只显示前10条。
最终代码
select videoId, uploader, age, category, length, views, rate, ratings, comments from gulivideo_orc order by views desc limit 10;
10.4.2 统计视频类别热度Top10
思路
\1) 即统计每个类别有多少个视频显示出包含视频最多的前10个类别。
\2) 我们需要按照类别group by聚合然后count组内的videoId个数即可。
\3) 因为当前表结构为一个视频对应一个或多个类别。所以如果要group by类别需要先将类别进行列转行(展开)然后再进行count即可。
\4) 最后按照热度排序显示前10条。
最终代码
select category_name as category, count(t1.videoId) as hot from ( select videoId, category_name from gulivideo_orc lateral view explode(category) t_catetory as category_name) t1 group by t1.category_name order by hot desc limit 10;10.4.3 统计出视频观看数最高的20个视频的所属类别以及类别包含Top20视频的个数
思路
\1) 先找到观看数最高的20个视频所属条目的所有信息降序排列
\2) 把这20条信息中的category分裂出来(列转行)
\3) 最后查询视频分类名称和该分类下有多少个Top20的视频
最终代码
select category_name as category, count(t2.videoId) as hot_with_views from ( select videoId, category_name from ( select * from gulivideo_orc order by views desc limit 20) t1 lateral view explode(category) t_catetory as category_name) t2 group by category_name order by hot_with_views desc;10.4.4 统计视频观看数Top50所关联视频的所属类别Rank
思路
\1) 查询出观看数最多的前50个视频的所有信息(当然包含了每个视频对应的关联视频)记为临时表t1
t1观看数前50的视频
select * from gulivideo_orc order by views desc limit 50;\2) 将找到的50条视频信息的相关视频relatedId列转行记为临时表t2
t2将相关视频的id进行列转行操作
select explode(relatedId) as videoId from t1;\3) 将相关视频的id和gulivideo_orc表进行inner join操作
t5得到两列数据一列是category一列是之前查询出来的相关视频id (select distinct(t2.videoId), t3.category from t2inner join gulivideo_orc t3 on t2.videoId t3.videoId) t4 lateral view explode(category) t_catetory as category_name;\4) 按照视频类别进行分组统计每组视频个数然后排行
最终代码
select category_name as category, count(t5.videoId) as hot from ( select videoId, category_name from ( select distinct(t2.videoId), t3.category from ( select explode(relatedId) as videoId from ( select * from gulivideo_orc order by views desc limit 50) t1) t2 inner join gulivideo_orc t3 on t2.videoId t3.videoId) t4 lateral view explode(category) t_catetory as category_name) t5group by category_name order by hot desc;10.4.5 统计每个类别中的视频热度Top10以Music为例
思路
\1) 要想统计Music类别中的视频热度Top10需要先找到Music类别那么就需要将category展开所以可以创建一张表用于存放categoryId展开的数据。
\2) 向category展开的表中插入数据。
\3) 统计对应类别Music中的视频热度。
最终代码
创建表类别表
create table gulivideo_category( videoId string, uploader string, age int, categoryId string, length int, views int, rate float, ratings int, comments int, relatedId arraystring)row format delimited fields terminated by \t collection items terminated by stored as orc;向类别表中插入数据
insert into table gulivideo_category select videoId, uploader, age, categoryId, length, views, rate, ratings, comments, relatedId from gulivideo_orc lateral view explode(category) catetory as categoryId;统计Music类别的Top10也可以统计其他
select videoId, viewsfrom gulivideo_category where categoryId Music order by views desc limit 10;10.4.6 统计每个类别中视频流量Top10以Music为例
思路
\1) 创建视频类别展开表categoryId列转行后的表
\2) 按照ratings排序即可
最终代码
select videoId, views, ratings from gulivideo_category where categoryId Music order by ratings desc limit 10;10.4.7 统计上传视频最多的用户Top10以及他们上传的观看次数在前20的视频
思路
\1) 先找到上传视频最多的10个用户的用户信息
select * from gulivideo_user_orc order by videos desc limit 10;\2) 通过uploader字段与gulivideo_orc表进行join得到的信息按照views观看次数进行排序即可。
最终代码
select t2.videoId, t2.views, t2.ratings, t1.videos, t1.friends from ( select * from gulivideo_user_orc order by videos desc limit 10) t1 join gulivideo_orc t2on t1.uploader t2.uploader order by views desc limit 20;10.4.8 统计每个类别视频观看数Top10
思路
\1) 先得到categoryId展开的表数据
\2) 子查询按照categoryId进行分区然后分区内排序并生成递增数字该递增数字这一列起名为rank列
\3) 通过子查询产生的临时表查询rank值小于等于10的数据行即可。
最终代码
select t1.* from ( select videoId, categoryId, views, row_number() over(partition by categoryId order by views desc) rank from gulivideo_category) t1 where rank 10;第11章 常见错误及解决方案
1SecureCRT 7.3出现乱码或者删除不掉数据免安装版的SecureCRT 卸载或者用虚拟机直接操作或者换安装版的SecureCRT
2连接不上mysql数据库
1导错驱动包应该把mysql-connector-java-5.1.27-bin.jar导入/opt/module/hive/lib的不是这个包。错把mysql-connector-java-5.1.27.tar.gz导入hive/lib包下。
2修改user表中的主机名称没有都修改为%而是修改为localhost
3hive默认的输入格式处理是CombineHiveInputFormat会对小文件进行合并。
hive (default) set hive.input.format;hive.input.formatorg.apache.hadoop.hive.ql.io.CombineHiveInputFormat可以采用HiveInputFormat就会根据分区数输出相应的文件。
