一、Hive中常用到的基础知识

---

以下是本篇文章正文内容，如有错误麻烦请指出。 谢谢 ！！！

---

《简介》

1、表的数据类型说明

Hive的parquet表支持的数据类型：

INT,TINYINT,SMALLINT,BIGINT,FLOAT,STRING,	BOOLEAN,
CHAR,VARCHAR,DECIMAL,DOUBLE,BINARY,TIMESTAMP

Impala的parquet表支持的数据类型：

TINYINT,SMALLINT,INT,BIGINT,BOOLEAN,FLOAT,DOUBLE,DECIMAL,STRING,CHAR,VARCHAR,TIMESTAMP

2、Hive 数据仓库支持的文件格式

Hive的文件存储格式包括：textfile, sequencefile, rcfile, orc, parquet

1）TextFile
	每一行都是一条记录，每行都以换行符（\ n）结尾。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（系统自动检查，执行查询时自动解压），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。
2）SequenceFile
	是Hadoop API提供的一种二进制文件支持，其具有使用方便、可分割、可压缩的特点。
	支持三种压缩选择：NONE, RECORD, BLOCK。 Record压缩率低，一般建议使用BLOCK压缩。
3）RCFile
	是一种行列存储相结合的存储方式。首先，其将数据按行分块，保证同一个record在一个块上，避免读一个记
录需要读取多个block。其次，块数据列式存储，有利于数据压缩和快速的列存取。
4）AVRO
	是开源项目，为Hadoop提供数据序列化和数据交换服务。您可以在Hadoop生态系统和以任何编程语言编写的
程序之间交换数据。Avro是基于大数据Hadoop的应用程序中流行的文件格式之一。
5）ORC文件代表了优化排柱状的文件格式。
	ORC文件格式提供了一种将数据存储在Hive表中的高效方法。这个文件系统实际上是为了克服其他Hive文件
格式的限制而设计的。Hive从大型表读取，写入和处理数据时，使用ORC文件可以提高性能。
6）Parquet
	是一个面向列的二进制文件格式。Parquet对于大型查询的类型是高效的。对于扫描特定表格中的特定列的
查询，Parquet特别有用。Parquet格式使用压缩Snappy，gzip;目前Snappy默认。

3、Hive各种文件格式的特点

1）TextFile默认的文件格式，行存储。建表时不指定存储格式即为textfile，导入数据时把数据文件拷贝至hdfs不进行处理。
	a.优点：最简单的数据格式，便于和其他工具（Pig, grep, sed, awk）共享数据，便于查看和编辑；加载较快。
	b.缺点：耗费存储空间，I/O性能较低；Hive不进行数据切分合并，不能进行并行操作，查询效率低。
	c.适用于小型查询，查看具体数据内容的测试操作。
2）SequenceFile含有键值对的二进制文件，行存储。
	a.优点：可压缩、可分割，优化磁盘利用率和I/O；可并行操作数据，查询效率高;
	b.缺点：存储空间消耗最大；对于Hadoop生态系统之外的工具不适用，需要通过text文件转化加载。
	c.适用于数据量较小、大部分列的查询。
3）RcFile行列式存储。先将数据按行分块，同一个record在一个块上，避免读一条记录需要读多个block；然后块数据列式存储。
	a.优点：可压缩，高效的列存取；查询效率较高；存储空间最小；查询的效率最高。
	b.缺点：加载时性能消耗较大，需要通过text文件转化加载；读取全量数据性能低；加载的速度最低。
4）ORC
	a.优化后的rcfile，行列式存储。
	b.优缺点与rcfile类似，查询效率最高。
	c.适用于Hive中大型的存储、查询。
5）Parquet列存储
	a.优点：更高效的压缩和编码；不与任何数据处理技术绑定，可用于多种数据处理框架（Hive, Impala, Presto查询
	引擎；MapReduce, Spark计算框架；Avro, Thrift, PB数据模型 ）。
	b.缺点：不支持update, insert, delete, ACID
	c.适用于字段数非常多，无更新，只取部分列的查询。

一、Beeline连接Hive

第一种连接方式

1、启动 hiveserver2
2、beeline -u jdbc:hive2://IP:10000 -n hive

第二种连接方式

1、执行 beeline 命令
2、接着执行 !connect jdbc:hive2://IP:10000
3、根据2的提示输入用户 hive 密码 ppwd1234

