大数据云计算——Hive组件

Hive：由 Facebook 开源用于解决海量结构化日志的数据统计。Hive 是基于 Hadoop 的一个数据仓库工具，可以将结构化的数据文件映射为一张表，并提供类 SQL 查询功能。本质是：将 HQL 转化成 MapReduce 程序.

Hive的优缺点

优点：

1，可扩展性，横向扩展，Hive可以***的扩展集群规模，一般情况下不需要重启服务

2，延展性。Hive支持自定义函数，用户可以根据自己的需求来实现自己的函数

3，良好的容错性。可以保障即使节点出现问题，sql仍可完整执行。

缺点：

1，Hive不支持记录级别的增删改操作。但可以通过查询生成新表或者将查询结果导入文件中。

2，Hive查询延迟很严重，因为MapReduce Job的启动过程消耗很长时间，所以不能用在交互查询中。

3，Hive不支持事物。主要用作OLAP（联机分析处理）

1） Hive 处理的数据存储在 HDFS

2） Hive 分析数据底层的默认实现是 MapReduce

3） 执行程序运行在 Yarn 上

总结：相当于是hadoop的一个客户端的作用。

6.1Hive 架构原理

1． 用户接口： Client

CLI（hive shell）、 JDBC/ODBC(java 访问 hive)、 WEBUI（浏览器访问 hive）

2． 元数据： Metastore

元数据包括：表名、表所属的数据库（默认是 default）、表的拥有者、列/分区字段、表

的类型（是否是外部表）、表的数据所在目录等；

元数据： Metastore

元数据包括：表名、表所属的数据库（默认是 default）、表的拥有者、列/分区字段、表

的类型（是否是外部表）、表的数据所在目录等；

默认存储在自带的 derby 数据库中，推荐使用 MySQL 存储 Metastore。

3． Hadoop

使用 HDFS 进行存储，使用 MapReduce 进行计算。

4． 驱动器： Driver

（1）解析器（SQL Parser）：将 SQL 字符串转换成抽象语法树 AST，这一步一般都用

第三方工具库完成，比如 antlr；对 AST 进行语法分析，比如表是否存在、字段是否存

在、 SQL 语义是否有误。

（2）编译器（Physical Plan）：将 AST 编译生成逻辑执行计划。

（3）优化器（Query Optimizer）：对逻辑执行计划进行优化。

（4）执行器（Execution）：把逻辑执行计划转换成可以运行的物理计划。对于 Hive 来

说，就是 MR/Spark。

Hive 是建立在 Hadoop 之上的，所有 Hive 的数据都是存储在 HDFS 中的。而数据库则

可以将数据保存在块设备或者本地文件系统中。

由于 Hive 是针对数据仓库应用设计的，而数据仓库的内容是读多写少的。 因此， Hive

中不建议对数据的改写，所有的数据都是在加载的时候确定好的。而数据库中的数据通常是

需要经常进行修改的，因此可以使用INSERT INTO … VALUES 添加数据，使用UPDATE … SET 修改数据。

为什么Hive的访问延迟很高？

Hive在加载数据的过程中不会对数据进行任何处理，甚至不会对数据进行扫描，因此也没有对数据中的某些 Key 建立索引。Hive 要访问数据中满足条件的特定值时，需要暴力扫描整个数据，因此访问延迟较高。由于MapReduce 的引入，Hive可以并行访问数据，因此即使没有索引，对于大数据量的访问， Hive 仍然可以体现出优势。数据库中，通常会针对一个或者几个列建立索引，因此对于少量的特定条件的数据的访问，数据库可以有很高的效率，较低的延迟。由于数据的访问延迟较高，决定了 Hive 不适合在线数据查询。Hive 中大多数查询的执行是通过 Hadoop 提供的 MapReduce 来实现的。而数据库通常有自己的执行引擎。

Hive执行的延迟的原因是：

Hive 在查询数据的时候，由于没有索引，需要扫描整个表，因此延迟较高。另外一个导致 Hive 执行延迟高的因素是 MapReduce 框架。由于 MapReduce本身具有较高的延迟，因此在利用 MapReduce 执行 Hive 查询时，也会有较高的延迟。相对的，数据库的执行延迟较低。当然，这个低是有条件的，即数据规模较小，当数据规模大到超过数据库的处理能力的时，Hive 的并行计算显然能体现出优势。

