---

一、什么是Hive，为什么要用Hive，你是如何理解Hive?

面试官往往一上来就一个“灵魂三连问”，很多没有提前准备好的小伙伴基本回答得都磕磕绊绊，效果不是很好。下面贴出菌哥的回答：

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数据库表，并提供类SQL查询功能(HQL)。「Hive本质是将SQL转换为MapReduce的任务进行运算。」

个人理解：hive存的是和hdfs的映射关系，hive是逻辑上的数据仓库，实际操作的都是hdfs上的文件，HQL就是用sql语法来写的mr程序。

二、介绍一下Hive的架构

• Hive可以通过CLI，JDBC和 ODBC 等客户端进行访问。除此之外，Hive还支持 WUI 访问
• Hive内部执行流程：解析器(解析SQL语句)、编译器(把SQL语句编译成MapReduce程序)、优化器(优化MapReduce程序)、执行器(将MapReduce程序运行的结果提交到HDFS)
• Hive的「元数据」保存在数据库中，如保存在MySQL，SQLServer，PostgreSQL，Oracle及Derby等数据库中。Hive中的元数据信息包含表名，列名，分区及其属性，表的属性(包括是否为外部表)，表数据所在目录等。
• Hive将大部分 HiveSQL语句转化为MapReduce作业提交到Hadoop上执行；少数HiveSQL语句不会转化为MapReduce作业，直接从DataNode上获取数据后按照顺序输出。

三、Hive和数据库比较

Hive 和 数据库 实际上并没有可比性，除了拥有类似的查询语言，再无类似之处。

• 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。

• 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。

• 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。

• 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。

四、了解和使用过哪些Hive函数

这个可以回答的内容就非常多了

例如常见的关系函数 =，<>，，

日期函数to_date，year，second，weekofyear，datediff，

条件函数IF，CASE，NVL

字符串函数length，reverse，concat....

更多的基本函数不一一列举了，感觉面试官更想听的是开窗函数，例如：rank，row_number，dense_rank...

而开窗函数的使用可以说是大数据笔试的热门考点，所以说嘛，你们都懂得~

五、内部表和外部表的区别，以及各自的使用场景

这个感觉出现的频率也很高，基本在面试中都会被问到。

• 内部表

如果Hive中没有特别指定，则默认创建的表都是「管理表」，也称「内部表」。由Hive负责管理表中的数据，管理表不共享数据。删除管理表时，会删除管理表中的数据和元数据信息。

• 外部表

当一份数据需要「被共享」时，可以创建一个「外部表」指向这份数据。

删除该表并不会删除掉原始数据，删除的是表的元数据。当表结构或者分区数发生变化时，需要进行一步修复的操作。

六、Sort By，Order By，Distrbute By，Cluster By 的区别

这是一道很容易混淆的题目，就算不被问到，也是必须要掌握清楚的。

• Sort By：分区内有序
• Order By：全局排序，只有一个Reducer
• Distrbute By：类似MR中Partition，进行分区，结合sort by使用
• 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。

七、Hive窗口函数的区别

• RANK() 排序相同时会重复，总数不会变，例如1224
• DENSE_RANK() 排序相同时会重复，总数会减少，例如 1223
• ROW_NUMBER() 会根据顺序去计算，例如 1234

八、是否自定义过UDF，UDTF，简述步骤

这个时候，面试官可能看你面试得挺顺利的，打算问你点“难题”：

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？

你可以这么回答：

<1> 自定义过

<2> 我一般用UDF函数解析公共字段；用UDTF函数解析事件字段

具体的步骤对应如下：

「自定义UDF」：继承UDF，重写evaluate方法

「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

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

九、请介绍下你熟知的Hive优化

当被问到优化，你应该庆幸自己这趟面试来得值了。为啥？就冲着菌哥给你分析下面的这九大步，面试官还不得当场呆住，这波稳了的节奏~

• 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。

• 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。

• 合理设置Map数

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。此时我们就应该减少map数量。

• 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；

• 严格模式

严格模式下，会有以下特点：

①对于分区表，用户不允许扫描所有分区

②使用了order by语句的查询，要求必须使用limit语句

③限制笛卡尔积的查询

• 开启map端combiner(不影响最终业务逻辑)

这个就属于配置层面上的优化了，需要我们手动开启 set hive.map.aggr=true；

• 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)

• 小文件进行合并

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)。HiveInputFormat没有对小文件合并功能。

• 其他

列式存储，采用分区技术，开启JVM重用...类似的技术非常多，大家选择一些方便记忆的就OK。

十、了解过数据倾斜吗，是如何产生的，你又是怎么解决的?