二、Hive执行HQL文件

1、hql文件：hive_test.hql

内容：
	DROP TABLE DEFAULT.USER_INFO_TEST;
	CREATE TABLE DEFAULT.USER_INFO_TEST (name VARCHAR(40),
	age INT,
	gender VARCHAR(10)  )
	ROW FORMAT DELIMITED FIELDS TERMINATED BY ' ' LINES TERMINATED BY '\n'
	STORED AS TEXTFILE;

2、执行文件内容：hive -f /tmp/lijia/hive_test.hql

三、Hive创建表

1、Hive表分为内部表和外部表

外部表删除表不删除数据文件，而内部表会同数据一起删除。
注：内部表与外部表有个关键字 ”EXTERNAL“ 标识，外部表可以通过关键字 ”LOCATION“ 指定数据文件在hdfs
    上的目录

内部表：

CREATE TABLE DEFAULT.USER_INFO_TEST (name VARCHAR(40),
age INT,
gender VARCHAR(10)
) 
ROW FORMAT DELIMITED FIELDS TERMINATED BY '#' LINES TERMINATED BY '\n'
STORED AS TEXTFILE;

外部表：

CREATE EXTERNAL TABLE DEFAULT.USER_INFO_TEST2 (name VARCHAR(40),
age INT,
gender VARCHAR(10)
) 
ROW FORMAT DELIMITED FIELDS TERMINATED BY '#' LINES TERMINATED BY '\n'
STORED AS TEXTFILE;

外部表指定文件存放目录

CREATE EXTERNAL TABLE DEFAULT.USER_INFO_TEST3 (name VARCHAR(40),
age INT,
gender VARCHAR(10)
) 
ROW FORMAT DELIMITED FIELDS TERMINATED BY '#' LINES TERMINATED BY '\n'
LOCATION "/tmp/USER_INFO_TEST3";

分区表：

CREATE TABLE IF NOT EXISTS TDSHDATA.T03_AGREEMENT (`AGMT_NUM` CHAR(40) COMMENT '协议号'
,`AGMT_MODIFIER_NUM` CHAR(8) COMMENT '协议修饰符'
,`AGMT_CATEG_CD` CHAR(2) COMMENT '协议类别代码'
,`ETL_PROC_DT` TIMESTAMP COMMENT 'ETL首次插入日期') 
COMMENT '协议表'
PARTITIONED BY(`AGMT_SRC_SYS_ID` CHAR(4) COMMENT '协议来源系统编号')  
STORED AS parquet;

2、通过LIKE创建表：会创建结构完全相同的表，但是没有数据

CREATE TABLE TABLENAME LIKE TBNAME2;

3、HIVE表装载数据

注：通过LOAD加载数据，分为本地加载和HDFS加载,通过关键字”LOCAL“标识

2.1：本地加载

LOAD DATA LOCAL INPATH '/home/data/xxx.txt' OVERWRITE INTO TABLE TABLENAME;

2.2：HDFS文件加载

LOAD DATA  INPATH '/home/data/xxx.txt' OVERWRITE INTO TABLE TABLENAME;

2.3：通过关键字”PARTITION“ 标识加载数据

LOAD DATA  INPATH '/home/data/xxx.txt' OVERWRITE INTO TABLE TABLENAME PARTITION (PART1 = 'DATE');

4、通过AS SELECT 创建表

注：此方法会存入数据。但是这个不能用于创建外部表。
CREATE TABLE TBNAME AS SELECT * FROM TBNAME2;

5、表的操作

，删除表，删除数据库，删除分区，添加分区，模糊查询表，修改表名，添加字段，修改字段
清空表数据：TRUNCATE TABLE TABLENAME;
删除表：DROP TABLE IF EXISTS TABLENAME;
删除数据库：DROP DATABASE IF EXISTS DATABASENAME;    注：数据库要为空
删除数据库：DROP DATABASE IF EXISTS TDSHDATA_BAK CASCADE;   注：强制删除库
删除分区：ALTER TABLE TABLENAME DROP IF EXISTS PARTITION(P_COLUMNS = 'VALUES');   
		 注：表要存在分区字段
添加分区：ALTER TABLE TABLENAME ADD IF NOT EXISTS ADD PARTITION(P_COLUMNS = 'VALUES');   注：表要存在分区字段
模糊查询表：SHOW TABLES LIKE '*NAME*';
修改表名：ALTER TABLE TABLENAME1 RENAME TO TABLENAME2;
添加字段：ALTER TABLE TABLENAME ADD COLUMNS(COLUMNS_NAME COLUMNS_TYPE COMMENT '中文名');
添加字段：ALTER TABLE TABLENAME CHANGE COLUMN OLDER_COLUMN_NAME NEW_COLUMN_NAME 
		 NEW_TYPE COMMENT '新的中文名' [FIRST|AFTER COLUMNS_NAME];
注: [FIRST|AFTER COLUMNS_NAME] 表示修改的字段放置的位置，
	FIRST表示放置第一位，
	AFTER COLUMNS_NAME表示放在该字段的后一位。

