Hive面试题汇总大全

1 什么是hive？

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

1）Hive 处理的数据存储在HDFS
2）Hive 分析数据底层的实现是MapReduce
3）执行程序运行在Yarn 上

2 Hive的优缺点

优点：

1 操作接口采用类SQL 语法，提供快速开发的能力（简单、容易上手）。
2 避免了去写MapReduce，减少开发人员的学习成本。
3 Hive 的执行延迟比较高，因此Hive 常用于数据分析，对实时性要求不高的场合。
4 Hive 优势在于处理大数据，对于处理小数据没有优势，因为Hive 的执行延迟比较高。
5 Hive 支持用户自定义函数，用户可以根据自己的需求来实现自己的函数。

缺点：

1 Hive 的HQL 表达能力有限
（1）迭代式算法无法表达
（2）数据挖掘方面不擅长
2 Hive 的效率比较低
（1）Hive 自动生成的MapReduce 作业，通常情况下不够智能化
（2）Hive 调优比较困难，粒度较粗

Hive 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；
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 通过给用户提供的一系列交互接口，接收到用户的指令(SQL)，使用自己的Driver，结合元数据(MetaStore)，将这些指令翻译成MapReduce，提交到Hadoop 中执行，最后，将执行返回的结果输出到用户交互接口。

Hive和数据库比较

由于 Hive 采用了类似SQL 的查询语言 HQL(Hive Query Language)，因此很容易将 Hive 理解为数据库。其实从结构上来看，Hive 和数据库除了拥有类似的查询语言，再无类似之处。本文将从多个方面来阐述 Hive 和数据库的差异。数据库可以用在 Online 的应用中，但是Hive 是为数据仓库而设计的，清楚这一点，有助于从应用角度理解 Hive 的特性。

1 查询语言
由于SQL 被广泛的应用在数据仓库中，因此，专门针对Hive 的特性设计了类SQL 的查询语言 HQL 。熟悉 SQL 开发的开发者可以很方便的使用 Hive 进行开发。
2 数据存储位置
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。
3 数据更新
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。
4 索引
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。
5 执行
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。
6 执行延迟
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候， Hive 的并行计算显然能体现出优势。
7 可扩展性
由于 Hive 是建立在 Hadoop 之上的，因此 Hive 的可扩展性是和 Hadoop 的可扩展性是。一致的（世界上最大的 Hadoop 集群在 Yahoo! 2009 年的规模在 4000 台节点左右）。而数据库由于 ACID 语义的严格限制，扩展行非常有限。目前最先进的并行数据库 Oracle 在理论上的扩展能力也只有 100 台左右。
8 数据规模
由于Hive 建立在集群上并可以利用 MapReduce 进行并行计算，因此可以支持很大规模的数据；对应的，数据库可以支持的数据规模较小。

Hive数据类型

基本数据类型
-

Hive 管理表和外部表

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/ 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
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。

Hive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 子句中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。

Hive排序

全局排序（Order by）
Order By：全局排序，一个Reducer
ASC: 升序（默认）
DESC: 降序
内部排序(Sort by)
每个 Reducer 内部进行排序，对全局结果集来说不是排序。
分区排序（Distribute By）
类似 MR 中 partition ，进行分区，结合 sort by 使用。
注意： Hive 要求 DISTRIBUTE BY 语句要写在 SORT BY 语句之前。
对于 distribute by 进行测试，一定要分配多 reduce 进行处理，否则无法看到 distribute by的效果。
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。
以下两种写法等价:
hive (default)> select * from emp cluster by deptno;
hive (default)> select * from emp distribute by deptno sort by deptno;
注意：按照部门编号分区，不一定就是固定死的数值，可以是20 号和30 号部门分到一个分区里面去。

Hive分桶

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干部分的另一个技术。

分桶抽样查询

对于非常大的数据集，有时用户需要使用的是一个具有代表性的查询结果而不是全部结果。 Hive 可以通过对表进行抽样来满足这个需求。查询表stu_buck 中的数据。
hive (default)> select * from stu_buck tablesample(buck et 1 out of 4 on id);
注：tablesample 是抽样语句，语法： TABLESAMPLE(BUCKET x OUT OF y) 。
y必须是 table 总 bucket 数的倍数或者因子。 hive 根据 y 的大小，决定抽样的比例。例如， table 总共分了 4 份，当 y=2 时，抽取 (4/2=)2 个 bucket 的数据，当 y=8 时，抽取 (4/8=)1/2个 bucket 的数据。
x表示从哪个 bucket 开始抽取，如果需要取多个分区，以后的分区号为当前分区号加上y 。例如， table 总 bucket 数为 4 ta blesample(bucket 1 out of 2 ))，表示总共抽取 4/ 2 2 个bucket 的数据，抽取第 1 x) 个和第 3 (x +y 个 bucket 的数据。
注意：
x 的值必须小于等于 y 的值，否则FAILED: SemanticException [Error 10061]: Numerator should not be bigger than
denominator in sample clause for table stu_buck

Hive调优

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 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 。
本地模式
大多数的Hadoop Job 是需要 Hadoop 提供的完整的可扩展性来处理大数据集的。不过，有时 Hive 的输入数据量是非常小的。在这种情况下，为查询触发执行任务消耗的时间可能会比实际 job 的执行时间要多的多。对于大多数这种情况， Hive 可以通过本地模式在单台机器上处理所有的任务。对于小数据集，执行时间可以明显被缩短。用户可以通过设置hive.exec.mode.local.auto 的值为 true ，来让 Hive 在适当的时候自动
启动这个优化。