一 . hive基本概念
- 1. 简介
- 2. 本质
- 3. 优缺点
- 4. 架构
二. hive 部署
- 1. 安装hive
result :
For advice on how to change settings please see
http://dev.mysql.com/doc/refman/5.7/en/server-configuration-defaults.html">http://dev.mysql.com/doc/refman/5.7/en/server-configuration-defaults.html
Remove leading # and set to the amount of RAM for the most important data
cache in MySQL. Start at 70% of total RAM for dedicated server, else 10%.
innodb_buffer_pool_size = 128M
Remove leading # to turn on a very important data integrity option: logging
changes to the binary log between backups.
log_bin
Remove leading # to set options mainly useful for reporting servers.
The server defaults are faster for transactions and fast SELECTs.
Adjust sizes as needed, experiment to find the optimal values.
join_buffer_size = 128M
sort_buffer_size = 2M
read_rnd_buffer_size = 2M
Disabling symbolic-links is recommended to prevent assorted security risks
- 3. 使用元数据访问 hive
- 4. 使用 JDBC 的方式访问 hive
- 5. 编写 hive 启动脚本
- 6. 常见属性配置
三. hive 数据类型
- 1. 基本的数据类型
- 2. 集合数据类型
- 3. 类型转化
四、DDL 数据定义
- 1. 创建数据库
- 2. 查询数据库
- 5. 删除数据库
- 7. 内部表（管理表）和外部表
- 8. 修改表
创建一张表
基本插入数据
根据单张表查询结果
注意
insert into：以追加数据的方式插入到表或分区，原有数据不会删除
insert overwrite：会覆盖表中已存在的数据
- 1. 全表和指定列查询
- 2. 分组
求每个部门的平均工资
求每个部门的平均薪水大于 2000 的部门
- 4. 排序
- 5. 分区
七、分区表和分桶表
- 1. 分区表
  - 1. 使用：
dept_20200401.log
dept_20200402.log
dept_20200403.log
单分区查询
多分区查询
- 3. 删除分区
- 4. 查看共有多少个分区
- 5. 查看表的分区结构
- 6. 二级分区
正常加载数据
查询
把数据直接上传到分区目录上，让分区表和数据产生关联的三种方式
1. 上传数据后修复
2. 上传数据后添加分区
3. 创建文件夹后 load 数据到分区
创建目标分区表
设置动态分区
查看目标分区表的分区情况
- 八、函数
  - 1. 系统自带的函数
  - 2. 常用内置函数
    - 1. 空字段赋值
如果员工的 comm 为 NULL，则用-1 代替
如果员工的 comm 为 NULL，则用领导 id 代替
- 3. 行转列
1. 创建表并导入数据
2. 将星座和血型放到一列
- 结果
2. 按照这一列进行分组
- 结果
3. 数组连接
- 结果
创建表并导入数据
创建 hive 表并导入数据
（1）查询在 2017 年 4 月份购买过的顾客及总人数
（2）查询顾客的购买明细及月购买总额
（3）上述的场景, 将每个顾客的 cost 按照日期进行累加
（4）查询每个顾客上次的购买时间
（5）查询前 20%时间的订单信息
- 7. 自定义函数
九、压缩与解压缩
- 1. hadoop 支持的压缩
- 2. 开启 Map 输出端压缩
- 3. 开启 Reduce 输出阶段压缩
- 4. 文件存储格式
十、调优
- 1. 查看执行计划
- 2. Fetch 抓取
- 3. 本地模式
- 4. 表的优化
- 5. 大表 Join 大表
- 6. 合理设置 Map 及 Reduce 数
- 7. 并行执行
- 8. 严格模式

一 . hive基本概念

1. 简介

hive是Facebook开源的，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，并提供类似于SQL的查询功能。

2. 本质

Hive - 图1
所以hive的本质是根据用户书写的SQL语句。寻找提前写好的MapReduce模板，生成实际的MapReduce程序去交由yarn去执行，并将运行结果进行一定的封装，最后返回给客户端。

