hive基础知识四

1. hive表的数据压缩

1.1 数据的压缩说明

  • 压缩模式评价

    • 可使用以下三种标准对压缩方式进行评价

      • 1、压缩比：压缩比越高，压缩后文件越小，所以压缩比越高越好
      • 2、压缩时间：越快越好
      • 3、已经压缩的格式文件是否可以再分割：可以分割的格式允许单一文件由多个Mapper程序处理，可以更好的并行化
  • 常见压缩格式
压缩方式 压缩比 压缩速度 解压缩速度 是否可分割
gzip 13.4% 21 MB/s 118 MB/s 否
bzip2 13.2% 2.4MB/s 9.5MB/s 是
lzo 20.5% 135 MB/s 410 MB/s 是
snappy 22.2% 172 MB/s 409 MB/s 否
  • Hadoop编码/解码器方式
压缩格式 对应的编码/解码器
DEFLATE org.apache.hadoop.io.compress.DefaultCodec
Gzip org.apache.hadoop.io.compress.GzipCodec
BZip2 org.apache.hadoop.io.compress.BZip2Codec
LZO com.hadoop.compress.lzo.LzopCodec
Snappy org.apache.hadoop.io.compress.SnappyCodec

1.2 数据压缩使用

  • Hive表中间数据压缩(map端)

    #设置为true为激活中间数据压缩功能，默认是false，没有开启
set hive.exec.compress.intermediate=true;
#设置中间数据的压缩算法
set mapred.map.output.compression.codec= org.apache.hadoop.io.compress.SnappyCodec;
  • Hive表最终输出结果压缩(reduce端) 
    set hive.exec.compress.output=true;
set mapred.output.compression.codec=org.apache.hadoop.io.compress.SnappyCodec;

2. hive表的文件存储格式

2.1 文件存储格式说明

  • Hive支持的存储数的格式主要有：textFile、sequencefile、orc、parquet。
  • 其中textFile为默认格式，建表时默认为这个格式，导入数据时会直接把本地文件数据文件拷贝到hdfs上不进行处理。

       注意：sequencefile、orc、parquet格式的表不能直接从本地文件导入数据，数据要先导入到TextFile格式的表中，然后再从textFile表中用insert导入到sequencefile、orc、parquet表中。

  • 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。

2.2 文件存储格式使用对比

具体操作和文件存储格式对比使用详细见 《Hive 主流文件存储格式对比.md》

https://blog.csdn.net/xsdxs/article/details/53152599

https://www.cnblogs.com/lojun/p/11396793.html

3、hive的函数

3.1 系统内置函数

  • 1、查看系统自带的函数

    show functions;
  • 2、显示自带的函数的用法
    • 语法结构

      • desc function 函数名；
    desc function max;

3.2 自定义函数

  • 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
  • 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）
  • 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）
      • 聚合函数，多进一出

        • 类似于count/max/min
    • 3、UDTF（User-Defined Table-Generating Functions）
      • 一进多出
  • 官网地址

3.3 自定义UDF函数编程步骤

  • 1、定义一个类继承org.apache.hadoop.hive.ql.UDF
  • 2、需要实现evaluate函数；evaluate函数支持重载；
  • 3、将程序打成jar包上传到linux服务器
  • 4、在hive的命令行窗口创建函数
    • a) 添加 jar包

      • add jar xxxxx.jar  (linux上jar包的路径)
    • b) 创建function 
      create [temporary] function [dbname.]function_name AS class_name;
  • 5、hive命令行中删除函数 
    Drop [temporary] function [if exists] [dbname.]function_name;
  • 6、注意事项
    • UDF必须要有返回类型，可以返回null，但是返回类型不能为void；

3.4 自定义UDF函数案例实战

  • 1、需求

    • 将输入的小写单词转化为大写
  • 2、代码开发
    • 1、创建maven工程
    • 2、添加依赖 
          <dependencies>
        <dependency>
            <groupId>org.apache.hive</groupId>
            <artifactId>hive-exec</artifactId>
            <version>1.2.2</version>
        </dependency>
        <dependency>
            <groupId>org.apache.hadoop</groupId>
            <artifactId>hadoop-common</artifactId>
            <version>2.7.4</version>
        </dependency>
    </dependencies>
    • 3、代码 
      package com.lowi.udf;
import org.apache.hadoop.hive.ql.exec.UDF;
//todo:自定义udf函数，实现小写转大写
public class MyUDF extends UDF{
     //实现evaluate方法
    public String evaluate(String word){
       if(word ==null){
           return null;
       }
        return  word.toUpperCase();
    }
}
  • 3、打成jar包上传到linux服务器上 /home/hadoop/hive_udf.jar
  • 4、将jar包添加到hive的classpath 
    add jar /home/hadoop/hive_udf.jar;
  • 5、创建临时函数与开发好的java class关联 
    create temporary function toUpper as "com.lowi.udf.MyUDF";
  • 6、在sql语句中使用自定义UDF函数 
    select toUpper("abcdDEF") from student limit 1;

