hive簡介

hive是基于Hadoop的一個數(shù)據(jù)倉庫工具，用來進行數(shù)據(jù)提取、轉(zhuǎn)化、加載，這是一種可以存儲、查詢和分析存儲在Hadoop中的大規(guī)模數(shù)據(jù)的機制。hive數(shù)據(jù)倉庫工具能將結(jié)構(gòu)化的數(shù)據(jù)文件映射為一張數(shù)據(jù)庫表，并提供SQL查詢功能，能將SQL語句轉(zhuǎn)變成MapReduce任務(wù)來執(zhí)行。Hive的優(yōu)點是學習成本低，可以通過類似SQL語句實現(xiàn)快速MapReduce統(tǒng)計，使MapReduce變得更加簡單，而不必開發(fā)專門的MapReduce應(yīng)用程序。hive十分適合對數(shù)據(jù)倉庫進行統(tǒng)計分析。 [1]

1.外部表

當文件已經(jīng)存在或位于遠程位置時，我們可以使用外部表，外部表的存儲由自己指定。

特點：刪除表，數(shù)據(jù)依然存在

建表語句

CREATE EXTERNAL TABLE tmp_xx(id int,name String);

2.內(nèi)部表

hive管理控制表的整個生命周期，存儲位置在hive.metastore.warehouse.dir目錄下。

特點：刪除表時，數(shù)據(jù)也被刪除

建表語句

CREATE TABLE tmp_xx(id int,name String);

3.分區(qū)表

把一個表的數(shù)據(jù)以分區(qū)字段的值作為目錄去存儲。

特點：

• 縮小了硬盤掃描數(shù)據(jù)的區(qū)域，減少磁盤IO
• 將表數(shù)據(jù)存儲在多個分區(qū)目錄，便于獨立管理(創(chuàng)建，刪除)數(shù)據(jù)

存儲結(jié)構(gòu)如下

1.靜態(tài)分區(qū)

在執(zhí)行前就知道分區(qū)的值

• 可以根據(jù)PARTITIONED BY創(chuàng)建分區(qū)表，一個表可以擁有一個或者多個分區(qū)，每個分區(qū)以文件夾的形式單獨存在表文件夾的目錄下。
• 分區(qū)是以字段的形式在表結(jié)構(gòu)中存在，通過describe table命令可以查看到字段存在，但是該字段不存放實際的數(shù)據(jù)內(nèi)容，僅僅是分區(qū)的表示。
• 分區(qū)建表分為2種，一種是單分區(qū)，也就是說在表文件夾目錄下只有一級文件夾目錄。另外一種是多分區(qū)，表文件夾下出現(xiàn)多文件夾嵌套模式。

單分區(qū)相關(guān)語法

#單分區(qū)表創(chuàng)建
CREATE TABLE tmp_xx(id int,name String) partitioned by (d string);
 
#添加分區(qū)
ALTER TABLE tmp_partition ADD IF NOT EXISTS PARTITION (d='20220628')
 
#刪除分區(qū)
ALTER TABLE tmp_partition DROP IF EXISTS PARTITION (d='20220628')
 
#數(shù)據(jù)寫入
INSERT OVERWRITE TABLE tmp_xx PARTITION (d='20220629')
SELECT id, name FROM tmp_yy limit 10;
 
#查看分區(qū)數(shù)據(jù)
select * from tmp_xx where d='20220629'
 
#查看表分區(qū)
show partitions table;
 
#查看目錄
hadoop dfs -du -h /user/hive/warehouse/tmp_xxx

多分區(qū)相關(guān)語法

#多分區(qū)表創(chuàng)建
CREATE TABLE tmp_xx(id int,name String) partitioned by (d String,h String);
 
#數(shù)據(jù)寫入
INSERT OVERWRITE TABLE tmp_xx PARTITION (d='20220629',h='15')
SELECT id, name FROM tmp_yy limit 10;
 
#查看分區(qū)數(shù)據(jù)
select * from tmp_xx where d='20220629' and h='15'

2.動態(tài)分區(qū)

執(zhí)行時才知道分區(qū)的值，相比于靜態(tài)分區(qū)可以一次寫入多個分區(qū)數(shù)據(jù)，而不用在每次分區(qū)寫入的時候一次執(zhí)行多次insert，其他的地方和靜態(tài)分區(qū)都是一樣的。

