大数据学习笔记（十三）-Hive高级

1.Hive的元数据表
TBLS：TBL_ID、DB_ID、SD_ID、TBL_NAME、TBL_TYPE
TABLE_PARAMS：存储表/视图的属性信息
TBL_PRIVS：存储表/视图的权限信息，一般不用HIVE的权限，而是用sentry来进行权限控制
SDS：保存文件存储的基本信息，比如INPUT_FORMAT、OUTPUT_FORMAT、是否压缩
COLUMNS_V2：存储表对应的字段信息
PARTITIONS：存储分区表的基本信息
PARTITION_KEYS：存储分区表的字段信息
PARTITION_KEY_VALS：存放分区字段值
FUNCS：用户注册的函数信息

2.Hive的执行计划
EXPLAIN [EXTENDED|DEPENDENCY|AUTHORIZATION] query
分析Hive的执行计划有助于了解Hive具体是如何执行的，帮助对Hive进行性能调优。

3.Hive当中的join
例子

create table a(id int, name string) row format delimited fields terminated by '\t';
hive> create table b(id int, age int) row format delimited fields terminated by '\t';
hive> load data local inpath '/home/hadoop/data/a.txt' overwrite into table a;
hive> load data local inpath '/home/hadoop/data/b.txt' overwrite into table b;
hive> select * from a;
OK
1   zhangsan
2   lisi
3   wangwu
hive> select * from b;
OK
1   30
2   29
4   21

①inner join

hive> select a.id, a.name, b.age from a join b on a.id=b.id;

②left join

hive> select a.id, a.name, b.age from a left join b on a.id=b.id;

③right join

hive> select a.id, a.name, b.age from a right join b on a.id=b.id;

③full join

hive> select a.id, a.name, b.age from a full join b on a.id=b.id;

4.join的优化
普通的join可称为common join/shuffle join/reduce join，这种操作会引起数据的网络传输，速度比较慢。
优化方法适用map join即spark当中利用broadcast的join优化，原理是将小表传到每台worker上，那么相当于将join操作本地化了。

5.Hive元数据升级方案
场景集群机器名修改hodoop000=>new_name
解决方案：
①直接修改元数据中DBS表中的相关字段
②适用bin\metatool
-listFSRoot查看文件系统根目录
-updateLocation更新location

-updateLocation hdfs://new_name:xxx hdfs://old_name:xxx

6.MapReduce和Hive如何支持递归目录
MapReduce支持文件递归修改mapreduce-site.xml文件配置

<property>
    <name>mapreduce.input.fileinputformat.input.dir.recursive</name>
    <value>true</value>
</property>

Hive支持文件递归修改hive-site.xml文件配置

<property>
    <name>mapreduce.input.fileinputformat.input.dir.recursive</name>
    <value>true</value>
</property>
<property>
    <name>hive.mapred.supports.subdirectories</name>
    <value>true</value>
</property>

7.多行数据形成一行
相同编号的学生合成一行数据
使用concat_ws、collect_set函数实现

select
id
concat_ws(',',collect_set(name)) as name,
concat_ws(',',collect_set(url)) as url
from tt groupby id;

8.Hive的调优
①Hive的并行执行配置

hive.exec.parallel=false;//默认设置
hive.exec.parallel=true;//允许并行执行

②合理设置Reduce的数量
reduce数量决定了最终作业落地的个数
reduce决定的因素
1）hive.exec.reducers.bytes.per.reducer 默认值256000000
每个Reduce能够处理的数量
2）hive.exec.reducers.max 默认值1009
每个作业最大的reduce数量
计算公式：reduce的实际数量N=min(参数二，总输入数据量/参数一)

生产中实际会调整mapred.reduce.tasks=-1的参数，手工调整启动reduce的数量。

③多个job之间共享中间结果集
创建临时表，作为中间结果表
好处：减少磁盘IO，减少网络IO
缺点：依赖关系更加严重

9.数据倾斜
导致数据清洗的原因
①join
②groupBy
③count(distinct column)
join的数据倾斜问题：
大小表，使用mapjoin
两个大表使用桶表

情形：大表与大表，但是分桶的判断字段0值或空值过多
后果：这些空值都由一个reduce处理，非常慢
大表Join大表：
把空值的key变成一个字符串加上随机数，把倾斜的数据分到不同的reduce上，由于null值关联不上，处理后并不影响最终结果。

groupBy
双层groupBy

count(disctinct column)
采用groupBy改造

10.Hive调优的其他手段
列裁剪
分区裁剪
压缩
列式存储
合并小文件