hive (default) set hive.input.formatorg.apache.hadoop.hive.ql.io.HiveInputFormat;4不能执行mapreduce程序
可能是hadoop的yarn没开启。
5启动mysql服务时报MySQL server PID file could not be found! 异常。
在/var/lock/subsys/mysql路径下创建hadoop102.pid并在文件中添加内容
43966报service mysql status MySQL is not running, but lock file (/var/lock/subsys/mysql[失败])异常。
解决方案在/var/lib/mysql 目录下创建 -rw-rw----. 1 mysql mysql 5 12月 22 16:41 hadoop102.pid 文件并修改权限为 777。
7JVM堆内存溢出
描述java.lang.OutOfMemoryError: Java heap space
解决在yarn-site.xml中加入如下代码
property nameyarn.scheduler.maximum-allocation-mb/name value2048/value/propertypropertynameyarn.scheduler.minimum-allocation-mb/namevalue2048/value/propertyproperty nameyarn.nodemanager.vmem-pmem-ratio/name value2.1/value/propertyproperty namemapred.child.java.opts/name value-Xmx1024m/value/property, count(t5.videoId) as hot from ( select videoId, category_name from ( select distinct(t2.videoId), t3.category from ( select explode(relatedId) as videoId from ( select * from gulivideo_orc order by views desc limit 50) t1) t2 inner join gulivideo_orc t3 on t2.videoId t3.videoId) t4 lateral view explode(category) t_catetory as category_name) t5group by category_name order by hot desc;
10.4.5 统计每个类别中的视频热度Top10以Music为例
思路
\1) 要想统计Music类别中的视频热度Top10需要先找到Music类别那么就需要将category展开所以可以创建一张表用于存放categoryId展开的数据。
\2) 向category展开的表中插入数据。
\3) 统计对应类别Music中的视频热度。
最终代码
创建表类别表
create table gulivideo_category( videoId string, uploader string, age int, categoryId string, length int, views int, rate float, ratings int, comments int, relatedId arraystring)row format delimited fields terminated by \t collection items terminated by stored as orc;向类别表中插入数据
insert into table gulivideo_category select videoId, uploader, age, categoryId, length, views, rate, ratings, comments, relatedId from gulivideo_orc lateral view explode(category) catetory as categoryId;统计Music类别的Top10也可以统计其他
select videoId, viewsfrom gulivideo_category where categoryId Music order by views desc limit 10;10.4.6 统计每个类别中视频流量Top10以Music为例
思路
\1) 创建视频类别展开表categoryId列转行后的表
\2) 按照ratings排序即可
最终代码
select videoId, views, ratings from gulivideo_category where categoryId Music order by ratings desc limit 10;10.4.7 统计上传视频最多的用户Top10以及他们上传的观看次数在前20的视频
思路
\1) 先找到上传视频最多的10个用户的用户信息
select * from gulivideo_user_orc order by videos desc limit 10;\2) 通过uploader字段与gulivideo_orc表进行join得到的信息按照views观看次数进行排序即可。
最终代码
select t2.videoId, t2.views, t2.ratings, t1.videos, t1.friends from ( select * from gulivideo_user_orc order by videos desc limit 10) t1 join gulivideo_orc t2on t1.uploader t2.uploader order by views desc limit 20;10.4.8 统计每个类别视频观看数Top10
思路
\1) 先得到categoryId展开的表数据
\2) 子查询按照categoryId进行分区然后分区内排序并生成递增数字该递增数字这一列起名为rank列
\3) 通过子查询产生的临时表查询rank值小于等于10的数据行即可。
最终代码
select t1.* from ( select videoId, categoryId, views, row_number() over(partition by categoryId order by views desc) rank from gulivideo_category) t1 where rank 10;第11章 常见错误及解决方案
1SecureCRT 7.3出现乱码或者删除不掉数据免安装版的SecureCRT 卸载或者用虚拟机直接操作或者换安装版的SecureCRT
2连接不上mysql数据库
1导错驱动包应该把mysql-connector-java-5.1.27-bin.jar导入/opt/module/hive/lib的不是这个包。错把mysql-connector-java-5.1.27.tar.gz导入hive/lib包下。
2修改user表中的主机名称没有都修改为%而是修改为localhost
3hive默认的输入格式处理是CombineHiveInputFormat会对小文件进行合并。
hive (default) set hive.input.format;hive.input.formatorg.apache.hadoop.hive.ql.io.CombineHiveInputFormat可以采用HiveInputFormat就会根据分区数输出相应的文件。
hive (default) set hive.input.formatorg.apache.hadoop.hive.ql.io.HiveInputFormat;4不能执行mapreduce程序
可能是hadoop的yarn没开启。
5启动mysql服务时报MySQL server PID file could not be found! 异常。
在/var/lock/subsys/mysql路径下创建hadoop102.pid并在文件中添加内容
43966报service mysql status MySQL is not running, but lock file (/var/lock/subsys/mysql[失败])异常。
解决方案在/var/lib/mysql 目录下创建 -rw-rw----. 1 mysql mysql 5 12月 22 16:41 hadoop102.pid 文件并修改权限为 777。
7JVM堆内存溢出
描述java.lang.OutOfMemoryError: Java heap space
解决在yarn-site.xml中加入如下代码
property nameyarn.scheduler.maximum-allocation-mb/name value2048/value/propertypropertynameyarn.scheduler.minimum-allocation-mb/namevalue2048/value/propertyproperty nameyarn.nodemanager.vmem-pmem-ratio/name value2.1/value/propertyproperty namemapred.child.java.opts/name value-Xmx1024m/value/property