官方文檔：https://cwiki.apache.org/confluence/display/Hive/DynamicPartitions

特點:

• 在INSERT … SELECT …查詢中，必須在SELECT語句中的列中最后指定動態(tài)分區(qū)列，并按PARTITION（）子句中出現(xiàn)的順序進行排列
• 如果動態(tài)分區(qū)和靜態(tài)分區(qū)一起使用，必須是靜態(tài)分區(qū)的字段在前，動態(tài)分區(qū)的字段在后。

想要使用動態(tài)分區(qū)需要hive開啟動態(tài)分區(qū)，參數(shù)如下

set hive.exec.dynamic.partition=true;   --開啟動態(tài)分區(qū) 默認為false，不開啟
set hive.exec.dynamic.partition.mode=nonstrict; --指定動態(tài)分區(qū)模式，默認為strict
 
下面參數(shù)可選
SET hive.exec.max.dynamic.partitions=2048; 
SET hive.exec.max.dynamic.partitions.pernode=256; 
SET hive.exec.max.created.files=10000; 
SET hive.error.on.empty.partition=true;

語法：

#寫入數(shù)據(jù)
INSERT overwrite TABLE tmp_partition PARTITION(d)
SELECT id,NAME,d FROM tmp_xxx
 
#寫入多分區(qū)數(shù)據(jù)
INSERT overwrite TABLE tmp_partition PARTITION(d,h)
SELECT id,NAME,d,h FROM tmp_xxx
 
#混合分區(qū)使用,使用動態(tài)分區(qū)和靜態(tài)分區(qū)，靜態(tài)分區(qū)必須在前
INSERT overwrite TABLE tmp_partition PARTITION(d='20220629',h)
SELECT id,NAME,h FROM tmp_xxx

4.分桶表

對比分區(qū)表，分桶表是對數(shù)據(jù)進行更加細粒度的劃分。一般用的比較少，在數(shù)據(jù)量比較小的時候使用分桶表可能性能更差。

分桶表將整個數(shù)據(jù)內(nèi)容按照分桶字段的哈希值進行區(qū)分，使用該哈希值除以桶的個數(shù)得到取余數(shù)，bucket_id = column.hashcode % bucket.num，余數(shù)決定了該條記錄會被分在哪個桶中。余數(shù)相同的記錄會分在一個桶里。需要注意的是，在物理結(jié)構(gòu)上，一個桶對應(yīng)一個文件，而分區(qū)表只是一個目錄，至于目錄下有多少數(shù)據(jù)是不確定的。

分桶表和分區(qū)表的區(qū)別

想要使用分桶表需要開啟分桶機制，默認開啟

set hive.enforce.bucketing=true

建表

CREATE TABLE tmp_bucket(id INT,NAME STRING) clustered BY (id) INTO 4 buckets

寫入數(shù)據(jù)之后查看文件結(jié)構(gòu)，發(fā)現(xiàn)表文件夾下有4個文件，說明分桶成功

1.抽樣

#建表
select columns from table tablesample(bucket x out of y on column);
-- x：表示從第幾個分桶進行抽樣
-- y：表示每隔幾個分桶取一個分桶，y必須為表bucket的整數(shù)倍或者因子
 
#從分桶表的建表語句中可知，我們一共分了4個桶，所以我們這里x取1，y取2
一共抽取2(4/2)個桶，從第一個桶開始，每隔2個桶抽取一次，即第一個桶和
第三個桶。
SELECT id,NAME FROM tmp_bucket tablesample(bucket 1 OUT of 2 ON id) LIMIT 10

2.map-side join

獲得更高的查詢處理效率。桶為表加上了額外的結(jié)構(gòu)，Hive 在處理有些查詢時能利用這個結(jié)構(gòu)。

具體而言，連接兩個在（包含連接列的）相同列上劃分了桶的表，可以使用 Map 端連接 （Map-side join）高效的實現(xiàn)。比如JOIN操作。對于JOIN操作兩個表有一個相同的列，如果對這兩個表都進行了桶操作。那么將保存相同列值的桶進行JOIN操作就可以，可以大大較少JOIN的數(shù)據(jù)量。