  • 7、删除自定义UDF函数

    drop function toUpper;
  • 8、UDF函数永久使用
    • 1、把自定义函数的jar上传到hdfs中

      hdfs dfs -put hive_udf.jar  /jars
    • 2、创建永久函数 
      create function toUpper as ‘com.lowi.udf.MyUDF‘  using jar ‘hdfs://node1:9000/jars/hive_udf.jar‘;
    • 3、在sql语句中使用自定义UDF函数 
      select toUpper("abcdDEF") from student limit 1;

4、hive客户端jdbc操作

4.1 引入依赖

    <dependencies>
        <dependency>
            <groupId>org.apache.hive</groupId>
            <artifactId>hive-exec</artifactId>
            <version>1.2.2</version>
        </dependency>
         <dependency>
            <groupId>org.apache.hive</groupId>
            <artifactId>hive-jdbc</artifactId>
            <version>1.2.2</version>
        </dependency>
        <dependency>
            <groupId>org.apache.hadoop</groupId>
            <artifactId>hadoop-common</artifactId>
            <version>2.7.3</version>
        </dependency>
    </dependencies>

4.2 代码开发

package com.lowi.jdbc;
import java.sql.*;
public class HiveJdbc {
    private static String url="jdbc:hive2://node1:10000/default";
    public static void main(String[] args) throws SQLException {
        //获取数据库连接
        Connection connection = DriverManager.getConnection(url, "root","123456");
        //定义查询的sql语句
        String sql="select * from employee";
        try {
            PreparedStatement ps = connection.prepareStatement(sql);
            ResultSet rs = ps.executeQuery();
            while (rs.next()){
                 //获取empid字段
                int empid = rs.getInt(1);
                 //获取deptid字段
                int deptid = rs.getInt(2);
                 //获取sex字段
                String sex = rs.getString(3);
                 //获取salary字段
                double salary = rs.getDouble(4);
                System.out.println(empid+"\t"+deptid+"\t"+sex+"\t"+salary);
            }
        } catch (SQLException e) {
            e.printStackTrace();
        }
    }
}

5. hive的SerDe

5.1 hive的SerDe是什么

? Serde是 Serializer/Deserializer的简写。hive使用Serde进行行对象的序列与反序列化。最后实现把文件内容映射到 hive 表中的字段数据类型。

? 为了更好的阐述使用 SerDe 的场景，我们需要了解一下 Hive 是如何读数据的(类似于 HDFS 中数据的读写操作)：

HDFS files –> InputFileFormat –> <key, value> –> Deserializer –> Row object
?
Row object –> Serializer –> <key, value> –> OutputFileFormat –> HDFS files

5.2 hive的SerDe 类型

  • Hive 中内置org.apache.hadoop.hive.serde2 库，内部封装了很多不同的SerDe类型。
  • hive创建表时， 通过自定义的SerDe或使用Hive内置的SerDe类型指定数据的序列化和反序列化方式。
CREATE [EXTERNAL] TABLE [IF NOT EXISTS] table_name
[(col_name data_type [COMMENT col_comment], ...)] [COMMENT table_comment] [PARTITIONED BY (col_name data_type [COMMENT col_comment], ...)]
[CLUSTERED BY (col_name, col_name, ...)
[SORTED BY (col_name [ASC|DESC], ...)] INTO num_buckets BUCKETS]
[ROW FORMAT row_format]
[STORED AS file_format]
[LOCATION hdfs_path]
  • 如上创建表语句， 使用row format 参数说明SerDe的类型。
  • 可以创建表时使用用户自定义的Serde或者native Serde， 如果 ROW FORMAT没有指定或者指定了 ROW FORMAT DELIMITED就会使用native Serde。
  • Hive SerDes:
    • Avro (Hive 0.9.1 and later)
    • ORC (Hive 0.11 and later)
    • RegEx
    • Thrift
    • Parquet (Hive 0.13 and later)
    • CSV (Hive 0.14 and later)
    • MultiDelimitSerDe