6、修改表文件格式和组织

ALTER TABLE TABLENAME SET FILEFORMAT FILE_FORMAT_NAME; 
注：这只是改变了表的文件格式，实际的数据文件格式没有改变。
ALTER TABLE TABLENAME CLUSTERED BY (COLUMN1, COLUMN2, COLUMN3, ...)
[SORTED BY(COLUMN1, COLUMN2, ...)] INTO NUM_BUCKETS BUCKETS;

7、关于视图表的用途及创建

视图表创建：

CREATE VIEW IF NOT EXISTS DATABASE_VIEW.VIEW_TABLE_NAME 
AS SELECT * FROM DATABASE.TABLE_NAME;

应用视图表的原因：

	主要还是因为对表管理的安全考虑，视图表实际不存放数据，使用的数据还是源表中的数据，只能对视图表查
询操作，其他操作对视图表无效！

四、Hive 数据仓库注释显示为乱码问题

1、查看Hive数据库的编码：show create database hive;

如果编码为UTF-8，需要通过执行sql：alter database hive default character set latin1;
修改为hive的默认编码：latin1。(Latin1)

2、执行如下sql，修改表的编码：

cd /data/mysql/data/mysql-5.7.20/bin
./mysql -u root -p'mysqlroot' --socket=/data/mysqldata/3306/mysql.sock
2.1：use hive;
2.2：alter table COLUMNS_V2 modify column COMMENT varchar(256) character set utf8;
2.3：alter table TABLE_PARAMS modify param_value varchar(4000) character set utf8;
2.4：alter table PARTITION_PARAMS modify param_value varchar(4000) character set utf8;
2.5：alter table PARTITION_KEYS modify pkey_comment varchar(4000) character set utf8;
2.6：alter table INDEX_PARAMS modify param_value varchar(4000) character set utf8;
	 刷新：flush privileges; 

五、Hive 创建动态分区

1、首先要把作为字段的分区创建为分区字段

2、根据如下操作

INSERT INTO TABLE A PARTITION(A.COLUMNS) SELECT COLUMNS1, COLUMNS2 FROM B;导入动态分区

例如：

CREATE TABLE B (S VARCHAR(20),
 D VARCHAR(20),
 F VARCHAR(20),
 G VARCHAR(20)
) STORED AS TEXTFILE;

CREATE TABLE A (S VARCHAR(20),
D VARCHAR(20),
F VARCHAR(20)
) PARTITIONED BY (G VARCHAR(20))
STORED AS PARQUET;

3、加入动态分区设置参数

set hive.exec.dynamic.partition=true; -- 开启动态分区
set hive.exec.dynamic.partition.mode=nonstrict; -- 设置Hive允许创建动态分区
set hive.exec.max.dynamic.partitions.pernode=1000;  -- 表示每个Map或Reducer可以允许创建的最大动
态分区个数，默认100，超出会报错
set hive.exec.max.dynamic.partitions=3000; --设置Hive允许一个动态分区语句允许创建最大动态分区的
个数，超出会报错！
set hive.exec.max.created.files=10000(默认) -- 全局可以创建的最大文件个数，超出报错；
插入语句：INSERT INTO TABLE A PARTITION(G) SELECT S, D, F, G FROM B;

六、Hive 桶表

1、基本概念：

1.1、桶表是对某一列数据进行哈希取值以将数据打散，然后放到不同的文件中存储;
1.2、在Hive分区中，分区的数据量过于庞大时，建议使用桶;
1.3、在分桶时，对指定字段的值进行hash运算得到hash值，并使用hash值除以桶的个数做取余运算得到的值
	 进行分桶，保证每个桶中有数据但每个桶中数据不一定相等;做hash运算时，hash函数的选择取决于分桶字
	 段的数据类型;
1.4、分桶后的查询效率比分区后的查询效率更高。

