大数据基础面试题三：Hive

约定不等于承诺〃 2022-11-05 08:51 382阅读 0赞

# 大数据基础面试题三：Hive #

### 目录 ###

*  大数据基础面试题三：Hive
 *   *  六、Hive
     *   *  6.1 Hive的架构
         *  6.2 Hive和数据库比较
         *  6.3 内部表和外部表
         *  6.4 4个By区别
         *  6.5 系统函数
         *  6.6 自定义UDF、UDTF函数
         *  6.7 窗口函数
         *  6.8 Hive优化
         *  6.9 Hive解决数据倾斜方法
         *  6.10 Hive里边字段的分隔符用的什么？为什么用\\t？有遇到过字段里边有\\t的情况吗，怎么处理的？
         *  6.11 Tez引擎优点？
         *  6.12 MySQL元数据备份
         *  6.13 Union与Union all区别

## 六、Hive ##

### 6.1 Hive的架构 ###

Hive元数据默认存储在derby数据库，不支持多客户端访问，所以将元数据存储在MySQl，支持多客户端访问。  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80Mjc5NjQwMw_size_16_color_FFFFFF_t_70]

### 6.2 Hive和数据库比较 ###

Hive 和数据库除了拥有类似的查询语言，再无类似之处。

1）数据存储位置  
Hive 存储在 HDFS 。数据库将数据保存在块设备或者本地文件系统中。

2）数据更新  
Hive中不建议对数据的改写。而数据库中的数据通常是需要经常进行修改的，

3）执行延迟  
Hive 执行延迟较高。数据库的执行延迟较低。当然，这个是有条件的，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候，Hive的并行计算显然能体现出优势。

4）数据规模  
Hive支持很大规模的数据计算；数据库可以支持的数据规模较小。

### 6.3 内部表和外部表 ###

元数据、原始数据

1）删除数据时：  
内部表：元数据、原始数据，全删除  
外部表：只删除元数据

2）在公司生产环境下，什么时候创建内部表，什么时候创建外部表？  
在公司中绝大多数场景都是外部表。  
自己使用的临时表，才会创建内部表；

### 6.4 4个By区别 ###

1）Order By：全局排序，只有一个Reducer；  
2）Sort By：分区内有序；  
3）Distrbute By：类似MR中Partition，进行分区，结合sort by使用。  
4） Cluster By：当Distribute by和Sorts by字段相同时，可以使用Cluster by方式。Cluster by除了具有Distribute by的功能外还兼具Sort by的功能。但是排序只能是升序排序，不能指定排序规则为ASC或者DESC。

在生产环境中Order By用的比较少，容易导致OOM。  
在生产环境中Sort By + Distrbute By用的多。

### 6.5 系统函数 ###

1）date\_add、date\_sub函数（加减日期）  
2）next\_day函数（周指标相关）  
3）date\_format函数（根据格式整理日期）  
4）last\_day函数（求当月最后一天日期）  
5）collect\_set函数  
6）get\_json\_object解析json函数  
7）NVL（表达式1，表达式2）  
如果表达式1为空值，NVL返回值为表达式2的值，否则返回表达式1的值。

### 6.6 自定义UDF、UDTF函数 ###

**1）在项目中是否自定义过UDF、UDTF函数，以及用他们处理了什么问题，及自定义步骤？**

（1）用UDF函数解析公共字段；用UDTF函数解析事件字段。  
（2）自定义UDF：继承UDF，重写evaluate方法  
（3）自定义UDTF：继承自GenericUDTF，重写3个方法：initialize(自定义输出的列名和类型)，process（将结果返回forward(result)），close

**2）为什么要自定义UDF/UDTF？**

因为自定义函数，可以自己埋点Log打印日志，出错或者数据异常，方便调试。

### 6.7 窗口函数 ###

**1）Rank**

（1）RANK() 排序相同时会重复，总数不会变  
（2）DENSE\_RANK() 排序相同时会重复，总数会减少  
（3）ROW\_NUMBER() 会根据顺序计算

**2） OVER()：指定分析函数工作的数据窗口大小，这个数据窗口大小可能会随着行的变而变化**

（1）CURRENT ROW：当前行  
（2）n PRECEDING：往前n行数据  
（3） n FOLLOWING：往后n行数据  
（4）UNBOUNDED：起点，UNBOUNDED PRECEDING 表示从前面的起点， UNBOUNDED FOLLOWING表示到后面的终点  
（5） LAG(col,n)：往前第n行数据  
（6）LEAD(col,n)：往后第n行数据  
（7） NTILE(n)：把有序分区中的行分发到指定数据的组中，各个组有编号，编号从1开始，对于每一行，NTILE返回此行所属的组的编号。注意：n必须为int类型。