5.3 企业实战

5.3.1 通过MultiDelimitSerDe 解决多字符分割场景
  • 1、创建表
create  table t1 (id String, name string)
row format serde ‘org.apache.hadoop.hive.contrib.serde2.MultiDelimitSerDe‘
WITH SERDEPROPERTIES ("field.delim"="##");
  • 2、准备数据 t1.txt
1##xiaoming
2##xiaowang
3##xiaozhang
  • 3、加载数据
load data local inpath ‘/home/hadoop/t1.txt‘ into table t1;
  • 4、查询数据
0: jdbc:hive2://node1:10000> select * from t1;
+--------+------------+--+
| t1.id  |  t1.name   |
+--------+------------+--+
| 1      | xiaoming   |
| 2      | xiaowang   |
| 3      | xiaozhang  |
+--------+------------+--+
5.3.2 通过RegexSerDe 解决多字符分割场景
  • 1、创建表
create  table t2(id int, name string)
row format serde ‘org.apache.hadoop.hive.serde2.RegexSerDe‘
WITH SERDEPROPERTIES ("input.regex" = "^(.*)\\#\\#(.*)$");
  • 2、准备数据 t1.txt
1##xiaoming
2##xiaowang
3##xiaozhang
  • 3、加载数据
load data local inpath ‘/home/hadoop/t1.txt‘ into table t2;
  • 4、查询数据
0: jdbc:hive2://node1:10000> select * from t2;
+--------+------------+--+
| t2.id  |  t2.name   |
+--------+------------+--+
| 1      | xiaoming   |
| 2      | xiaowang   |
| 3      | xiaozhang  |
+--------+------------+--+
5.3.3 通过JsonSerDe格式存储text文件
  • 1、创建表
CREATE TABLE t3(id int, name string)
ROW FORMAT SERDE ‘org.apache.hive.hcatalog.data.JsonSerDe‘
STORED AS TEXTFILE;
  • 2、准备数据 json.txt
{"id":1001,"name":"xiaoming"}
{"id":1002,"name":"xiaowang"}
{"id":1003,"name":"xiaozhang"}
  • 3、加载数据
load data local inpath ‘/home/hadoop/json.txt‘ into table t3;
  • 4、查询数据
0: jdbc:hive2://node1:10000> select * from t3;
+--------+------------+--+
| t3.id  |  t3.name   |
+--------+------------+--+
| 1001   | xiaoming   |
| 1002   | xiaowang   |
| 1003   | xiaozhang  |
+--------+------------+--+
5.3.4 使用 json函数 操作json格式数据
  • 1、创建表
CREATE TABLE t4(jsoncontext string)
STORED AS TEXTFILE;
  • 2、准备数据 json.txt
{"id":1001,"name":"xiaoming"}
{"id":1002,"name":"xiaowang"}
{"id":1003,"name":"xiaozhang"}
  • 3、加载数据
load data local inpath ‘/home/hadoop/json.txt‘ into table t4;
  • 4、查询数据
0: jdbc:hive2://node1:10000> select * from t4;
+---------------------------------+--+
|         t4.jsoncontext          |
+---------------------------------+--+
| {"id":1001,"name":"xiaoming"}   |
| {"id":1002,"name":"xiaowang"}   |
| {"id":1003,"name":"xiaozhang"}  |
+---------------------------------+--+
  • 5、json函数操作

    • get_json_object(string json_string, string path)

      • 返回值: string
      • 说明：解析json的字符串json_string,返回path指定的内容。如果输入的json字符串无效，那么返回NULL。 
        --查询表中的name字段
select get_json_object(jsoncontext,"$.name") as name from t4;
+------------+--+
|    name    |
+------------+--+
| xiaoming   |
| xiaowang   |
| xiaozhang  |
+------------+--+
    • json_tuple(jsonStr, k1, k2, ...)
      • 返回值是一个元组
      • 说明：解析jsonStr字符串中的k1、k2...字段，可以在一行中解析多个字段 
        select json_tuple(jsoncontext,"id","name") as (id,name) from t4;+-------+------------+--+|  id   |    name    |+-------+------------+--+| 1001  | xiaoming   || 1002  | xiaowang   || 1003  | xiaozhang  |+-------+------------+--+