6.2Hive DDL数据定义

创建一个数据库， 数据库在 HDFS 上的默认存储路径是/user/hive/warehouse/*.db。

1 create database db_hive

避免要创建的数据库已经存在错误， 增加 if not exists 判断。（标准写法）

2 create database if not exists db_hive

创建一个数据库，指定数据库在 HDFS 上存放的位置

3 create database db_hive2 location '/db_hive2.db'

显示数据库

4 show databases

过滤显示查询的数据库

5 show databases like 'db_hive*'

修改数据库

6 用户可以使用ALTER DATABASE 命令为某个数据库的DBPROPERTIES设置键-值对属性值，来描述这个数据库的属性信息。数据库的其他元数据信息都是不可更改的，包括数据库名和数据库所在的目录位置。

alter database hive set dbproperties('createtime'='20170830');

7 删除空数据库

drop database db_hive2;

drop database if exists db_hive2;

8 如果数据库不为空，可以采用 cascade 命令，强制删除

ALTER TABLE table_name RENAME TO new_table_name

9重命名表

drop table dept_partition;

10删除表

（1）CREATE TABLE 创建一个指定名字的表。 如果相同名字的表已经存在，则抛出

异常；用户可以用 IF NOT EXISTS 选项来忽略这个异常。

（2）EXTERNAL 关键字可以让用户创建一个外部表，在建表的同时指定一个指向实际

数据的路径（LOCATION）， Hive 创建内部表时，会将数据移动到数据仓库指向的路

径；若创建外部表，仅记录数据所在的路径，不对数据的位置做任何改变。在删除表的

时候，内部表的元数据和数据会被一起删除，而外部表只删除元数据，不删除数据。

（3）COMMENT：为表和列添加注释。

（4）PARTITIONED BY 创建分区表

（5）CLUSTERED BY 创建分桶表

（6）SORTED BY 不常用

（7）ROW FORMAT DELIMITED [FIELDS TERMINATED BY char] [COLLECTION ITEMS

TERMINATED BY char] [MAP KEYS TERMINATED BY char] [LINES TERMINATED BY char] | SERDE serde_name [WITH SERDEPROPERTIES (property_name=property_value,

property_name=property_value, ...)]

用户在建表的时候可以自定义 SerDe 或者使用自带的 SerDe。如果没有指定 ROW

FORMAT 或者 ROW FORMAT DELIMITED，将会使用自带的 SerDe。在建表的时候，用户

还需要为表指定列，用户在指定表的列的同时也会指定自定义的 SerDe， Hive 通过 SerDe

确定表的具体的列的数据。

SerDe 是 Serialize/Deserilize 的简称，目的是用于序列化和反序列化。

（8） STORED AS 指定存储文件类型

常用的存储文件类型： SEQUENCEFILE（二进制序列文件）、 TEXTFILE（文本）、

RCFILE（列式存储格式文件）

如果文件数据是纯文本，可以使用 STORED AS TEXTFILE。如果数据需要压缩，

使用 STORED AS SEQUENCEFILE。

（9） LOCATION ：指定表在 HDFS 上的存储位置。

（10）LIKE 允许用户复制现有的表结构，但是不复制数据

管理表：

默认创建的表都是所谓的管理表，有时也被称为内部表。因为这种表，Hive 会（或多或少地） 控制着数据的生命周期。Hive 默认情况下会将这些表的数据存储在由配置项hive.metastore.warehouse.dir(例如， /user/hive/warehouse)所定义的目录的子目录下。 当我们删除一个管理表时，Hive 也会删除这个表中数据。 管理表不适合和其他工具共享数据

外部表：

因为表是外部表，所以 Hive 并非认为其完全拥有这份数据。 删除该表并不会删除掉这份数据，不过描述表的元数据信息会被删除掉。

管理表和外部表的使用场景

每天将收集到的网站日志定期流入HDFS文本文件。在外部表（原始日志表）的基础上做大量的统计分析，用到的中间表、 结果表使用内部表存储，数据通过 SELECT+INSERT进入内部表。分别创建部门和员工外部表，并向表中导入数据。

实际的例子：

分区表

分区表实际上就是对应一个 HDFS 文件系统上的独立的文件夹，该文件夹下是该分区所有的数据文件。Hive中的分区就是分目录，把一个大的数据集根据业务需要分割成小的数据集。在查询时通过WHERE子句的表达式选择查询所需要的指定的分区，这样的查询效率会提高很多。