**3）手写TopN**

### 6.8 Hive优化 ###

**1）MapJoin**

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。

**2）行列过滤**

列处理：在SELECT中，只拿需要的列，如果有，尽量使用分区过滤，少用SELECT \*。  
行处理：在分区剪裁中，当使用外关联时，如果将副表的过滤条件写在Where后面，那么就会先全表关联，之后再过滤。

**3）列式存储**

**4）采用分区技术**

**5）合理设置Map数**

mapred.min.split.size: 指的是数据的最小分割单元大小；min的默认值是1B  
mapred.max.split.size: 指的是数据的最大分割单元大小；max的默认值是256MB  
通过调整max可以起到调整map数的作用，减小max可以增加map数，增大max可以减少map数。  
需要提醒的是，直接调整mapred.map.tasks这个参数是没有效果的。  
https://www.cnblogs.com/swordfall/p/11037539.html

**6）合理设置Reduce数**

Reduce个数并不是越多越好  
（1）过多的启动和初始化Reduce也会消耗时间和资源；  
（2）另外，有多少个Reduce，就会有多少个输出文件，如果生成了很多个小文件，那么如果这些小文件作为下一个任务的输入，则也会出现小文件过多的问题；

在设置Reduce个数的时候也需要考虑这两个原则：处理大数据量利用合适的Reduce数；使单个Reduce任务处理数据量大小要合适；

**7）小文件如何产生的？**

（1）动态分区插入数据，产生大量的小文件，从而导致map数量剧增；  
（2）reduce数量越多，小文件也越多（reduce的个数和输出文件是对应的）；  
（3）数据源本身就包含大量的小文件。

**8）小文件解决方案**

（1）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。

（2）merge

// 输出合并小文件
    SET hive.merge.mapfiles = true; -- 默认true，在map-only任务结束时合并小文件
    SET hive.merge.mapredfiles = true; -- 默认false，在map-reduce任务结束时合并小文件
    SET hive.merge.size.per.task = 268435456; -- 默认256M
    SET hive.merge.smallfiles.avgsize = 16777216; -- 当输出文件的平均大小小于16m该值时，启动一个独立的map-reduce任务进行文件merge

（3）开启JVM重用

set mapreduce.job.jvm.numtasks=10

**9）开启map端combiner（不影响最终业务逻辑的前提下）**

set hive.map.aggr=true；

**10）压缩（选择快的）**

设置map端输出、中间结果压缩。（不完全是解决数据倾斜的问题，但是减少了IO读写和网络传输，能提高很多效率）

set hive.exec.compress.intermediate=true --启用中间数据压缩
    set mapreduce.map.output.compress=true --启用最终数据压缩
    set mapreduce.map.outout.compress.codec=…; --设置压缩方式

**11）采用tez引擎或者spark引擎**

### 6.9 Hive解决数据倾斜方法 ###

**1）数据倾斜长啥样？**  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80Mjc5NjQwMw_size_16_color_FFFFFF_t_70 1]  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80Mjc5NjQwMw_size_16_color_FFFFFF_t_70 2]

**2）怎么产生的数据倾斜？**

（1）不同数据类型关联产生数据倾斜

> 情形：比如用户表中user\_id字段为int，log表中user\_id字段string类型。当按照user\_id进行两个表的Join操作时。  
> 解决方式：把数字类型转换成字符串类型  
> select \* from users a  
> left outer join logs b  
> on a.usr\_id = cast(b.user\_id as string)  
> bug记录：https://www.jianshu.com/p/2181e00d74dc

（2）控制空值分布

> 在生产环境经常会用大量空值数据进入到一个reduce中去，导致数据倾斜。  
> 解决办法：  
> 自定义分区，将为空的key转变为字符串加随机数或纯随机数，将因空值而造成倾斜的数据分不到多个Reducer。  
> 注意：对于异常值如果不需要的话，最好是提前在where条件里过滤掉，这样可以使计算量大大减少

**3）解决数据倾斜的方法？**

（1）group by

> 注：group by 优于distinct group  
> 解决方式：采用sum() group by的方式来替换count(distinct)完成计算。

（2）mapjoin

（3）开启数据倾斜时负载均衡

set hive.groupby.skewindata=true;

思想：就是先随机分发并处理，再按照key group by来分发处理。

操作：当选项设定为true，生成的查询计划会有两个MRJob。

第一个MRJob中，Map的输出结果集合会随机分布到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GroupBy 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MRJob再根据预处理的数据结果按照GroupBy Key分布到Reduce中（这个过程可以保证相同的原始GroupBy Key被分布到同一个Reduce中），最后完成最终的聚合操作。