3. 优缺点

优点：
1. 用户可以直接使用类SQL进行操作，简单容易上手
2. 不需要去书写MapReduce
3. 支持用户自定义函数
4. 适用于处理大数据，对于小数据不太合适。
缺点：
1. 执行延迟比较高，常用作离线数据分析
2. 迭代算法不太适合，每次的结果并不能直接利用
3. 不太适合数据挖掘，是由于MapReduce数据处理流程限制，难以实现更高的算法。
4. 根据模板自动生成的MapReduce作业不够智能，难以调优。
  4. 架构
用户接口

hive提供了三种访问模式：CLI（command-line interface）、JDBC/ODBC(jdbc 访问 hive)、WEBUI（浏览器访问 hive）
CLI：最常用的模式。实际上在bin/hive 命令行下操作时，就是利用CLI用户接口
JDBC/ODBC: 通过java代码操作，需要启动hiveserver2，然后连接操作

元数据：Metastore

元数据包括：表名、表所属的数据库（默认是default）、表的拥有着、列/分区字段、表的类型（是否是外部表）、表数据所在的目录。
需要注意的是元数据默认存储在Derby数据库中，但是Derby不支持多用户登录，所以可以选用mysql。

驱动器:driver

解析器：借助于第三方工具库，将SQL字符串转化成抽象语法树（AST），对AST进行语法分析，比如判断表/字段是否存在，语法是否有误
编译器：将AST，进行编译生成逻辑计划
优化器：对上一步产生的逻辑计划进行优化，主要是优化一下几个方面

     1. 小表连大表：若需要join的两个表一个是大表，一个是小表，将会把小表放入到内存中，然后和较大的表进行map操作。小表定义：hive.mapjoin.smalltable.filesize，默认值是25mb
     1. join语句优化
 比如有如下语句 ： select m.cid,u.id from order m join customer u on m.cid=u.id where m.dt=’20160801’;<br />    优化后：select m.cid,u.id from (select cid from order where dt=’20160801’)m join customer u on m.cid = u.id
     3. 分组优化 主要是数据倾斜时，进行负载均衡
     3. count distinct 优化

优化前：select count(distinct id )from tablename
优化后：select count(*) from (select distinct id from tablename)tmp;

     5. 调整切片数（map数目）
     5. jvm 重用
     5. 启用严格模式
     5. 关闭推测执行机制

注：转自：https://blog.csdn.net/qq_45453185/article/details/106141808

执行器：将优化后的逻辑执行计划转化成物理计划，就是MapReduce/spark

用户访问实际执行流程：

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。

二. hive 部署

1. 安装hive

把 apache-hive-3.1.2-bin.tar.gz 上传到 linux 的/opt/software 目录下，并解压到 /opt/module/目录下面

tar -zxvf /opt/software/apache-hive-3.1.2-bin.tar.gz -C /opt/module/

修改 apache-hive-3.1.2-bin.tar.gz 的名称为 hive

mv /opt/module/apache-hive-3.1.2-bin/ /opt/module/hive

修改/etc/profile.d/my_env.sh，添加环境变量

#HIVE_HOME
export HIVE_HOME=/opt/module/hive
export PATH=$PATH:$HIVE_HOME/bin

解决日志 Jar 包冲突

mv $HIVE_HOME/lib/log4j-slf4j-impl-2.10.0.jar $HIVE_HOME/lib/log4j-slf4j-impl-2.10.0.bak

初始化元数据库

bin/schematool -dbType derby -initSchema

启动 hive ```shell bin/hive

hive> show databases; hive> show tables; hive> create table test(id int); hive> insert into test values(1); hive> select * from test;

result :