6.3Hive DML数据操作

向表中装载数据（Load）

load data [local] inpath '/opt/module/datas/student.txt' [overwrite] | into table student [partition (partcol1=val1,…)];

通过查询语句向表中插入数据（Insert）

Import 数据到指定 Hive 表中

import table student2 partition(mOnth='201709') from

'/user/hive/warehouse/export/student';

Insert 导出

分区针对的是数据的存储路径；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，特别是之前所提到过的要确定合适的划分大小这个疑虑。分桶是将数据集分解成更容易管理的若***分的另一个技术

6.4Hive 的自定义函数

1） Hive 自带了一些函数，比如： max/min 等，但是数量有限，自己可以通过自定义 UDF

来方便的扩展。

2） 当 Hive 提供的内置函数无法满足你的业务处理需要时，此时就可以考虑使用用户自定义

函数（UDF： user-defined function）。

3）根据用户自定义函数类别分为以下三种：

（1）UDF（User-Defined-Function）一进一出

（2）UDAF（User-Defined Aggregation Function）聚集函数，多进一出

类似于： count/max/min

（3）UDTF（User-Defined Table-Generating Functions）一进多出 如 lateral view explore()

6.5Hive 压缩与存储

hive对文件的压缩是对内容的压缩，也就是说对文件的压缩不是先生成文件，再对文件压缩，而是在生成文件时，对其中的内容字段进行压缩，最终压缩后，对外仍体现为某种具体的压缩文件。开启 map 输出阶段压缩可以减少 job 中 map 和 Reduce task 间数据传输量。

6.6Hive 文件存储格式

Hive 支持的存储数的格式主要有： TEXTFILE 、 SEQUENCEFILE、 ORC、 PARQUET

1．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

的值，行存储只需要找到其中一个值，其余的值都在相邻地方， 所以此时行存储查询的速度

更快。

2．列存储的特点

因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，能大大减少读取的

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设计压缩算

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。

6.7Hive 企业的调优

Fetch 抓取是指，Hive中对某些情况的查询可以不必使用 MapReduce 计算。例如：SELECT * FROM employees;在这种情况下， Hive 可以简单地读取 employee 对应的存储目录下的文件，然后输出查询结果到控制台。

在 hive-default.xml.template 文件中 hive.fetch.task.conversion 默认是 more，老版本 hive默认是 minimal，该属性修改为 more 以后，在全局查找、字段查找、 limit 查找等都不走mapreduce。

6.8Hive 表的优化处理

小表、大表 Join：将 key 相对分散，并且数据量小的表放在 join 的左边，这样可以有效减少内存溢出错误发生的几率；再进一步，可以使用 map join 让小的维度表（1000 条以下的记录条数） 先进内存。在 map 端完成 reduce。实际测试发现：新版的 hive 已经对小表 JOIN 大表和大表 JOIN 小表进行了优化。小表放在左边和右边已经没有明显区别。

如果不指定 MapJoin 或者不符合 MapJoin 的条件，那么 Hive 解析器会将 Join 操作转换

成 Common Join，即：在 Reduce 阶段完成 join。容易发生数据倾斜。可以用 MapJoin 把小

表全部加载到内存在 map 端进行 join，避免 reducer 处理。

MR 优化

合理设置 Map 数

1）通常情况下，作业会通过 input 的目录产生一个或者多个 map 任务。

主要的决定因素有： input 的文件总个数， input 的文件大小，集群设置的文件块大小。

2）是不是 map 数越多越好？

答案是否定的。如果一个任务有很多小文件（远远小于块大小 128m），则每个小文件

也会被当做一个块，用一个 map 任务来完成，而一个 map 任务启动和初始化的时间远远大

于逻辑处理的时间，就会造成很大的资源浪费。而且，同时可执行的 map 数是受限的。

3）是不是保证每个 map 处理接近 128m 的文件块，就高枕无忧了？

答案也是不一定。比如有一个 127m 的文件，正常会用一个 map 去完成，但这个文件只

有一个或者两个小字段，却有几千万的记录，如果 map 处理的逻辑比较复杂，用一个 map

任务去做，肯定也比较耗时。

针对上面的问题 2 和 3，我们需要采取两种方式来解决：即减少 map 数和增加 map 数；

小文件进行合并：在 map 执行前合并小文件，减少 map 数： CombineHiveInputFormat 具有对小文件进行合并的功能（系统默认的格式）。 HiveInputFormat 没有对小文件合并功能