6. hive的企业级调优

6.1 Fetch抓取

  • 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 employee;
    • 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。
  • 案例实操
    • 把 hive.fetch.task.conversion设置成none，然后执行查询语句，都会执行mapreduce程序
    set hive.fetch.task.conversion=none;
select * from employee;
select sex from employee;
select sex from employee limit 3;
    • 把hive.fetch.task.conversion设置成more，然后执行查询语句，如下查询方式都不会执行mapreduce程序。
    set hive.fetch.task.conversion=more;
select * from employee;
select sex from employee;
select sex from employee limit 3;

6.2 本地模式

  • 在Hive客户端测试时，默认情况下是启用hadoop的job模式，把任务提交到集群中运行，这样会导致计算非常缓慢；
  • Hive可以通过本地模式在单台机器上处理任务。对于小数据集，执行时间可以明显被缩短。
  • 案例实操 
    --开启本地模式，并执行查询语句
set hive.exec.mode.local.auto=true;  //开启本地mr
?
--设置local mr的最大输入数据量，当输入数据量小于这个值时采用local mr的方式，
--默认为134217728，即128M
set hive.exec.mode.local.auto.inputbytes.max=50000000;
?
--设置local mr的最大输入文件个数，当输入文件个数小于这个值时采用local mr的方式，
--默认为4
set hive.exec.mode.local.auto.input.files.max=5;
?
--执行查询的sql语句
 select * from employee cluster by deptid;

    --关闭本地运行模式set hive.exec.mode.local.auto=false;select * from employee cluster by deptid;

集群模式：

本地模式：

6.3 表的优化

6.3.1 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。

注意：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。

6.3.2 大表 join 大表
  • 1．空 key 过滤

    • 有时join超时是因为某些key对应的数据太多，而相同key对应的数据都会发送到相同的reducer上，从而导致内存不够。
    • 此时我们应该仔细分析这些异常的key，很多情况下，这些key对应的数据是异常数据，我们需要在SQL语句中进行过滤。
  • 2、空 key 转换
    • 有时虽然某个 key 为空对应的数据很多，但是相应的数据不是异常数据，必须要包含在 join 的结果中，此时我们可以表 a 中 key 为空的字段赋一个随机的值，使得数据随机均匀地分不到不同的 reducer 上。
6.3.3 map join
  • 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。
  • 1、开启MapJoin参数设置 
     --默认为true
set hive.auto.convert.join = true;
  • 2、大表小表的阈值设置（默认25M以下是小表）
set hive.mapjoin.smalltable.filesize=25000000;
  • 3、MapJoin工作机制

6.3.4 group By
  • 默认情况下，Map阶段同一Key数据分发给一个reduce，当一个key数据过大时就倾斜了。
  • 并不是所有的聚合操作都需要在Reduce端完成，很多聚合操作都可以先在Map端进行部分聚合，最后在Reduce端得出最终结果。
  • 开启Map端聚合参数设置 
    --是否在Map端进行聚合，默认为True
set hive.map.aggr = true;
--在Map端进行聚合操作的条目数目
set hive.groupby.mapaggr.checkinterval = 100000;
--有数据倾斜的时候进行负载均衡（默认是false）
set hive.groupby.skewindata = true;

当选项设定为 true，生成的查询计划会有两个MR Job。第一个MR Job中，Map的输出结果会随机分布到Reduce中，每个Reduce做部分聚合操作，并输出结果，
    这样处理的结果是相同的Group By Key有可能被分发到不同的Reduce中，从而达到负载均衡的目的；第二个MR Job再根据预处理的数据结果按照Group By Key分布到Reduce中

    （这个过程可以保证相同的Group By Key被分布到同一个Reduce中），最后完成最终的聚合操作。

6.3.5 count(distinct)
  • 数据量小的时候无所谓，数据量大的情况下，由于count distinct 操作需要用一个reduce Task来完成，这一个Reduce需要处理的数据量太大，就会导致整个Job很难完成，一般count distinct使用先group by 再count的方式完成。

     --每个reduce任务处理的数据量 默认256000000（256M）
 set hive.exec.reducers.bytes.per.reducer=32123456;
 select  count(distinct ip )  from log_text;
 转换成
 select count(ip) from (select ip from log_text group by ip) t;

 虽然会多用一个Job来完成，但在数据量大的情况下，这个绝对是值得的。
6.3.6 笛卡尔积
  • 尽量避免笛卡尔积，即避免join的时候不加on条件，或者无效的on条件
  • Hive只能使用1个reducer来完成笛卡尔积。

