数据仓库工具hive面试题集锦

拼搏现实的明天。 2023-10-10 14:53 79阅读 0赞

大数据技术成为互联网发展的核心要素之一，想从事大数据开发需要掌握多种核心技术：**Hadoop、Hive、Storm、Spark、Scala等等。**

这些技术知识点已经成为大数据工程师，进入职场时面试中必备的考点。今天，和大家分享一些数据仓库工具hive相关的面试题！

**1. Hive 的join有几种方式，怎么实现join的？**

**有3种join方式：**

**① 在 reduce 端进行 join，最常用的 join 方式。**

**Map端的主要工作：**为来自不同表(文件)的 key/value 对打标签以区别不同来源的记录。然后用连接字段作为 key，其余部分和新加的标志作为 value，最后进行输出。

**reduce 端的主要工作：**在 reduce 端以连接字段作为 key 的分组已经完成，我们只需要在每一个分组当中将那些来源于不同文件的记录 (在 map 阶段已经打标志)分开，最后进行笛卡尔。

**② 在 map 端进行 join，使用场景：一张表十分小、一张表很大。**

在提交作业的时候先将小表文件放到该作业的 DistributedCache 中，然后从 DistributeCache 中取出该小表进行 join key / value 解释分割放到内存中(可以放大 Hash Map 等等容器中)。然后扫描大表，看大表中的每条记录的 join key /value 值是否能够在内存中找到相同 join key 的记录，如果有则直接输出结果。

③ SemiJoin，semijoin 就是左边连接是 reducejoin 的一种变种，在 map 端过滤掉一些数据，在网络传输过程中，只传输参与连接的数据，减少了 shuffle的网络传输量，其他和 reduce的思想是一样的。

实现：将小表中参与 join 的 key 单独抽取出来通过 DistributeCache 分发到相关节点，在 map 阶段扫描连接表，将 join key 不在内存 hashset 的纪录过滤掉，让参与 join 的纪录通过 shuffle 传输到 reduce 端进行 join，其他和 reduce join 一样。

**2. hive 内部表和外部表的区别？**

**内部表：**

建表时会在 hdfs 创建一个表的存储目录，增加分区的时候，会将数据复制到此location下，删除数据的时候，将表的数据和元数据一起删除。

**外部表：**

一般会建立分区，增加分区的时候不会将数据移到此表的 location下，删除数据的时候，只删除了表的元数据信息，表的数据不会删除。

**3. hive 是如何实现分区的？**

**建表语句：**

create table tablename (id) partitioned by (dt string)

**增加分区：**

alter table tablenname add partition (dt = ‘2016-03-06’)

**删除分区：**

alter table tablename drop partition (dt = ‘2016-03-06’)