2、桶表的创建 注：只能通过Hive创建，使用Impala创建会失败

注：如果没有加入 SORTED BY(字段) 会导致数据可能不会分桶。
CREATE TABLE TABLENAME(ID INT, 
AGE INT, 
NAME VARCHAR(30))
CLUSTERED BY(ID) SORTED BY(ID) INTO 4 BUCKETS
ROW FORMAT DELIMITED FIELDS TERMINATED BY '#' LINES TERMINATED BY '\n'
STORED AS TEXTFILE;

3、间接加载数据

桶表不能通过Load的方式加载数据，只能从另一张表中插入数据
例如：INSERT INTO TABLE TEST02 SELECT * FROM TEST01;

4、桶表操作

4.1、环境配置，使Hive能够识别通
	 设置如下配置：vim ~/.hiverc
		添加：set hive.enforce.bucketing=true
		注：~/.hiverc 原有内容如下：
		set hive.cli.print.current.db=true
		set hive.cli.print.header=true

4.2、修改桶表中bucket数量
	ALTER TABLE TABLENAME CLUSTERED BY(ID) SORTED BY(AGE) INTO 10 BUCKETS;
	
4.3、Hive中的抽样查询
	SELECT * FROM TABLENAME TABLESAMPLE(BUCKET X OUT OF Y ON FIELD_NAME);
	注：X表示从那个桶开始抽取，Y表示相隔多少桶再次抽取。
	Y必须为分桶数量的倍数或者因子，比如分桶数为6，Y为6，则表示只从桶中抽取1个bucket的数据;若Y为3，
	则表示从从中抽取6/3=2个bucket的数据。
	
4.4、Hive视图 （按需查询，提高查询效率）
	 例如：CREATE VIEW BKTVIEW AS SELECT ID, NAME, AGE FROM TABLENAME;
	 注：创建视图只是创建一个与源表的映射，视图中的字段由用户按需决定。

七、Hive的优化

1、表连接优化

1.1、将大表放后头
	 Hive假定查询中最后一张表是大表，它会将其它表缓存起来，然后扫描最后那个表。因此通常需要将小表
	 放前面，或者标记那张表是大表：/*streamtable(TABLENAME)*/。
1.2、使用相同的连接键
	 当对3个或者更多个表进行join连接时，如果每个on子句都使用相同的连接键的话，那么只会产生一个MR Job。
1.3、尽量早地过滤数据
	 减少每个阶段的数据量，对于分区表加分区，同时只选择需要使用到的字段。
1.4、尽量原子化操作
	 尽量避免一个SQL包含复杂逻辑，可以使用中间表来完成复杂的逻辑。

2、用 INSERT INTO 替换 UNION ALL

2.1、如果 UNION ALL 的部分个数大于2，或者每个 UNION ALL 部分的数据量很大，应该拆成多个 INSERT INTO 
	 语句，实际测试过程中，执行的时间能提升50%。

3、ORDER BY & SORT BY

3.1、ORDER BY：对查询结果进行全局排序，消耗时间长。需要设置：set hive.mapred.mode=nostrict。
3.2、SORT BY：局部排序，并非全局排序，提高效率。

4、TRANSFORM + PYTHON

4.1、一种嵌入在Hive取数流程中的自定义函数，通过TRANSFORM语句可以把在Hive中不方便实现的功能在
	 Python中实现，然后写入Hive中。
	 注：语法：SELECT TRANSFORM(FIELD_NAME) using '**.py' AS FIELD_NAME FROM {TABLENAME};
		如果Python脚本外还有其他依赖资源，可以使用ADD ARVHIVE。

5、LIMIT 语句快速出结果

5.1、一般情况下，LIMIT语句还是需要执行整个查询语句，然后再返回部分结果。
注：解决办法
有一个配置属性可以开启，避免这种情况---对数据源进行抽样
	5.1.1、hive.limit.optimize.enable=true --- 开启对数据源进行采样的功能;
	5.1.2、hive.limit.row.max.szie --- 设置最小的采样容量;
	5.1.3、hive.limit.optimize.limit.file --- 设置最大的采样样本数。
	缺点：有可能部分数据永远处理不到。

6、本地模式

6.1、对于小数据集，为查询触发执行任务消耗的时间 > 实际执行Job的时间，因此可以通过本地模式，
	 在单台机器上（或某些时候在单个进程上）处理所有的任务。
		set oldjobtracker=${hiveconf:mapred.job.tracker};
		set mapred.job.tracker=local;
		set mapred.tmp.dir=/home/edward/tmp;
		SQL语句：set mapred.job.tracker=${oldjobtracker};
		