需要注意的是這種方式只適用于大表，小表不適用，表的大小至少得幾個G或幾個T，此功能未做測試。

5.表的文件存儲格式

• STORED AS 指定表的文件存儲格式默認TEXT FILE（文本文件）格式存儲,
• 默認存儲格式可通過hive.default.fileformat配置修改
• 其它常用存儲格式 Parquet(列式)，Avro，ORC(列式)，Sequence File，INPUT FORMAT & OUTPUT FORMAT (二進制)

1.TEXTFILE

STORED AS INPUTFORMAT                              
   'org.apache.hadoop.mapred.TextInputFormat'       
 OUTPUTFORMAT                                       
   'org.apache.hadoop.hive.ql.io.HiveIgnoreKeyTextOutputFormat'

純文本文件存儲，TEXTFILE默認是hive的默認存儲方式，用戶可以通過配置 hive.default.fileformat 來修改。

在HDFS上可直接查看數(shù)據(jù)，可結(jié)合Gzip、Bzip2使用（系統(tǒng)自動檢查，執(zhí)行查詢時自動解壓），但是使用這種方式，hive不會對數(shù)據(jù)進行切分，無法對數(shù)據(jù)進行并行操作。

存儲方式：行存儲

優(yōu)勢：可使用任意的分割符進行分割；在hdfs上可查可標記；加載速度較快；

劣勢：不會對數(shù)據(jù)進行壓縮處理，存儲空間較大、磁盤開銷大、數(shù)據(jù)解析開銷大。

2.SEQUENCEFILE

STORED AS INPUTFORMAT
  'org.apache.hadoop.mapred.SequenceFileInputFormat'
  OUTPUTFORMAT
  'org.apache.hadoop.mapred.SequenceFileOutputFormat'

存儲為壓縮的序列化文件。是hadoop中的標準序列化文件,可壓縮，可分塊。SequenceFile是一個由二進制序列化過的key/value的字節(jié)流組成的文本存儲文件，它可以在map/reduce過程中的input/output 的format時被使用。

SequenceFile 有三種壓縮態(tài)：

• Uncompressed – 未進行壓縮的狀
• record compressed - 對每一條記錄的value值進行了壓縮（文件頭中包含上使用哪種壓縮算法的信息）
• block compressed – 當數(shù)據(jù)量達到一定大小后，將停止寫入進行整體壓縮，整體壓縮的方法是把所有的keylength,key,vlength,value 分別合在一起進行整體壓縮，塊的壓縮效率要比記錄的壓縮效率高 hive中通過設(shè)置SET mapred.output.compression.type=BLOCK;來修改SequenceFile壓縮方式。

存儲方式：行存儲

優(yōu)勢：存儲時候會對數(shù)據(jù)進行壓縮處理，存儲空間??；支持文件切割分片；查詢速度比TestFile速度快；

劣勢：無法可視化展示數(shù)據(jù)；不可以直接使用load命令對數(shù)據(jù)進行加載；自身的壓縮算法占用一定的空間

3.RCFILE

STORED AS INPUTFORMAT
  'org.apache.hadoop.hive.ql.io.RCFileInputFormat'
  OUTPUTFORMAT
  'org.apache.hadoop.hive.ql.io.RCFileOutputFormat'

文件存儲方式為二進制文件。以RcFile文件格式存儲的表也會對數(shù)據(jù)進行壓縮處理，在HDFS上以二進制格式存儲，不可直接查看。

RCFILE是一種行列存儲相結(jié)合的存儲方式，該存儲結(jié)構(gòu)遵循的是“先水平劃分，再垂直劃分”的設(shè)計里面。首先，將數(shù)據(jù)按行分塊形成行組，這樣可以使同一行的數(shù)據(jù)在一個節(jié)點上。然后，把行組內(nèi)的數(shù)據(jù)列式存儲，將列維度的數(shù)據(jù)進行壓縮，并提供了一種lazy解壓技術(shù)。