复杂文件增加 Map 数：当 input 的文件都很大，任务逻辑复杂， 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，从而提高任务的执行效率。

增加 map 的方法为：根据

computeSliteSize(Math.max(minSize,Math.min(maxSize,blocksize)))=blocksize=128M 公式，调整 maxSize 最大值。让 maxSize 最大值低于 blocksize 就可以增加 map 的个数。

并行执行

Hive 会将一个查询转化成一个或者多个阶段。这样的阶段可以是MapReduce阶段、抽样阶段、合并阶段、limit 阶段。或者 Hive 执行过程中可能需要的其他阶段。默认情况下，Hive 一次只会执行一个阶段。不过，某个特定的 job 可能包含众多的阶段，而这些阶段可能并非完全互相依赖的，也就是说有些阶段是可以并行执行的，这样可能使得整个 job 的执行时间缩短。不过，如果有更多的阶段可以并行执行，那么 job 可能就越快完成。

6.9Hive 严格模式

Hive 提供了一个严格模式，可以防止用户执行那些可能意想不到的不好的影响的查询。通过设置属性 hive.mapred.mode 值为默认是非严格模式 nonstrict 。开启严格模式需要修改 hive.mapred.mode 值为 strict，开启严格模式可以禁止 3 种类型的查询。

1)区表， 除非 where 语句中含有分区字段过滤条件来限制范围，否则不允许执行。换句话说，就是用户不允许扫描所有分区。进行这个限制的原因是，通常分区表都拥有非常大的数据集，而且数据增加迅速。没有进行分区限制的查询可能会消耗令人不可接受的巨大资源来处理这个表。

2) 对于使用了 order by 语句的查询，要求必须使用 limit 语句。 因为 order by 为了执行排序过程会将所有的结果数据分发到同一个 Reducer 中进行处理，强制要求用户增加这个

LIMIT 语句可以防止 Reducer 额外执行很长一段时间。

3) 限制笛卡尔积的查询。 对关系型数据库非常了解的用户可能期望在执行 JOIN 查询的时

候不使用 ON 语句而是使用 where 语句，这样关系数据库的执行优化器就可以高效地将WHERE 语句转化成那个 ON 语句。不幸的是， Hive 并不会执行这种优化，因此，如果表足够大，那么这个查询就会出现不可控的情况。

JVM 重用是 Hadoop 调优参数的内容，其对 Hive 的性能具有非常大的影响，特别是对于很难避免小文件的场景或 task 特别多的场景，这类场景大多数执行时间都很短。Hadoop 的默认配置通常是使用派生 JVM 来执行 map 和 Reduce 任务的。这时 JVM 的启动过程可能会造成相当大的开销，尤其是执行的 job 包含有成百上千 task任务的情况。JVM重用可以使得 JVM 实例在同一个 job 中重新使用 N 次。 N 的值可以在 Hadoop 的这个功能的缺点是，开启 JVM 重用将一直占用使用到的 task 插槽，以便进行重用，直到任务完成后才能释放。如果某个“不平衡的”job 中有某几个 reduce task 执行的时间要比其他 Reduce task 消耗的时间多的多的话，那么保留的插槽就会一直空闲着却无法被其他的 job使用，直到所有的 task 都结束了才会释放.

7.0hadoop的推测执行

在分布式集群环境下， 因为程序 Bug（包括 Hadoop 本身的 bug）， 负载不均衡或者资源分布不均等原因，会造成同一个作业的多个任务之间运行速度不一致，有些任务的运行速度可能明显慢于其他任务（比如一个作业的某个任务进度只有 50%，而其他所有任务已经运行完毕），则这些任务会拖慢作业的整体执行进度。为了避免这种情况发生， Hadoop 采用了推测执行（Speculative Execution）机制，它根据一定的法则推测出“拖后腿”的任务，并为这样的任务启动一个备份任务，让该任务与原始任务同时处理同一份数据，并最终选用最先成功运行完成任务的计算结果作为最终结果。于调优这些推测执行变量，还很难给一个具体的建议。 如果用户对于运行时的偏差非

常敏感的话，那么可以将这些功能关闭掉。 如果用户因为输入数据量很大而需要执行长时间的 map 或者 Reduce task 的话，那么启动推测执行造成的浪费是非常巨大大。