大数据（二十二）：hive分桶及抽样查询、自定义函数、压缩与存储

一、分桶及抽样查询

1.分桶表数据存储

        分区针对的是数据存储路径（HDFS中表现出来的便是文件夹），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，特别是当数据要确定合适的划分大小的时候，分区便不再合适。分桶是将数据集分解成更容易管理的若干部分的技术。

2.先创建分桶表，通过直接导入数据的方式插入数据

创建分桶表

create table stu_buck(id int,name string)
clustered by(id)
into 4 buckets
row format delimited fields terminated by '\t';

查看表结构

desc formatted stu_buck;

红色标记出来的地方便是分桶的数量

将分桶功能开启（默认为false）

set hive.enforce.bucketing = true;

设置reduce个数（设置成不限制）

set mapreduce.job.reduces=-1;

通过文件导入数据

load data local inpath '/opt/student.txt' into table stu_buck;

通过子查询方式导入数据（这里的时候抛出一个异常，重启服务器之后异常消失）

insert into table stu_buck select id,name from stu;

查看hdfs目录是否已经分桶

3.分桶采样查询

        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。

select * from stu_buck TABLESAMPLE(bucket 1 out of 4 on id);

tablesample便是抽样语句，语法：

TABLESAMPLE(BUCKET x OUT OF y);

        y必须是table总bucket数的倍数或者是因子。hive会根据y的大小，决定抽样的比例。例如：table总共被分了4份，当y=2时，抽取（4/2=）2个bucket的数据，当y=8时，抽取（4/8=）1/2个bucket的数据。

        x则表示从哪个bucket开始抽样。例如：table总bucket数为4，tablesample（bucket4 out of 4），表示总共抽取（4/4=）1个bucket的数据，抽取第4个bucket的数据。

这里x的值必须小于等于y的值，否则会抛出异常。

FAILED:SemanticException[Error 10061]:Numerator should not be bigger than denonminator in sample clause for table stu_buck

        hive还提供了另外一种按照百分百进行抽样的方式，这种事基于行数的，按照输入路径下的数据块百分比进行的采样。

select * from stu tablesample(0.1 percent);

        这种抽样方式不一定适合于所有的文件格式。另外，这种抽样的最小抽样单元是一个HDFS数据。因此，如果这个表数据大小小于普通的的块大小（128m）的话，那么将会返回所有行。

 

二、函数

1.查询系统中自带的函数

show functions;

2.显示自带函数的用法

desc function {函数名};

3.详细显示自带函数的用法

desc function extended{函数名};

4.自定义函数

我们可以通过UDF来完成自定义函数，根据自定义函数类别可以分为以下三种：

1. UDF（User-Defined-Function）一进一出
2. UDAF（User-Defined Aggregation Function）聚集函数，多进一出
3. UDTF（User-Defined Table-Generating Functions）一进多出

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的命令窗口创建函数
   1. 添加jar：add jar linux_jar_path
   2. 创建function：create [temporay] function [dbname.]function_name AS class_name;
4. 在hive命令窗口删除函数：Drop [temporay] function [if exists] [dbname.]function_name;

UDF必须有返回类型，可以返回Null，但是返回类型不能为void

5.自定义函数实例

        1.创建一个java工程

        2.将hive的jar包解压后，将apache-hive-1.2.1-bin\lib文件夹下的jar包拷贝到java工程中。

        3.如果使用pom工程添加如下java包

    org.apache.hive
    hive-exec
    1.2.1

        4.创建类

public class Lower extends UDF {
    public String evaluate(final String s){
        if (s == null){
            return null;
        }
        return s.toLowerCase();
    }
}

        5.打成jar包上传到hive所在服务器

        6.添加jar包到hive中（hive命名行中）

add jar /opt/udf.jar

        7.创建临时函数与开发好的java class关联

create temporary function my_lower as 'com.gyx.hive.Lower';

        8.使用自定义的函数

select ename,my_lower(ename) lowername from emp;

 

三、压缩和存储

1.设置hadoop的压缩配置

参照之前的博客：https://blog.csdn.net/qq_34886352/article/details/82689965

2.开启Map输入阶段的压缩，可以减少job中map和Reduce task间数据传输量。

        1.开启hive中间传输数据压缩功能

set hive.exec.compress.intermediate=true;

        2.开启mapreduce中map输出压缩功能

set mapreduce.map.output.compress=true;

        3.设置mapreduce中map输出数据的压缩方式

set mapreduce.map.outputcompress.codec={压缩格式参照上面博客的格式}

3.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控制这个功能，可以通过在查询语句中或者执行脚本中设置这个值为true。

        1.开启hive最终输出数据压缩功能

set hive.exec.compress.output=true;

        2.开启mapreduce最终输出数据压缩

set mapreduce.output.fileoutputformat.compress=true;

        3.设置mapreduce最终数据输出压缩方式

set mapreduce.output.fileoutputformat.compress.codec={压缩格式参照上面博客的格式}

        4.设置mapreduce最终数据输出压缩为块压缩

set mapreduce.output.fileoutputformat.compress.type=BLOCK;

 

四、存储

1.文件存储格式

hive支持的文件存储的格式主要有：TEXTFILE、SEQUENCEFILE、ORC、PARQUET。

2.列式存储和行式存储

        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，行存储只需要找到其中的一个值，其余的值就在相邻的地方，所以此时行存储查询的速度更快。

        列存储的特点：应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

3.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。可集合Gzip和Bzip2使用，但使用这种方式，hive不会对数据进行切分，从而无法对数据进行并行操作。

4.Orc格式

        ORC(Optimized Row Columnar)是hive0.11版里引入的新的存储格式。

        可以看到每个Orc文件由1个或多个Stripe组成，每个Stripe250M大小，这个Stripe实际相对于RowGroup概念，不过大小由4MB->250MB，这样能提升顺序读取的吞吐率。

每个Stripe里有三部分组成，分别是Index Data，RowData，Stripe Footer：

        Index 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的个字段的RowData中offset。

        Row 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，分成对多个Stream来存储。

        StripeFooter：存的是各个Steam的类型，长度等信息。

        每个文件有一个FileFooter，这个在里面存的是每个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FileFooter长度，在读到FileFooter，从里面解析到各个Stripe信息，再读各个Stripe，即从后往前读。

5.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的卵化器里毕业未Apache顶级项目。

        Parquet文件是以二进制方式存储的，所有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文件格式如下

        一个文件中可以存储多个行组，文件的首位都是该文件MagicCode，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，每一夜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。

6.主流文件存储格式对比

• 存储文件压缩比：ORC>Parquet>TextFile

• 存储文件的速度对比：ORC>TextFile>Parquet（实际上三者几乎一样）