6.4 使用分区剪裁、列剪裁

  • 尽可能早地过滤掉尽可能多的数据量，避免大量数据流入外层SQL。
  • 列剪裁
    • 只获取需要的列的数据，减少数据输入。
  • 分区裁剪
    • 分区在hive实质上是目录，分区裁剪可以方便直接地过滤掉大部分数据。
    • 尽量使用分区过滤，少用select *

6.5 并行执行

  • 把一个sql语句中没有相互依赖的阶段并行去运行。提高集群资源利用率
--开启并行执行
set hive.exec.parallel=true;
--同一个sql允许最大并行度，默认为8。
set hive.exec.parallel.thread.number=16;

6.6 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。 
    --设置非严格模式（默认）
set hive.mapred.mode=nonstrict;
?
--设置严格模式
set hive.mapred.mode=strict;
  • （1）对于分区表，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

    --设置严格模式下 执行sql语句报错； 非严格模式下是可以的
select * from order_partition；
?
异常信息：Error: Error while compiling statement: FAILED: SemanticException [Error 10041]: No partition predicate found for Alias "order_partition" Table "order_partition"
  • （2）对于使用了order by语句的查询，要求必须使用limit语句 
    --设置严格模式下 执行sql语句报错； 非严格模式下是可以的
select * from order_partition where month=‘2019-03‘ order by order_price;
?
异常信息：Error: Error while compiling statement: FAILED: SemanticException 1:61 In strict mode, if ORDER BY is specified, LIMIT must also be specified. Error encountered near token ‘order_price‘
  • （3）限制笛卡尔积的查询
    • 严格模式下，避免出现笛卡尔积的查询

6.7 JVM重用

  • 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。
  • JVM重用可以使得JVM实例在同一个job中重新使用N次。减少进程的启动和销毁时间。 
    -- 设置jvm重用个数
set mapred.job.reuse.jvm.num.tasks=5;

6.8 推测执行

  • 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。（集群资源充裕的情况下可以考虑）
--开启推测执行机制
set hive.mapred.reduce.tasks.speculative.execution=true;

6.9 压缩

  • Hive表中间数据压缩

    #设置为true为激活中间数据压缩功能，默认是false，没有开启
set hive.exec.compress.intermediate=true;
#设置中间数据的压缩算法
set mapred.map.output.compression.codec= org.apache.hadoop.io.compress.SnappyCodec;
  • Hive表最终输出结果压缩 
    set hive.exec.compress.output=true;
set mapred.output.compression.codec=org.apache.hadoop.io.compress.SnappyCodec;

6.10 数据倾斜

6.10.1 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；
6.10.2 小文件合并
  • 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） 
    set hive.input.format= org.apache.hadoop.hive.ql.io.CombineHiveInputFormat;
6.10.3 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)))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。
    mapreduce.input.fileinputformat.split.minsize=1     //默认值为1
mapreduce.input.fileinputformat.split.maxsize=Long.MAXValue      //默认值Long.MAXValue因此，默认情况下，切片大小=blocksize
maxsize（切片最大值): 参数如果调到比blocksize小，则会让切片变小，而且就等于配置的这个参数的值。
minsize(切片最小值): 参数调的比blockSize大，则可以让切片变得比blocksize还大。
    • 例如
    --设置maxsize大小为10M，也就是说一个block的大小为10M
set mapreduce.input.fileinputformat.split.maxsize=10485760;
6.10.4 合理设置Reduce数
  • 1、调整reduce个数方法一

    • 1）每个Reduce处理的数据量默认是256MB

      set hive.exec.reducers.bytes.per.reducer=256000000;
    • 2) 每个任务最大的reduce数，默认为1009 
      set hive.exec.reducers.max=1009;
    • 3) 计算reducer数的公式 
      N=min(参数2，总输入数据量/参数1)
  • 2、调整reduce个数方法二 
    --设置每一个job中reduce个数
set mapreduce.job.reduces=3;
  • 3、reduce个数并不是越多越好

