hive的一些重要的知识点
hive的一些重要的知识点
（基于Hadoop的一个数据仓库工具）
基本组成：
用户接口：包括 CLI、JDBC/ODBC、WebGUI。
元数据存储：通常是存储在关系数据库如 mysql , derby中。
解释器、编译器、优化器、执行器。
1.内部表，外部表，相同与区别
相同：
都是表
区别：
内部表数据由Hive自身管理，外部表数据由HDFS管理；
内部表数据存储的位置是hive.metastore.warehouse.dir（默认：/user/hive/warehouse），外部表数据的存储位置由自己制定；
删除内部表会直接删除元数据（metadata）及存储数据；删除外部表仅仅会删除元数据，HDFS上的文件并不会被删除；
对内部表的修改会将修改直接同步给元数据，而对外部表的表结构和分区进行修改，则需要修复（MSCK REPAIR TABLE table_name;）
- 临时表（创建表时添加TEMPORARY关键字）和永久表
- 内部表&外部表
a) 删除内部表时，表结构（元信息）和表对应的数据会一同被删除
b) 删除外部表时，只有表结构被删除
注意：创建表时如果指定了表的位置，建议表的类型是external
- 分区表
表内的数据按照地域、时间等业务纬度，在表内将数据进一步细分成分区。
- 分桶表
在分区表的基础上，将分区内的数据进一步细分成桶。
2.分区表 技术与意义
作用：
将表内的数据按照业务纬度列（常见的有：时间、地域、类别）进行进一步细分，
- 可以减少数据冗余
- 提高特定（指定分区）查询分析的效率
分区表的说明：
分区表的一个分区对应hdfs上的一个目录
分区表包括静态分区表和动态分区表，根据分区会不会自动创建来区分
多级分区表，即创建的时候指定 PARTITIONED BY (event_month string,loc string)，根据顺序，级联创建 event_month=XXX/loc=XXX目录，其他和一级的分区表是一样的
静态分区表
创建静态分区表，加载数据：
use test1;
drop table test1.order_created_partition;
CREATE TABLE order_created_partition (
order_number string,
event_time string
)
PARTITIONED BY (event_month string)
ROW FORMAT DELIMITED FIELDS TERMINATED BY “\t”;
– 建表语句，指定分区字段为event_month，这个字段是伪列
– 会在数据load到表的这个分区时，在hdfs上创建名为event_month=2017-12的子目录
LOAD DATA LOCAL INPATH “/order_created.txt”
OVERWRITE INTO TABLE order_created_partition
PARTITION (event_month=‘2017-12’);
– 使用 hdfs dfs -cat …/order_created_partition/event_month=2017-12/order_created.txt
– 查看数据文件中并没有event_month这一列
select * from test1.order_created_partition;
– 分区表全表扫描，不推荐
select * from test1.order_created_partition
where event_month=‘2017-12’;
– 使用where子句，过滤分区字段，遍历某个分区
– 以上两个SQL可以查到列event_month信息
– 而使用hdfs dfs -cat看不到该列，说明分区表的分区列是伪列
– 实际上是hdfs中的分区目录的体现
添加分区，load数据：
alter table test1.order_created_partition add partition (event_month=‘2018-01’);
LOAD DATA LOCAL INPATH “/tmp/order_created.txt”
OVERWRITE INTO TABLE order_created_partition
PARTITION (event_month=‘2018-01’);
– 添加一个分区，将一模一样的数据文件加载到该分区
select * from test1.order_created_partition
where event_month=‘2018-01’;
– 查到了该分区的记录
LOAD DATA LOCAL INPATH “/order_created.txt”
INTO TABLE order_created_partition
PARTITION (event_month=‘2018-01’);
select * from test1.order_created_partition
where event_month=‘2018-01’;
– 不使用OVERWRITE参数，会追加数据到分区
LOAD DATA INPATH “/user/hive/warehouse/test1.db/order_created_partition/event_month=2017-12/order_created.txt”
INTO TABLE order_created_partition
PARTITION (event_month=‘2018-01’);
– 如果从hdfs中加载数据，则原来的路径文件被转移掉
可以看出，所谓的分区，是人为定义的，跟业务数据实际上是不是属于该分区没关系，比如将相同的数据分别插入两个分区中，再比如插入的数据有2017-12月份的和2018-01月份的数据
删除分区：
alter table test1.order_created_partition
drop partition (event_month=‘2018-01’);
– 从hdfs中已经看不到event_month=2018-01的分区子目录了
查询装入数据：
insert overwrite table order_created_partition
partition(event_month=‘2017-11’)
select order_number,event_time
from order_created_partition
where event_month=‘2018-02’;
– 使用查询装入数据到分区中，分区可以是当前不存在的
– 因为查询的是分区表，需要注意伪列和被装入的分区表列的对应关系
