引語

大數據開發之路漫漫其修遠兮，吾將上下而求索。很多入門大數據的小伙伴，可能接觸到的，就是一只可愛的“小象”，也就是我們的大數據領域的數據倉庫工具hive。

這只小象給我們提供了方便類SQL查詢語言HQL來操縱數據，使得我們一開始不用編寫復雜的代碼，就可以輕松的探索數據。Hive對于熟悉傳統數據庫的同學來說，算是很友好的一個入門工具。

原理

在大數據生態中，hive一般作為數據倉庫來使用。什么是數據倉庫呢? 簡單來說就像一個大糧倉，里邊堆著各種各樣的糧食，比如小麥、玉米、土豆、大米等等。數據倉庫里是一個數據集合體，把不同數據源按照一定的形式集合統一起來。 Hive本身是不做數據存儲的，它是構建在分布式存儲系統HDFS之上，我們平常看到的表數據其實本質上來說還是HDFS的文件。 Hive把這些HDFS數據文件，通過元數據規則映射為數據庫的表，并且可以提供SQL操作的功能。 Hive總體結構比較簡單，下方是整體的hive架構圖，我們可以看到，總體有三個組件：用戶接口、元數據系統、驅動器。

用戶通過用戶接口來輸入操作指令。一般接口有三種形式：

• CLI端：一般在linux服務器直接輸入hive即可進入;
• WEB模式：通過命令bin/hive --service hwi啟動，默認訪問9999端口;
• 遠程模式：一般是JDBC之類的編程接口;

Hive的核心在于驅動器，一般驅動器接收到用戶接口傳遞的一條SQL之后，會進行下面的一系列操作：

• 驅動器開始進行語法和語義分析
• 生成邏輯計劃并且邏輯優化
• 生成物理計劃
• 發送計劃到執行引擎(常用引擎有mapredue和sprk)執行

結果返回

而元數據系統一般傳統數據庫來承載，主要記錄了包括hive表的名字，表的列和分區及其屬性，表的屬性(是否為外部表等)，表的數據所在目錄等。

常用hive語法

了解了hive的基礎原理之后呢，我們這里結合工作中一些需求，來介紹下開發同學常用的hive操作。

分組統計

作為一名SQL仔，經常會要去統計一些奇奇怪怪的指標，比如不同年齡段的UV，下單數的小時分布之類的。一般常用的分組就是group by了，然后配合上一些窗口函數， SUM、AVG、MIN、MAX、COUNT等，就可以實現我們很多統計需求了。比如下邊的統計時間段的獨立用戶數,查詢結果如下圖所示：

關聯查詢

有時候我們查詢的數據存放在不同的表中，那關聯查詢就派上用場了。所謂關聯查詢，一般就是通過兩張表相同的字段值關聯起來，同時查詢兩張表的記錄。Hive中常用關聯分內外關聯。

我們先建立兩張簡單的表tab_a和tab_b，用實例來說明關聯機制。表結構和表數據如下圖所示：

內關聯一般使用 關鍵字Join或inner join ，內關聯只返回關聯上的結果。

外關聯的形式就比較多樣化了，又分為：

• 左外關聯：關鍵字為left [outer] join，以前邊的表為主表，返回記錄數和主表記錄一致，關聯不上的字段為null;
• 右外關聯：關鍵字為right [outer] join，和左外關聯相反，則是以后邊的表為主表。
• 全外關聯：full [outer] join，返回兩個表的去重之和，關聯不上的字段為null。

行列轉換

有時候我們會遇到這樣的需求，需要把多列的數據平鋪到一行上輸出。比如查詢用戶的訪問軌跡，這時候有兩個函數就起上作用了。還是讓我們先來看看效果。

這兩個sql的作用都是把每個用戶的點擊軌跡拼接暫展示出來，其中collect_set和collect_set能夠把列數據合并，轉為一行。而兩個的區別就是collect_set會進行去重。

上述講的是行轉列，還有些需求，希望我們能把列數據拆分成多行，比如數據結構如下，

Page_id StringAd_id Array

• A[1,2,3]
• B[3,5,6]
• C[2,4,5]

要統計每個廣告在所有頁面出現的次數，這時候，我們可以先把同一列的數據線拆成多行，hive提供了explode展開函數，具體效果如下圖：

Explode一般配合lateral view使用，把字段內容鋪開成虛擬視圖。接下來我們再這個基礎之上，就可以使用統計函數來進行分析。

取TopN記錄

給數據分組排序再取前幾條記錄，也是我們較為常見的需求。hive提供了row_number函數，可以對排序值進行編號。舉個栗子，要取省份的溫度較高的城市，數據如下：

