hive知识点总结
hive知识点总结
1.什么是HIVE?
1.hive是hadoop生态圈的一个工具,提供一种结构化查询语言,可以查询HDFS或者其他文件系统上的文件。
2.hive操作:
1.hive一次使用命令:hive -S -e "select * from mytable limit 3"; //临时应急使用,-S开启静默模式,去掉结果的OK 和timeTaken。
2.从文件中执行hive查询:hive -f /path/to/file/file.sql
3.用正则表达式筛选数据库: show databases like 'h.*';
4.删除库:drop database if exists user; #默认hive 不允许删除表的库。要么先删除库中的表,要么在删除语句后面加上cascade
5.拷贝表:create table if not exists mydb.table like mydb.table2;
6.向表中装载数据:load data inpath '${env:HOME}'/california-employees'
overwrite into table employees #overwrite:如果分区目录不存在则创建
partition (country = 'us',state ='ca'); #如果使用local关键字,表明从本地copy到目标路径,如果没有使用则是在分布式文件系统中进行转移。
3.hive中的特殊数据类型:map ,array,struct
1.建表实例:create table emploees{
name string,
salary float,
subordinates array<string>,
deductions map<string,float>,
address struct<street:string,city:string,state:string,zip:int>
} row format delimited
filelds terminated by '\001' #\001 是^A的八进制数
collection item terminated by '\002' #\002 是^B的八进制数
map keys terminated by '\003' #\003 是^C的八进制数
line terminated by '\n'
stored as textfile;
4.hive的读时模式:
1.读时模式:对于hive 要查询的数据,有很多种方法创建,修改,甚至损坏,因此hive 不会再数据加载时进行验证而是在数据查询时验证,即读时模式。
2.如果模式和文件内容不匹配,那么用户将会看到很多null。
5.HQL数据定义:
1.hive特点:不支持行级插入,更新和删除操作。不支持事务。
7.表的分类:
1.管理表
1.hive或多或少管理表周期
2.删除管理表时,hive也会删除这个表的数据
2.外部表:
1.数据源来自于三方,比如hdfs
2.删除表只会删除元数据,而不会删除数据
3.建表实例:create external table if not exists stocks( # external 表示为外部表
exchange string,
symbol string,
price_open string)
row format delimited fields terminated by ","
location '/data/stocks'; #location表示数据路径
3.分区表:
1.将数据以一种符合逻辑的方式进行组织,比如分层存储。
2.建表实例:create table exployees(
name string,
salary float)
parttioned by (country string, state string);
4.外部分区表:
1.管理大量生产数据最为常见,比如日志文件分析。
2.建表实例: create external table if not exists log_messages(
hms int,
sevverity string,
server string,
process_id int,
message string)
partitioned by (year int,month int,day int)
row format delimited fields terminated by '\t';
8.聚合函数:(部分)
1.count(*):计算总行数,包括null行
2.count(expr):计算提供expr表达式非null的行数
3.sum(distinct col):计算排重后的和
4.set hive.map.aggr=true:提高聚合性能,需要更多的内存
9.表生成函数:
1.explode(Array array) :返回0到多行结果,每一行对应array数组的每一个元素
2.explode(Map map):同理,每行对应每个map键值对
3.inline(ARRAY<STRUCT[,STRUCT]>):将结构体数组提取出来并插入表中。
4.json_tuple(string json_Str, p1,p2 ,..,pn):本函数可以接受多个标签,对json字符串进行处理。
10.case when then:
1.用于单列查询结果:select name,salary,
case
when salary <50000.0 then "low"
when salary >=50000.0 and salary <70000.0 then "middle"
when salary >=70000.0 and salary <1000000.0 then "high"
else "very high"
end as bracket from employees;
11.like & rlike:
1.like:通过字符串开头或结尾,以及特定的字符串进行匹配。
2.rlike:可以通过java正则来匹配条件。
12.join语句:
1.inner join:只有两个链接的表都存在与连接匹配的数据才会被保留下来
2.join优化:当对三个或更多表join时,如果连接关键词相同的话,哪么只会产生一个MR job。
hive同时假定查询最后一张表是最大表,再对每行记录进行连接时,会试图将其他表缓存下来,然后扫描最后那张表进行计算,因此需要保证查询的表大小从左到右是依次增加的。
3.left outer join:将左表符合where子句的所有记录返回,右表没有符合的列的值为null。
4.outer join:外链接会忽略掉分区过滤条件
5.right outer join :会返回右表符合where语句的记录,左表匹配不上的用null。
6.full outer join :完全外链接,返回所有符合where条件的记录,任何不满足用null。