    • 过多的启动和初始化reduce也会消耗时间和资源；
    • 同时过多的reduce会生成很多个文件，也有可能出现小文件问题

五、hive sql经典面试题--级联求和

  • 1、需求

    访客 月份 访问次数
    A 2015-01 5
    A 2015-01 15
    B 2015-01 5
    A 2015-01 8
    B 2015-01 25
    A 2015-01 5
    A 2015-02 4
    A 2015-02 6
    B 2015-02 10
    B 2015-02 5
    …… …… ……
  • 2、需要输出报表
访客 月份 月访问总计 累计访问总计
A 2015-01 33 33
A 2015-02 10 43
……. ……. ……. …….
B 2015-01 30 30
B 2015-02 15 45
……. ……. ……. …….
  • 3、实现步骤

    • 3.1 创建一个表
    create table t_access_times(username string,month string,salary int)
row format delimited fields terminated by ‘,‘;
    • 3.2 准备数据 access.log
    A,2015-01,5
A,2015-01,15
B,2015-01,5
A,2015-01,8
B,2015-01,25
A,2015-01,5
A,2015-02,4
A,2015-02,6
B,2015-02,10
B,2015-02,5
    • 3.3 加载数据到表中
    load data local inpath ‘/home/hadoop/access.log‘ into table t_access_times;
    • 3.4 第一步，先求个用户的月总金额
    select username,month,sum(salary) as salary from t_access_times group by username,month;
?
+-----------+----------+---------+--+
| username  |  month   | salary  |
+-----------+----------+---------+--+
| A         | 2015-01  | 33      |
| A         | 2015-02  | 10      |
| B         | 2015-01  | 30      |
| B         | 2015-02  | 15      |
+-----------+----------+---------+--+
    • 3.5 第二步，将月总金额表 自己连接自己(自join)
    select A.*,B.* FROM
(select username,month,sum(salary) as salary from t_access_times group by username,month) A
inner join
(select username,month,sum(salary) as salary from t_access_times group by username,month) B
on
A.username=B.username
where B.month <= A.month
+-------------+----------+-----------+-------------+----------+--------
| a.username  | a.month  | a.salary  | b.username  | b.month  | b.salary  |
+-------------+----------+-----------+-------------+----------+--------
| A           | 2015-01  | 33        | A           | 2015-01  | 33        |
| A           | 2015-01  | 33        | A           | 2015-02  | 10        |
| A           | 2015-02  | 10        | A           | 2015-01  | 33        |
| A           | 2015-02  | 10        | A           | 2015-02  | 10        |
| B           | 2015-01  | 30        | B           | 2015-01  | 30        |
| B           | 2015-01  | 30        | B           | 2015-02  | 15        |
| B           | 2015-02  | 15        | B           | 2015-01  | 30        |
| B           | 2015-02  | 15        | B           | 2015-02  | 15        |
+-------------+----------+-----------+-------------+----------+--------
    • 3.6 第三步，从上一步的结果中进行分组查询，分组的字段是a.username a.month求月累计值： 将b.month <= a.month的所有b.salary求和即可
    --最终的sql语句：
?
select A.username,A.month,max(A.salary) as salary,sum(B.salary) as accumulate
from
(select username,month,sum(salary) as salary from t_access_times group  by username,month) A
inner join
(select username,month,sum(salary) as salary from t_access_times group by username,month) B
on
A.username=B.username
where B.month <= A.month
group by A.username,A.month
order by A.username,A.month;
?
--最终结果为：
+-------------+----------+---------+-------------+--+
| a.username  | a.month  | salary  | accumulate  |
+-------------+----------+---------+-------------+--+
| A           | 2015-01  | 33      | 33          |
| A           | 2015-02  | 10      | 43          |
| B           | 2015-01  | 30      | 30          |
| B           | 2015-02  | 15      | 45          |
+-------------+----------+---------+-------------+--+

原文地址：https://www.cnblogs.com/lojun/p/11396723.html

时间： 2024-10-30 09:40:33

hive基础知识四的相关文章

C# 基础知识 (四).C#简介及托管代码

        暑假转瞬即逝,从10天的支教生活到1周的江浙沪旅游,在这个漫长的暑假中我经历了很多东西,也学到了很多东西,也认识到了很多不足之处!闲暇之余我准备重新进一步巩固C#相关知识,包括C#入门知识.C#并行开发.ASP网站等.这篇文章我介绍的是书籍--C#入门经典(Beginning C#) 作者Karli Watson.主要包括的是我自己缺乏的一些C#简介知识和托管代码的内容.内容比较简单,参照该书籍较多,相当于自己的在线笔记!                             