• 省份城市溫度
• 廣東佛山34
• 廣東廣州30
• 江西贛州31
• 江西南昌28
• 江西萍鄉29
• 湖南長沙26
• 湖南衡陽25

我們可以使用row_number()組合group by的形式，來進行組內排序，并且返回順序值rank。

結果如下圖所示：

此時，如果要去top1的數據，只需添加rank為1的條件即可。和row_number功能和用法類似的函數還有rank()和dense_rank()，區別在返回的排序rank值有細微區別，此處不再贅述。

Hive進階

數據傾斜

在我們數據清洗過程中，經常會出現一種現象，分布式任務一般會分成多個小任務task，但是呢，有些task處理的很快，有些task就很慢，有時候甚至會卡死導致整個任務失敗，這種現象就是惡名遠揚的數據傾斜。之所以導致數據傾斜，大部分是join、去重統計(count distinct)或者group by操作中的key分布不均勻。拿最常見的hive查詢引擎mapreduce來說，基本就是shuffle階段，有些reduce任務獲取到的key數據量十分多，導致處理很緩慢。

為了避免數據傾斜，一般從兩種方向去解決：

1.調整hive參數

我們可以設置hive.map.aggr和hive.groupby.skewindata兩個參數為true，此時hive會生成兩個job任務，job先將key進行隨機化處理，第二個job在進行真正的shuffle key。如下流程說明圖：

從上圖可以看出，由于多次在map端聚合，使得最終shuffle時的數據量大大減少，從而減輕了數據傾斜的程度。

2.優化SQL

使用mapJoin：我們經常會有大小表join的需求，而這也是數據傾斜的多發區。此時我們可以使用mapJoin的方式，從而避免shuffle。具體實現就是把小表在每一個Map任務內存中保存一份，從而直接在Map就進行join操作。沒了reduce過程，自然也避免了數據傾斜。在hive0.11版本之前，需要顯示聲明啟動該優化操作，如下示例SQL所示：Select /+ MAPJOIN(small_tab)/ .key,value FROM small_tab JOIN big_tab ON small_tab.key = big_tab.key 而在hive0.11版本之后，hive能夠自動檢測小表，自行進行mapJoin優化。我們可以通過hive.mapjoin.smalltable.filesize參數手動配置小表的閾值(默認值25M)。使用MapJoin有一個缺點在于內存會浪費，因為每個Map端都有一個副本。所以mapJoin也一般只適合大小表join的情況。

異常值、特殊值手動處理：很多時候造成數據傾斜的可能是一些空值或者，字符串導致的。我們可以通過過濾空值或者對空值做隨機字符串處理，由此避免空值的影響。

如果是大表和大表的join產生了數據傾斜，mapJoin這種方式不太合適，但是在某些場景下，其中一個大表可以被處理成小表。比如，我們要查詢單日訪客瀏覽記錄，并需要附加用戶信息。這時候要和用戶大表user_info關聯，而單日訪客記錄量user_flow也比較大，并不能直接使用mapjoin的方式。但仔細分析，單日訪客UV其實并不大，可以先進行簡單去重，轉換為小表進而可以使用mapJoin。

具體SQL如下所示：

select /+mapjoin(x)/ from user_flow a left outer join (select /+mapjoin(c)/d. from ( select distinct user_id from user_flow )c join user_info d on c.user_id = d.user_id) x on a.user_id = b.user_id; 

優勢和不足

Hive目前作為業內使用最為廣泛的數據倉庫工具，自然有著很多優點： 高可靠、容錯性高、擴展性強。

HQL語法和傳統SQL類似，且內置大量處理函數支持的存儲格式種類多，兼容性強。用戶接口多，支持各種形式的調用。但是hive也有它自身的一些不足，比如：

OLTP支持不足，不支持事務，目前只有比較新的版本才可以實現行列級別更新且對格式要求嚴格。

由于HDFS特性數據處理延遲高效率較低。HQL的表達能力和靈活性方面有限。基于這些優缺點，hive有它自身擅長的領域，比如用作離線數據倉庫，批量處理海量數據。如果要追求實時性或者要高效率處理小量數據，目前來看，其他新的技術方案，比如kudu、hbase等或許是更好的選擇。