6.2、可以通过设置属性
	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，也可以将配置写在
$HOME/.hiverc文件中。
6.3、当一个Job满足如下条件才能真正使用本地模式
	6.3.1、Job的输入数据大小小于参数：
		hive.exec.mode.local.auto.inputbytes.max(默认是128MB)
	6.3.2、Job的Map数必须小于参数
		Hive.exec.mode.local.auto.tasks.max(默认4)
	6.3.3、Job的Reduce数必须为0或1
		可用参数：hive.mapred.local.mem(默认0)，控制child jvm 使用的最大内存数。

7、并行执行

7.1、Hive会将一个查询转化为一个或者多个阶段，包括：MapReduce阶段、抽样阶段、合并阶段、LIMIT阶段等。			
	默认情况下，一次只执行一个阶段，不过如果某些阶段不是相互依赖，是可以并行执行的。
	set hive.exec.parallel=true --- 可以开启并发执行;
	set hive.exec.parallel.thread.number=16 --- 同一个SQL允许最大的并行度，默认为8，会比较耗系统资源。

8、调整Mapper和Reducer的个数

8.1、Map阶段优化

8.1.1、Map个数主要的决定因素有：（Map执行时间：Map任务启动和初始化的时间+逻辑处理的时间）
	Input的文件总个数;
	Input的文件大小;
	集群设置的文件块大小。
8.1.2、减少MaP数
	若有大量小文件（小于128M）,会产生多个Map，处理方法：（单位字节）
	set mapred.max.split.size=100000000 -- 一个Split最大大小
	set mapred.min.split.size.per.node=100000000; --- 一个节点上Split的至少大小
	set mapred.min.split.size.per.rack=100000000; --- 一个交换机下Split至少大小
	set hive.input.format=org.apache.hadoop.hive.ql.CombineHiveInputFormat
	注：以上三个参数确定合并文件块的大小，大于文件块大小128M的，按照128M来分割;
		若小于128M大于100M的，按照100M来分割，把那些小于100M的（包括小文件和分割大文件剩下的）进
		行合并。
	set hive.input.format=org.apache.hadoop.hive.ql.io.CombineHiveInputFormat;
	注：执行前进行小文件合并。
	重建目标表将物理分区切分成多份，如下：
		Create table new_table_name as select * from table_name distribute by rand(10);
8.1.3、增加Map数。
	当Input的文件都很大，任何逻辑复杂，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，从而执行任务的执行效率。
	set mapred.reduce.tasks=20；

8.2、Reduce阶段的优化

调整方式：

第一种：参数设置
	set hive.exec.reducers.bytes.per.reducer=1G；
	set hive.exec.reducers.max=999；
第二种：调整参数
	set mapred.reduce.tasks=10；
	一般根据输入文件的总大小，用它的estimation函数来自动计算Reduce的个数：
	Reduce个数=InputFileSize / bytes.per.reducer

8.3、Hive合并输入输出文件

	如果Hive的输入文件是大量的小文件，而每个文件启动一个Map的话是对Yarn资源的浪费，同样Hive输出的文件
也远远小于HDFS的块大小，对数据后续的处理是不利的，即需要做如下处理优化：
	8.3.1、合并输入小文件
		参数	参数解释	值
		mapred.max.split.size	每个Map最大输入文件大小	256M
		mapred.min.split.size.per.node	一个节点上split的文件至少大小	100M
		mapred.min.split.size.per.rack	一个交换机下Split的文件至少大小	100M
		hive.input.format	执行Map前进行小文件合并	org.apache.hadoop.hive.ql.io.CombineHiveInputFormat
	8.3.2、合并输出小文件
		参数	参数解释	值
		hive.merge.mapfiles -- 在Map-only的任务结束时合并小文件	True
		hive.merge.mapredfiles -- 在Map-Reduce的任务结束时合并小文件	True
		hive.merge.size.per.task	-- 合并文件的大小	256M
		hive.merge.smallfiles.avgsize	 -- 当输出文件的平均大小小于该值时启动一个独立的Map-Reduce任务进行
		文件Merge	16M