> 点评：它使计算变成了两个mapreduce，先在第一个中在shuffle过程partition时随机给 key打标记，使每个key随机均匀分布到各个reduce上计算，但是这样只能完成部分计算，因为相同key没有分配到相同reduce上。  
> 所以需要第二次的mapreduce，这次就回归正常shuffle，但是数据分布不均匀的问题在第一次mapreduce已经有了很大的改善，因此基本解决数据倾斜。因为大量计算已经在第一次mr中随机分布到各个节点完成。

（4）设置多个reduce个数

### 6.10 Hive里边字段的分隔符用的什么？为什么用\\t？有遇到过字段里边有\\t的情况吗，怎么处理的？ ###

hive 默认的字段分隔符为ascii码的控制符\\001（^A）,建表的时候用fields terminated by ‘\\001’。注意：如果采用\\t或者\\001等为分隔符，需要要求前端埋点和javaEE后台传递过来的数据必须不能出现该分隔符，通过代码规范约束。一旦传输过来的数据含有分隔符，需要在前一级数据中转义或者替换（ETL）。

可以设置参数（导入HDFS同样有效）：  
–hive-drop-import-delims 导入到hive时删除 \\n, \\r, \\001  
–hive-delims-replacement 导入到hive时用自定义的字符替换掉 \\n, \\r, \\001

*  字段包含分隔符存在的问题：  
    ![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80Mjc5NjQwMw_size_16_color_FFFFFF_t_70 3]
 *  添加参数的效果：  
    ![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80Mjc5NjQwMw_size_16_color_FFFFFF_t_70 4]
 *  在Hive表里的体现：  
    ![在这里插入图片描述][20210304234724645.png]

### 6.11 Tez引擎优点？ ###

Tez可以将多个有依赖的作业转换为一个作业，这样只需写一次HDFS，且中间节点较少，从而大大提升作业的计算性能。

Mr/tez/spark区别：

Mr引擎：多job串联，基于磁盘，落盘的地方比较多。虽然慢，但一定能跑出结果。一般处理，周、月、年指标。

Spark引擎：虽然在Shuffle过程中也落盘，但是并不是所有算子都需要Shuffle，尤其是多算子过程，中间过程不落盘 DAG有向无环图。 兼顾了可靠性和效率。一般处理天指标。

Tez引擎：完全基于内存。 注意：如果数据量特别大，慎重使用。容易OOM。一般用于快速出结果，数据量比较小的场景。

### 6.12 MySQL元数据备份 ###

**1）MySQL之元数据备份（项目中遇到的问题）**

元数据备份（重点，如数据损坏，可能整个集群无法运行，至少要保证每日零点之后备份到其它服务器两个复本）  
Keepalived或者用mycat

**2）MySQL utf8超过字节数问题**

MySQL的utf8编码最多存储3个字节，当数据中存在表情号、特色符号时会占用超过3个字节数的字节，那么会出现错误 Incorrect string value: ‘\\xF0\\x9F\\x91\\x91\\xE5\\xB0…’  
解决办法：将utf8修改为utf8mb4  
首先修改库的基字符集和数据库排序规则  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80Mjc5NjQwMw_size_16_color_FFFFFF_t_70 5]

再使用 SHOW VARIABLES LIKE ‘%char%’; 命令查看参数  
![在这里插入图片描述][20210304234838490.png]

确保这几个参数的value值为utf8mb4 如果不是使用set命令修改  
如：set character\_set\_server = utf8mb4;

### 6.13 Union与Union all区别 ###

1）union会将联合的结果集去重，效率较union all差

2）union all不会对结果集去重，所以效率高

[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80Mjc5NjQwMw_size_16_color_FFFFFF_t_70]: /images/20221023/b4eb1c406a3f4a74abca2765361acea2.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80Mjc5NjQwMw_size_16_color_FFFFFF_t_70 1]: /images/20221023/72cc3383162346c2bc7e1122e6a8e870.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80Mjc5NjQwMw_size_16_color_FFFFFF_t_70 2]: /images/20221023/7c8ecb4b57ef46489cf8cee8e41629be.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80Mjc5NjQwMw_size_16_color_FFFFFF_t_70 3]: /images/20221023/2a440fe7d660418494a6cee146a366bc.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80Mjc5NjQwMw_size_16_color_FFFFFF_t_70 4]: /images/20221023/0bdb5130adca44b397701eb3a1228005.png
[20210304234724645.png]: /images/20221023/7bc7429405ab4be9bb0c34a83f7f8491.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80Mjc5NjQwMw_size_16_color_FFFFFF_t_70 5]: /images/20221023/0f6a58e6cea34f08bc2312adf65c6f46.png
[20210304234838490.png]: /images/20221023/9a74fa6234c64a909287dfc53c80b6f2.png