Rcfile在進行數(shù)據(jù)讀取時會順序處理HDFS塊中的每個行組，讀取行組的元數(shù)據(jù)頭部和給定查詢需要的列，將其加載到內(nèi)存中并進行解壓，直到處理下一個行組。但是，rcfile不會解壓所有的加載列，解壓采用lazy解壓技術(shù)，只有滿足where條件的列才會被解壓，減少了不必要的列解壓。

在rcfile中每一個行組的大小是可變的，默認行組大小為4MB。行組變大可以提升數(shù)據(jù)的壓縮效率，減少并發(fā)存儲量，但是在讀取數(shù)據(jù)時會占用更多的內(nèi)存，可能影響查詢效率和其他的并發(fā)查詢。用戶可根據(jù)具體機器和自身需要調(diào)整行組大小。

存儲方式：行列混合的存儲格式，將相近的行分塊后，每塊按列存儲。

優(yōu)勢：基于列存儲，壓縮快且效率更高，；占用的磁盤存儲空間小，讀取記錄時涉及的block少，IO小；查詢列時，讀取所需列只需讀取列所在塊的頭部定義，讀取速度快（在讀取全量數(shù)據(jù)時，性能與Sequence沒有明顯區(qū)別）；

劣勢：無法可視化展示數(shù)據(jù)；導入數(shù)據(jù)時耗時較長；不能直接使用load命令對數(shù)據(jù)進行加載；自身的壓縮算法占用一定空間，但比SequenceFile所占空間稍??；

4.ORC

ROW FORMAT SERDE
  'org.apache.hadoop.hive.ql.io.orc.OrcSerde'
  STORED AS INPUTFORMAT
  'org.apache.hadoop.hive.ql.io.orc.OrcInputFormat'
  OUTPUTFORMAT
  'org.apache.hadoop.hive.ql.io.orc.OrcOutputFormat'

ORC （Optimized Record Columnar）是RC File 的改進，主要在壓縮編碼、查詢性能上進行了升級; ORC具備一些高級特性，如：update操作，支持ACID，支持struct、array復雜類型。Hive1.x版本后支持事務(wù)和update操作，就是基于ORC實現(xiàn)的（目前其他存儲格式暫不支持）。

存儲方式：按行組分割整個表，行組內(nèi)進行列式存儲。數(shù)據(jù)按行分塊，每塊按照列存儲

文件結(jié)構(gòu)：

首先做一些名詞注釋：

ORC文件：保存在文件系統(tǒng)上的普通二進制文件，一個ORC文件中包含多個stripe，每個stripe包含多條記錄，這些記錄按照列進行獨立存儲。

文件級元數(shù)據(jù)：包括文件的描述信息postscript、文件meta信息（包括整個文件的統(tǒng)計信息）、所有的stripe的信息和schema信息。

Stripe：一組行形成一個stripe，每次讀取文件是以行組為單位的，一般為hdfs的塊大小，保存了每一列的索引和數(shù)據(jù)。

Stripe元數(shù)據(jù)：保存stripe的位置、每個列在該stripe的統(tǒng)計信息以及所有的stream類型和位置。

Row group：索引的最小單位，一個stripe中包含多個row group，默認為10000個值組成。

Stream：一個stream表示文件中的一段有效的數(shù)據(jù)，包括索引和數(shù)據(jù)。索引stream保存每一個row group的位置和統(tǒng)計信息，數(shù)據(jù)stream包括多種類型的數(shù)據(jù)，具體情況由該列類型和編碼方式?jīng)Q定。

在ORC文件中保存了三個層級的統(tǒng)計信息，分別為文件級別、stripe級別和row group級別，他們可以根據(jù)下發(fā)的搜索參數(shù)判斷是否可以跳過某些數(shù)據(jù)。在這些統(tǒng)計信息中包含成員數(shù)和是否有null值，且對不同類型的數(shù)據(jù)設(shè)置了特定統(tǒng)計信息。

ORC的文件結(jié)構(gòu)如下：

文件級別：

在ORC文件的末尾記錄了文件級別的統(tǒng)計信息，包括整個文件的列統(tǒng)計信息。這些信息主要是用于查詢的優(yōu)化，也可以為一些簡單的聚合查詢?nèi)鏼ax、min、sum輸出結(jié)果。