手工创建hdfs目录和文件，添加分区的情况：
静态分区表如果手工创建对应的hdfs目录上传文件，而不使用分区创建命令和load数据到分区的命令，分区表中无法查到该分区信息，需要刷新，这种添加分区的途径是不合法的：
linux语句
hdfs dfs -mkdir -p /user/hive/warehouse/test1.db/order_created_partition/event_month=2018-02
hdfs dfs -put /tmp/order_created.txt /user/hive/warehouse/test1.db/order_created_partition/event_month=2018-02
hdfs dfs -ls /user/hive/warehouse/test1.db/order_created_partition/event_month=2018-02
hive语句：
select * from test1.order_created_partition
where event_month=‘2018-02’;
– 此时是查不到该分区的
MSCK REPAIR TABLE order_created_partition;
– 修复表信息之后可以查询
show partitions order_created_partition;
– 查看该表的所有分区
*动态分区表
use test1;
select * from emp;
– 根据从前实验创建的emp表
– 将emp表的数据按照部门分组，并将数据加载到其对应的分组中去
create table emp_partition(
empno int,
ename string,
job string,
mgr int,
hiredate string,
sal double,
comm double)
PARTITIONED BY (deptno int)
row format delimited fields terminated by ‘\t’;
– 根据部门编号分区，原表中的部门编号字段就没有必要创建了
– 而是由分区表创建的伪列来替代
set hive.exec.dynamic.partition.mode=nonstrict;
– 设置动态分区模式为非严格模式
insert into table emp_partition partition(deptno)
select empno,ename,job,mgr,hiredate,sal,comm ,deptno from emp;
– 动态分区表的数据插入语句
– partition(deptno) 而不是 partition(deptno=XXX)
– select 子句从原表查出来的列数和列序要和分区表列数和列序保持一致
– select 子句最后一列要为分区表的分区列
– 不在需要where子句
– 设置动态分区模式为非严格模式
– set hive.exec.dynamic.partition.mode=nonstrict;
3.分通表 分区与意义
分桶表本质
与分区表类似，hive表中、分区中均可以指定列，然后对其分桶。分桶表是对列值取哈希值的方式，将不同数据放到不同文件中存储。对于hive中每一个表、分区都可以进一步进行分桶。分桶列与分区列使用的列一般不同。
分桶表与分区表区别
分区表根据指定的列将表进行分区，列值相同的数据会分到同一个分区。分桶表一般是在分区表的基础上，对其他业务列进行分桶。
分桶表优点
（1）获得更高的查询处理效率。桶为表加上了额外的结构，Hive 在处理有些查询时能利用这个结构。具体而言，连接两个在（包含连接列的）相同列上划分了桶的表，可以使用 Map 端连接 （Map-side join）高效的实现。比如JOIN操作。对于JOIN操作两个表有一个相同的列，如果对这两个表都进行了桶操作。那么将保存相同列值的桶进行JOIN操作就可以，可以大大较少JOIN的数据量。
例如：雇员表和部门表两个表，指定雇员表中的所属部门id列为分桶列，指定部门表中的id为分桶列。
（2）使取样（sampling）更高效。在处理大规模数据集时，在开发和修改查询的阶段，如果能在数据集的一小部分数据上试运行查询，会带来很多方便。
4.窗口函数
LEAD lead
可以选择指定要引导的行数。如果未指定要引导的行数，则前导是一行。
当当前行的前导超出窗口末尾时返回null。
LAG lag
可以选择指定滞后的行数。如果未指定滞后行数，则滞后为一行。
当当前行的延迟在窗口开始之前延伸时，返回null。
FIRST_VALUE first_value
这最多需要两个参数。第一个参数是您想要第一个值的列，第二个（可选）参数必须是false默认的布尔值。如果设置为true，则跳过空值。
LAST_VALUE last_value
这最多需要两个参数。第一个参数是您想要最后一个值的列，第二个（可选）参数必须是false默认的布尔值。如果设置为true，则跳过空值
5.排名函数，给出案例 实现
6.distribute by、partition by与cluster by的区别
distribute by
distribute by是控制在map端如何拆分数据给reduce端的。hive会根据distribute by后面列，对应reduce的个数进行分发，默认是采用hash算法。sort by为每个reduce产生一个排序文件。在有些情况下，你需要控制某个特定行应该到哪个reducer，这通常是为了进行后续的聚集操作。distribute by刚好可以做这件事。因此，distribute by经常和sort by配合使用。
注：Distribute by和sort by的使用场景
1.Map输出的文件大小不均。
2.Reduce输出文件大小不均。
3.小文件过多。
4.文件超大。
cluster by
cluster by除了具有distribute by的功能外还兼具sort by的功能。但是排序只能是倒叙排序，不能指定排序规则为ASC或者DESC。
partition by
partition by 是按照字段进行分区，distribute by是控制数据到哪个reducer，而partition by是在map端进行分区，在对数据进行计算的时候是分区计算的，每个分区的数据在一起计算。
7.sort by与order by的区别
sort by 和 order by的区别是前者给每一reducer上的所有行进行排序，后者保证在数据结果上都有序。也就是说，如果使用超过一个reducer，使用sort by可能给出部分有序的结果。