Python基础知识(四)

Python基础知识(四) 一丶列表 定义格式: 是一个容器,由 [ ]表示,元素与元素之间用逗号隔开. 如:name=["张三","李四"] 作用: 存储任意类型的数据 (32位机器能存5亿多,64为机器存储更多) 特点: 可变 (增,删,改,查) 默认从左到右 ,从0开始 . 有序(索引,切片,步长) 操作: 增 , 删 , 改 ,查 ,索引,切片,步长 ?? #列表的两种定义方式 name=["香蕉","西瓜",&quo

《Programming Hive》读书笔记（二）Hive基础知识

阅读方法:第一遍读是浏览,建立知识索引,因为有些知识不一定能用到,知道就好.感兴趣的部分可以多研究. 以后用的时候再详细看,并结合其他资料一起. Chapter 3.Data Types and File Formats 原始数据类型和集合数据类型 Select出来的数据,列与列之间的分隔符可以指定 Chapter 4.HiveQL:Data Definition 创建数据库,创建和改动表,分区的操作 Chapter 5.HiveQL:Data Manipulation 1 加载数据和导出数据,

Hive基础知识

一.Hive简介什么是Hive为什么使用Hive面临的问题:为什么要使用Hive:二.Hive结构三.Hive支持的格式四.表的操作创建表删除表清空表修改表修改字段名与字段类型增加列修改列的顺序删除列替换表修改字段顺序其他操作查看表信息查看建表信息查看格式信息改变表文件格式查看函数五.数据操作1.插入数据从文件读取数据从其他结果集插入2.分区和分桶创建分区表查看分区插入分区数据添加分区重命名分区删除分区分区使用分桶六.复合类型ArrayMap七.创建视图和索引以及数据缓存视图创建视图删除视图索引

《Programming Hive》读书笔记（两）Hive基础知识

:第一遍读是浏览.建立知识索引,由于有些知识不一定能用到,知道就好.感兴趣的部分能够多研究. 以后用的时候再具体看.并结合其它资料一起. Chapter 3.Data Types and File Formats 原始数据类型和集合数据类型 Select出来的数据,列与列之间的分隔符能够指定 Chapter 4.HiveQL:Data Definition 创建数据库,创建和修改表,分区的操作 Chapter 5.HiveQL:Data Manipulation 1 载入数据和导出数据,应该从本

计算机科学基础知识(四)动态库和位置无关代码

一.前言 本文主要描述了动态库以及和动态库有紧密联系的位置无关代码的相关资讯.首先介绍了动态库和位置无关代码的源由,了解这些背景知识有助于理解和学习动态库.随后,我们通过加-fPIC和不加这个编译选项分别编译出两个relocatable object file,看看编译器是如何生成位置无关代码的.最后,我们自己动手编写一个简单的动态库,并解析了一些symbol Visibility.动态符号表等一些相关基本概念. 本文中的描述是基于ARM MCU,GNU/linux平台而言的,本文是个人对动态库

KnockoutJS基础知识(四)

几乎所有Web应用程序都要和服务器端交换数据,交换数据时最方便的就是使用JSON格式.Knockout可以实现很复杂的客户端交互,对于前后端交互使用的技术最为基本且常用的是Ajax,本次利用Ajax和ko的双向绑定完成一些简单的功能,可以快速展示出ko的方便之处. Demo地址: https://gitee.com/530521314/koInstance.git 一.服务端返回数据绑定到客户端 1.准备好一些初始数据,直接通过View方法将视图实体返回到视图文件中. 2.前端设置为强类型,初始

hive 基础知识

hadoop hive 1)2007年hive出世, 2)2014hive0.13.0是非常的流行(先对来说比较稳定) 3)2015hive1.2.0(相对来说只不过是升级) 4)2016hive2.1.0(更新了很多的功能) 1.1hive元数据管理 1)通过hive对元数据进行建模加工,变成表的形式,建立数据仓库管理 2)建立一套类似于关系型数据库的形式,并不是存储在hive上,而是存储在关系型的数据库,而在hive现实中的元数据并不是存储在hadoop上 3)mysql是提供hive的存储

hive基础知识二

1. Hive的分区表 1.1 hive的分区表的概念 在文件系统上建立文件夹,把表的数据放在不同文件夹下面,加快查询速度. 1.2 hive分区表的构建 创建一个分区字段的分区表 hive> create table student_partition1( id int, name string, age int) partitioned by (dt string) row format delimited fields terminated by '\t'; 创建二级分区表 hive>