Stripe級別：

保留行級別的統(tǒng)計信息，用于判斷該Stripe中的記錄是否符合where中的條件，是否需要被讀取。

Row group級別：

進一步避免讀取不必要的數(shù)據(jù)，在邏輯上將一個column的index分割成多個index組（默認為10000，可配置）。以這些index記錄為一個組，對數(shù)據(jù)進行統(tǒng)計。在查詢時可根據(jù)組級別的統(tǒng)計信息過濾掉不必要的數(shù)據(jù)。

優(yōu)勢：具有很高的壓縮比，且可切分；由于壓縮比高，在查詢時輸入的數(shù)據(jù)量小，使用的task減少，所以提升了數(shù)據(jù)查詢速度和處理性能；每個task只輸出單個文件，減少了namenode的負載壓力；在ORC文件中會對每一個字段建立一個輕量級的索引，如：row group index、bloom filter index等，可以用于where條件過濾；可使用load命令加載，但加載后select * from xx；無法讀取數(shù)據(jù)；查詢速度比rcfile快；支持復雜的數(shù)據(jù)類型；

劣勢：無法可視化展示數(shù)據(jù)；讀寫時需要消耗額外的CPU資源用于壓縮和解壓縮，但消耗較少；對schema演化支持較差；

5.Parquet

ROW FORMAT SERDE
  'org.apache.hadoop.hive.ql.io.parquet.serde.ParquetHiveSerDe'
  STORED AS INPUTFORMAT
  'org.apache.hadoop.hive.ql.io.parquet.MapredParquetInputFormat'
  OUTPUTFORMAT
  'org.apache.hadoop.hive.ql.io.parquet.MapredParquetOutputFormat'

Parquet 最初的設(shè)計動機是存儲嵌套式數(shù)據(jù),，比如Protocolbuffer，thrift，json等，將這類數(shù)據(jù)存儲成列式格式，以方便對其高效壓縮和編碼，且使用更少的IO操作取出需要的數(shù)據(jù)?？偟膩碚fParquet與orc相比的主要優(yōu)勢是對嵌套結(jié)構(gòu)的支持，orc的多層級嵌套表達復雜底層未采用google dremel類似實現(xiàn)，性能和空間損失較大。

存儲方式：列式存儲

優(yōu)勢：具有高效壓縮和編碼，是使用時有更少的IO取出所需數(shù)據(jù)，速度比ORC快；其他方面類似于ORC；

劣勢：不支持update；不支持ACID；不支持可視化展示數(shù)據(jù)

6.總結(jié)

需要查看到所存儲的具體數(shù)據(jù)內(nèi)容的小型查詢，可以采用默認文件格式textfile。不需要查看具體數(shù)據(jù)的小型查詢時可使用sequencefile文件格式。當用于大數(shù)據(jù)量的查詢時，可以使用rcfile、ORC、parquet，一般情況下推薦使用ORC,若字段數(shù)較多，不涉及到更新且取部分列查詢場景多的情況下建議使用parquet。

需要通過sqoop+hive與關(guān)系型數(shù)據(jù)庫交互時，import和export的hive表需要是textfile格式。如果需要操作的表不是此存儲格式，需要insert到textfile格式的表中再操作。

一、ORC與Parquet總結(jié)對比 1、orc不支持嵌套結(jié)構(gòu)(但可通過復雜數(shù)據(jù)類型如map<k,v>間接實現(xiàn))，parquet支持嵌套結(jié)構(gòu) 2、orc與hive的兼容性強，作為hive的常用存儲格式 3、orc相比parquet的存儲壓縮率較高,如下圖 4、orc導入數(shù)據(jù)和數(shù)據(jù)查詢的的速度比parquet快

5.表的行存儲格式(row format)

ROW FORMAT：控制文件數(shù)據(jù)和hive表中Row數(shù)據(jù)的轉(zhuǎn)換,有DELIMITED和SERDE兩種值,可以將ROW FORMAT看做FileFormat的功能支持或?qū)崿F(xiàn)，我們設(shè)置了FileFormat后，底層數(shù)據(jù)格式的轉(zhuǎn)換是依賴SerDe來做的。