7.left semi-join:左半开连接,返回左表记录,前提是其记录对于右边满足on的判定
semi-join 通常比inner join效率高,因为对于左表的一条指定的记录,右表一旦找到对应的
就会停止扫描。
8.笛卡尔积join:表示左表行数乘以右表行数产生的数据。
9.map-side join:如果所有表中只有一张小表,那么在最大的表通过map时将小表完全
放到内存中,可以在map端执行连接。提升hive性能。
在hive 0.7以后需要设置:set hive。auto。convert。join =true
13.order by & sort by
1.order by :全局排序,所有数据通过一个reducer处理,耗时长。
2.sort by :局部排序,对每个reduce的数据进行排序,方便后面的全局排序。
14.union all
1.可以将两个表或者多个表进行合并。每个union子查询必须拥有相同列。
2.union也可以用于同一个原表数合并。
15.使用视图来降低复杂查询:
1.create view shorter_join as select * from people join cart on (cart.people_id =people.id) where firstname ="join";
select lastname from short_join where id =3;
16.索引:
1.建立索引:crate index employees_index
on table employees (country)
as 'org.apache.hadoop.hive.ql.index.compact.CompactIndexHandler' # as 指定; 索引处理器
with deferred rebuild
idxproperties ('creartor' = 'me' ,'created_at' = 'some_time')
in table employees_index_table
partitioned by (country, name);
2.Bitmap索引:create index employees_index
on table employees(country)
as 'bitmap'
with deferred rebuild
idxproperties ('creator' = 'me' , 'created_at' = 'some_time')
in table employess_index_table
partitioned by (country,name);
3.重建索引:如果指定了deferred rebuild ,那么新索引将呈现空白状态,任何时候都可以进行索引创建或者
使用alter index重建。
alter index employees_index
on table employees
partioned by(country ='us') rebuild;
4.显示索引:show formated index on employees;
5.删除索引:drop if exists employees_index on table empolyees;
17.hive优化:
1.explain:帮助我们学习hive是如何将hql转化为MapReduce任务的。
2、explain extended:可以产生更多的输出信息。
3.并行执行:hive会将一个任务切分为多个阶段,可以是MapReduce阶段,抽样阶段,合并阶段,limit阶段等,默认hive一次只会执行一个阶段,而特定的job可能包含众多阶段,这些阶段可能并非相互依赖,也就是说有些阶段是可以并行执行的,这样可以使整个执行时间变短。通过设置参数hive.exec.parallel值为true来设定。如果并行度增加,那么集群资源的利用率就会上升。
4.严格模式:hive.mapred.mode 的值为true,禁止三类查询
1.对于分区表,除非where语句中包含分区字段过滤条件来限制数据范围,否则不允许执行。即不允许用户扫描所有分区表,原因是耗费巨大资源。
2.对于order by语句的查询,必须要求使用limit语句。因为order by 为了执行排序过程会将所有的数据放到一个reducer去处理,强制增加limit会防止reducer额外执行更长时间。
3.限制笛卡尔积的查询。
5.调节mapper和reducer的数量:mapper和reducer太多,造成不必要的开销,太少则没有充分利用集群的并行度。
1.利用dfs -count命令来显示计算数据量大小,属性hive.exec.reducer.bytes.per.reducer默认为1GB。通过调整为750MB,hive就会使用4个reducer。
2.hive的默认reducer为3,可以设置mapred.reduce.tasks 的值。
3.当集群处理大任务时,为了控制资源利用情况,需要控制hive.exec.reducers.max。一个hadoop集群的map和reduce槽数是有限的,某个大的job会消耗所有的槽会导致其他job无法执行,
通过设置hive.exec.reducers.max,阻止某个job消耗过多资源,对于这个属性值有个经验公式:(集群总reduce槽数*1.5)/执行中查询的平均个数。
6.jvm重用:hadoop默认使用派生的JVM来执行map和reduce任务。JVM的启动会造成很大开销,尤其是job中会包含数百上千的task时,JVM重用会让JVM实例在一个job内重用n次,n的值可以在
mapred.site.xml中配置:<name>mapred.job.reuse.jvm.num.tasks</name>
<value>10</value>
缺点:开启JVM重用会一直占用使用的task槽数,以便进行重用,直到任务完成后释放。
18.hive函数
1.hive自带UDF:
1.show functions:abs ,acos,and,array,...
2.UDF:用户自定义标准函数:输入一行的一到多列数据,输出一个值。
3.UDAF:用户自定义聚合函数:接受一行到多行的零到多个列,输出一个值。
4.UDTF:表生成函数:接受多行多列,输出多行多列。
hive知识点总结的更多相关文章
- 大白话详解大数据hive知识点,老刘真的很用心(1)
前言:老刘不敢说写的有多好,但敢保证尽量用大白话把自己复习的知识点详细解释出来,拒绝资料上的生搬硬套,做到有自己的了解! 01 hive知识点(1) 第1点:数据仓库的概念 由于hive它是基于had ...
- 大白话详解大数据hive知识点,老刘真的很用心(2)
前言:老刘不敢说写的有多好,但敢保证尽量用大白话把自己复习的内容详细解释出来,拒绝资料上的生搬硬套,做到有自己的了解! 1. hive知识点(2) 第12点:hive分桶表 hive知识点主要偏实践, ...