「数据倾斜」和第九步谈到的的「性能调优」，但凡有点工作经验的老工程师都会告诉你，这都是面试必问的！那怎么才能回答好呢，慢慢往下看~

• 概念：

数据的分布不平衡，某些地方特别多，某些地方又特别少，导致的在处理数据的时候，有些很快就处理完了，而有些又迟迟未能处理完，导致整体任务最终迟迟无法完成，这种现象就是「数据倾斜」

• 如何产生

①  key的分布不均匀或者说某些key太集中

② 业务数据自身的特性，例如不同数据类型关联产生数据倾斜

③ SQL语句导致的数据倾斜

• 如何解决

① 开启map端combiner(不影响最终业务逻辑)

② 开启数据倾斜时负载均衡

③ 控制空值分布

❝

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配到多个Reducer

❞

④ SQL语句调整

❝

a ) 选用join key 分布最均匀的表作为驱动表。做好列裁剪和filter操作，以达到两表join的时候，数据量相对变小的效果。

b ) 大小表Join：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。

c ) 大表Join大表：把空值的Key变成一个字符串加上一个随机数，把倾斜的数据分到不同的reduce上，由于null值关联不上，处理后并不影响最终的结果。

d ) count distinct大量相同特殊值：count distinct 时，将值为空的情况单独处理，如果是计算count distinct，可以不用处理，直接过滤，在最后结果中加1。如果还有其他计算，需要进行group by，可以先将值为空的记录单独处理，再和其他计算结果进行union。

❞

十一、分区表和分桶表各自的优点能介绍一下吗？

前面刚被问到内部表与外部表的区别，现在终于到了分区表和分桶表~作为Hive常用的几种「管理表」，被问到也是意料之中!

• 分区表

• 介绍

1、分区使用的是表外字段，需要指定字段类型

2、分区通过关键字 partitioned by(partition_name string) 声明

3、分区划分粒度较粗

• 优点

将数据按区域划分开，查询时不用扫描无关的数据，加快查询速度

• 分桶表
• 介绍

1、分桶使用的是表内字段，已经知道字段类型，不需要再指定。

2、分桶表通过关键字clustered by(column_name) into ... buckets声明

3、分桶是更细粒度的划分、管理数据，可以对表进行先分区再分桶的划分策略

• 优点

用于数据取样；能够起到优化加速的作用

回答到这里已经非常不错，面试官可能又问了：

「小伙几，能讲解一下分桶的逻辑吗?」

哈哈哈，好吧~谁让我看了菌哥写的杀招，有备而来，丝毫不惧！！！

❝

分桶逻辑：对分桶字段求哈希值，用哈希值与分桶的数量取余，余几，这个数据就放在那个桶内。

❞

十二、了解过动态分区吗，它和静态分区的区别是什么？能简单讲下动态分区的底层原理吗？

都到了这一步，没有撤退可言。

• 静态分区与动态分区的主要区别在于静态分区是手动指定，而动态分区是通过数据来进行判断
• 详细来说，静态分区的列是在编译时期，通过用户传递来决定的；动态分区只有在 SQL 执行时才能决定
• 简单理解就是静态分区是只给固定的值，动态分区是基于查询参数的位置去推断分区的名称，从而建立分区

十三、使用过Hive的视图和索引吗，简单介绍一下

可能有的朋友在学习的过程中没机会使用到视图和索引，这里菌哥就简单介绍一下如何在面试的时候回答，更详细的实操应该等着你们后面去实践哟~

• Hive视图

视图是一种使用查询语句定义的「虚拟表」，是数据的一种「逻辑结构」，创建视图时不会把视图存储到磁盘上，定义视图的查询语句只有在执行视图的语句时才会被执行。

通过引入视图机制，可以简化查询逻辑，提高了用户效率与用户满意度。

「注意:」视图是只读的，不能向视图中插入或是加载数据

• Hive索引

和关系型数据库中的索引一样，Hive也支持在表中建立索引。适当的索引可以优化Hive查询数据的性能。但是索引需要额外的存储空间，因此在创建索引时需要考虑索引的必要性。

「注意:」Hive不支持直接使用DROP TABLE语句删除索引表。如果创建索引的表被删除了，则其对应的索引和索引表也会被删除；如果表的某个分区被删除了，则该分区对应的分区索引也会被删除。

结语

今天的分享就到这里啦，谢谢大家~~

「一键三连，养成习惯~」