DELIMITED：表示使用默認的LazySimpleSerDe類來處理數(shù)據(jù),一般用于用分隔符分隔的文本文，默認使用native Serde

SERDE：Serde是 Serializer/Deserializer的簡寫。hive使用Serde進行行對象的序列與反序列化。Hive使用SerDe讀取和寫入行對象。讀取就是hdfs文件反序列化成對象，寫入就是對象序列化存儲hdfs

read：HDFS files --> InputFileFormat --> <key, value> --> Deserializer --> Row object
write: row object --> Serializer --> <key, value> --> OutputFileFormat --> HDFS files

一般用于比較復雜格式的文本文件，比如JSON格式行、正則表達式可以匹配出的行,像訪問日志。

 6.表屬性

1.壓縮

1.為什么要壓縮

可以提高吞吐量和性能，大量減少磁盤存儲空間。同時壓縮也會減少文件在磁盤間的傳輸及IO消耗，但是壓縮和截壓縮會帶來額外的CPU開銷，但是可以節(jié)省更多的IO消耗和內(nèi)存使用。

2.壓縮常見的格式

3.壓縮性能比較

壓縮算法 原始文件大小 壓縮文件大小 壓縮速度 解壓速度

gzip 8.3GB 1.8GB 17.5MB/S 58MB/S

bzip2 8.3GB 1.1GB 2.4MB/S 9.5MB/S

lzo 8.3GB 2.9GB 49.3MB/S 74.6MB/S

tblproperties ('orc.compress'='snappy')
tblproperties ('parquet.compression'='snappy');

3）開啟MAP輸出階段壓縮 （1）開啟hive中間傳輸數(shù)據(jù)壓縮功能

hive (default)>set hive.exec.compress.intermediate=true;

（2）開啟mapreduce中map輸出壓縮功能

hive (default)>set mapreduce.map.output.compress=true;

（3）設(shè)置mapreduce中map輸出數(shù)據(jù)的壓縮方式

hive (default)>set mapreduce.map.output.compress.codec=

org.apache.hadoop.io.compress.SnappyCodec;

4）開啟REDUCE輸出階段壓縮，比map端壓縮事兒多 （1）開啟hive最終輸出數(shù)據(jù)壓縮功能

hive (default)>set hive.exec.compress.output=true;

（2）開啟mapreduce最終輸出數(shù)據(jù)壓縮

hive (default)>set mapreduce.output.fileoutputformat.compress=true;

（3）設(shè)置mapreduce最終數(shù)據(jù)輸出壓縮方式

hive (default)> set mapreduce.output.fileoutputformat.compress.codec =

org.apache.hadoop.io.compress.SnappyCodec;

（4）設(shè)置mapreduce最終數(shù)據(jù)輸出壓縮為塊壓縮

hive (default)> set mapreduce.output.fileoutputformat.compress.type=BLOCK;

在生產(chǎn)環(huán)境中，常用的HIVE存儲格式：列式存儲的orc和parquet

HIVE壓縮格式：冷數(shù)據(jù)-----gzip壓縮（壓縮比高，壓縮解壓縮速度高，不可切割）；

非冷數(shù)據(jù)------lzo（可切割）和snappy（不可切割）

LZO支持切片，Snappy不支持切片。 ORC和Parquet都是列式存儲。 ORC和Parquet 兩種存儲格式都是不能直接讀取的，一般與壓縮一起使用，可大大節(jié)省磁盤空間。 選擇：ORC文件支持Snappy壓縮，但不支持lzo壓縮，所以在實際生產(chǎn)中，使用Parquet存儲 + lzo壓縮的方式更為常見，這種情況下可以避免由于讀取不可分割大文件引發(fā)的數(shù)據(jù)傾斜。 但是，如果數(shù)據(jù)量并不大（預測不會有超大文件，若干G以上）的情況下，使用ORC存儲，snappy壓縮的效率還是非常高的。

ORC支持三種壓縮：ZLIB,SNAPPY,NONE。最后一種就是不壓縮，orc默認采用的是ZLIB壓縮。

Parquet支持的壓縮：UNCOMPRESSED、 SNAPPY、GZP和LZO，默認UNCOMPRESSED不壓縮

到此這篇關(guān)于hive常見表結(jié)構(gòu)的文章就介紹到這了,更多相關(guān)hive表結(jié)構(gòu)內(nèi)容請搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家！

最新評論