- 大白话详解大数据hive知识点,老刘真的很用心(3)
前言:老刘不敢说写的有多好,但敢保证尽量用大白话把自己复习的内容详细解释出来,拒绝资料上的生搬硬套,做到有自己的了解! 1. hive知识点(3) 从这篇文章开始决定进行一些改变,老刘在博客上主要分享 ...
- Hive知识点
1.Hive是一种建立在Hadoop文件系统上的数据仓库架构,并对存储在HDFS中的数据进行分析和管理:(也就是说对存储在HDFS中的数据进行分析和管理,我们不想使用手工,我们建立一个工具把,那么这个 ...
- Spark访问与HBase关联的Hive表
知识点1:创建关联Hbase的Hive表 知识点2:Spark访问Hive 知识点3:Spark访问与Hbase关联的Hive表 知识点1:创建关联Hbase的Hive表 两种方式创建,内部表和外部表 ...
- IDEA SSM后端框架入门
SSM框架 如果对SSM一无所知,推荐先去看这本书,可以在微信读书上看. 知识点 控制器返回对象时,对象需要有getter,setter方法,才能自动转化为json数据类型. 一个服务管理者对应多个业 ...
- 大数据核心知识点:Hbase、Spark、Hive、MapReduce概念理解,特点及机制
今天,上海尚学堂大数据培训班毕业的一位学生去参加易普软件公司面试,应聘的职位是大数据开发.面试官问了他10个问题,主要集中在Hbase.Spark.Hive和MapReduce上,基础概念.特点.应用 ...
- 3. Hive相关知识点
以下是阅读<Hive编程指南>后整理的一些零散知识点: 1. 有时候用户需要频繁执行一些命令,例如设置系统属性,或增加对于Hadoop的分布式内存,加入自定的Hive扩展的Jave包(JA ...
- Hive中知识点
hive的最新学习资料:http://www.cnblogs.com/qingyunzong/p/8707885.html hive的参数设置大全:https://cwiki.apache.org/c ...
- hive 安装、知识点
hive 查询语句: 语句 含义 show database; 或 show schemas; 查看数据库 show tables; hive显示所有表 set; 查看hive配置信息 问题:load ...
随机推荐
- vue3+quasar+capacitor开发多平台项目,使用quasar改变主题背景
quasar的样式和其他的框架修改不太一样,需要我们使用动态的方式来进行变更,一般来说有两种方案进行主题修改 方案一: 修改样式所需文档: 这里是样式修改的说明:https://quasar.dev/ ...
- GPS定位解决偏差
目录 GPS定位解决偏差 开篇 实践 1.解决思路以及步骤 2.实践出真理! 3.上坐标系之间的代码. 希望大家:点赞,留言,关注咯~ 唠家常 今日推荐都在文章中了 GPS定位解决偏差 开篇 大家都知 ...
- Flutter入门资料推荐
前言 群里很多入门小白不知道如何入门 Flutter,水一篇文章简单介绍下本人学习过程中一些参考资料,方便 Flutter 小白少走弯路. 非权威,推荐只针对本人经验来的说,大佬们不喜勿喷! 资料列表 ...
- immutable.js 学习笔记(三)----- Map
一.Map Map在原生的js中对应的是Object这样的结构,它都是key-value的键值对,并且它是无序的 二. API (一) set:设定值 (二)delete:删除值 每做一次增删改查都会 ...
- Java的两个好用的工具包 Apache commons
Apache commons 介绍 这是apache commons lang3的工具类的截图 这个工具,小皮一般用在业务层较多 这是apache commons codec下面的工具 这个工具包,今 ...
- 0源码基础学习Spring源码系列(一)——Bean注入流程
作者:京东科技 韩国凯 通过本文,读者可以0源码基础的初步学习spring源码,并能够举一反三从此进入源码世界的大米! 由于是第一次阅读源码,文章之中难免存在一些问题,还望包涵指正! 一. @Auto ...
- HashMap简要介绍
https://www.cnblogs.com/vitasyuan/p/9220773.html 1.HashMap-1.8介绍 HashMap为Map接口的一个实现类,实现了所有Map的操作.Has ...
- .net 字符串逗号隔开去重
1.本文背景 同时输入/选择多条信息或批量输入/选择多条信息形成一个逗号隔开的字符串集,会出现数据重复的错误情况,产生不必要的脏数据,本文依次收集测试几种有效的去重方法. 2.代码实现 1)方法一:L ...
- js实现一二级域名共享cookie
前言 最近接手的项目中 ,有人反馈了一个问题,说是在访问网站并登录后,登录成功有登录信息,但是刷新页面后重定向到了登录页面,让从新登录. 打开 goole 调试页面,查看 cookie 时发现存储的相 ...
- GPS地图生成02之经典算法体验
经典的利用轨迹生成地图的算法与数据集可寻找于:Mapconstruction by pfoser Mapconstruction by pfoser数据集中,雅典数据集投影坐标系为(UTM, GGRS ...