9、严格模式

9.1、set hive.mapred.mode=strict

--- 防止用户执行一些意想不到的不好的影响查询;
--- 分区表，必须选定分区范围;
--- 对于使用ORDER BY的查询，要求必须使用LIMIT语句，因为ORDER BY为了执行牌勋过程会将所有的结果数据分发到同一个Reducer中进行处理;
--- 限制笛卡尔积查询：两张表JOIN时，必须要有ON条件。

10、数据倾斜

表现：任务长时间维持在99%（或100%），查看任务监控页面，发现只有少量（一个或几个）Reduce子任务没有
	 未完成。以为其处理的数据量和其他的Reduce差异过大。单一Reduce的记录数与平均记录数差异过大，通常可
	 能达到3倍甚至更多，最长时长远大于平均时长。
原因：  KEY分布不均，数据本事的特性，建表是考虑不周，某些SQL语句本身就有数据倾斜
	Join：其中一个表较小，但是KEY集中，分发到某一个或者几个Reduce上的数据远高于平均值;
	Join：大表与大表，但是分桶的判断字段0值或者空值过多，这些空值都有一个Reduce处理，非常慢;
	Group By: Group By维度过小，某值得数量过多，处理某值的Reduce非常耗时;
	Count、Distinct：某特殊值过多，处理此特殊值Reduce耗时。
	参数调节：hive.map.aggr=true

八、Hive创建外部表CSV数据中含有逗号问题处理

1、在不能修改示例数据结构的情况下，这里需要使用Hive提供的Serde，在Hive1.1版本中提供了多种Serde，此处的

数据属于CSV格式，所以这里使用默认的org.apache.hadoop.hive.serde2.OpenCSVSerde类进行处理。
建表语句：
	CREATE EXTERNAL TABLE CSVTABLE(
	COL1 STRING,
	COL2 STRING,
	COL3 STRING
	) ROW FORMAT SERDE 'org.apache.hadoop.hive.serde2.OpenCSVSerde'
	WITH SERDEPROPERTIES("separatorChar" = ",",
	"quoteChar" = "\"",
	"escapeChar" = "\\"
	) STORED AS TEXTFILE
	LOCATION '/TEM/HIVE/';

2、创建包含Map类型的表

建表语句：
	CREATE EXTERNAL TABLE MAPTABLE(COL1 STRING,
	COL2 STRING,
	COL3 MAP
	) ROW FORMAT DELIMITED FIELDS TERMINATED BY ','
	COLLECTION ITEMS TERMINATED BY '|'
	MAP KEYS TERMINATED BY ":"
	STORED AS TEXTFILE
	LOCATION '/TEM/HIVE/';
注：Map类型里定义了Key和Value的数据类型，
	 Map类型中定义的字段与示例数据中 “name:fayson|sex:男|age:18”,该数据以k-v方式存储。
	 Collection items terminated by "|", 表示Map中的每个k-v直接以“|”分割，
	 MAP KEYS TERMINATED BY ":"，表示k-v之间数据以“:”分割。
查询数据的SQL使用：
	select COL1, COL2, COL3['name'], COL3['age'], COL3['sex'] from MAPTABLE;

3、创建Struct类型的表

建表语句：
CREATE EXTERNAL TABLE STRUCTTABLE(COL1 STRING,
COL2 STRING,
COL3 STRUCT
) ROW FORMAT DELIMITED FIELDS TERMINATED BY ','
COLLECTION ITEMS TERMINATED BY ':'
STORED AS TEXTFILE
LOCATION '/TEM/HIVE/';

九、Hive表中的数据进行压缩

1、压缩详解

查看hive支持的压缩格式：set io.compression.codecs;

2、Hive的Parquet表配置压缩

2.1、创建Parquet表：
		create table mytable(a int,b int) 
		stored as parquet
		tblproperties(‘parquet.compression’=’snappy’);
		注：如果原先创建的表没有指定压缩，后续可以通过修改表属性添加表的压缩：
			Alter table mytable set tblproperties(‘parquet.compression’=’snappy’)
			或者在写入的时候执行：set parquet.compressio’=snappy;
		注：不过只能影响后续入库的数据，原来的数据是不会压缩的，采用压缩之后大概可以降低1/3的存储大小！

3、Hive表数据被删除之后的去向

	Hive表数据删除之后，数据临时存放目录：/user/登录的用户/.Trash/（hdfs路径）
	注：需要定期删除，否则时间长了会占用大量的hdfs空间！！！

好记性不如笔记来的实在！！！