OK 2022-03-23 19:25:22,354 INFO [8b9b4843-f999-4e85-b5f5-5c73df708ba1 main] ql.Driver: OK 2022-03-23 19:25:22,354 INFO [8b9b4843-f999-4e85-b5f5-5c73df708ba1 main] ql.Driver: Concurrency mode is disabled, not creating a lock manager 2022-03-23 19:25:22,360 INFO [8b9b4843-f999-4e85-b5f5-5c73df708ba1 main] mapred.FileInputFormat: Total input files to process : 1 2022-03-23 19:25:22,362 INFO [8b9b4843-f999-4e85-b5f5-5c73df708ba1 main] sasl.SaslDataTransferClient: SASL encryption trust check: localHostTrusted = false, remoteHostTrusted = false 2022-03-23 19:25:22,364 INFO [8b9b4843-f999-4e85-b5f5-5c73df708ba1 main] exec.TableScanOperator: RECORDS_OUT_INTERMEDIATE:0, RECORDS_OUT_OPERATOR_TS_0:1, 2022-03-23 19:25:22,365 INFO [8b9b4843-f999-4e85-b5f5-5c73df708ba1 main] exec.SelectOperator: RECORDS_OUT_INTERMEDIATE:0, RECORDS_OUT_OPERATOR_SEL_1:1, 2022-03-23 19:25:22,365 INFO [8b9b4843-f999-4e85-b5f5-5c73df708ba1 main] exec.ListSinkOperator: RECORDS_OUT_INTERMEDIATE:0, RECORDS_OUT_OPERATOR_LIST_SINK_3:1, 1 Time taken: 0.139 seconds, Fetched: 1 row(s) 2022-03-23 19:25:22,368 INFO [8b9b4843-f999-4e85-b5f5-5c73df708ba1 main] CliDriver: Time taken: 0.139 seconds, Fetched: 1 row(s) 2022-03-23 19:25:22,368 INFO [8b9b4843-f999-4e85-b5f5-5c73df708ba1 main] conf.HiveConf: Using the default value passed in for log id: 8b9b4843-f999-4e85-b5f5-5c73df708ba1 2022-03-23 19:25:22,368 INFO [8b9b4843-f999-4e85-b5f5-5c73df708ba1 main] session.SessionState: Resetting thread name to main hive> show databases;

<a name="zWZwk"></a>
### 2. 安装 MySQL

   1. 检查当前系统是否安装过 MySQL
```shell
[allen@hadoop102 hive]$ rpm -qa|grep mariadb
mariadb-libs-5.5.56-2.el7.x86_64
[allen@hadoop102 hive]$ sudo rpm -e --nodeps mariadb-libs
[allen@hadoop102 hive]$

将 MySQL 安装包拷贝到/opt/software 目录下解压、安装

[allen@hadoop102 software]$ mkdir mysql
[allen@hadoop102 software]$ cp mysql-5.7.28-1.el7.x86_64.rpm-bundle.tar  ./mysql
[allen@hadoop102 software]$ cd mysql/
[allen@hadoop102 mysql]$ tar -xf mysql-5.7.28-1.el7.x86_64.rpm-bundle.tar 
[allen@hadoop102 mysql]$ ll
总用量 1190548
-rw-rw-r--. 1 allen allen 609556480 3月  23 19:42 mysql-5.7.28-1.el7.x86_64.rpm-bundle.tar
-rw-r--r--. 1 allen allen  45109364 9月  30 2019 mysql-community-client-5.7.28-1.el7.x86_64.rpm
-rw-r--r--. 1 allen allen    318768 9月  30 2019 mysql-community-common-5.7.28-1.el7.x86_64.rpm
-rw-r--r--. 1 allen allen   7037096 9月  30 2019 mysql-community-devel-5.7.28-1.el7.x86_64.rpm
-rw-r--r--. 1 allen allen  49329100 9月  30 2019 mysql-community-embedded-5.7.28-1.el7.x86_64.rpm
-rw-r--r--. 1 allen allen  23354908 9月  30 2019 mysql-community-embedded-compat-5.7.28-1.el7.x86_64.rpm
-rw-r--r--. 1 allen allen 136837816 9月  30 2019 mysql-community-embedded-devel-5.7.28-1.el7.x86_64.rpm
-rw-r--r--. 1 allen allen   4374364 9月  30 2019 mysql-community-libs-5.7.28-1.el7.x86_64.rpm
-rw-r--r--. 1 allen allen   1353312 9月  30 2019 mysql-community-libs-compat-5.7.28-1.el7.x86_64.rpm
-rw-r--r--. 1 allen allen 208694824 9月  30 2019 mysql-community-server-5.7.28-1.el7.x86_64.rpm
-rw-r--r--. 1 allen allen 133129992 9月  30 2019 mysql-community-test-5.7.28-1.el7.x86_64.rpm
[allen@hadoop102 mysql]$ sudo rpm -ivh mysql-community-common-5.7.28-1.el7.x86_64.rpm
警告：mysql-community-common-5.7.28-1.el7.x86_64.rpm: 头V3 DSA/SHA1 Signature, 密钥 ID 5072e1f5: NOKEY
准备中...                          ################################# [100%]
正在升级/安装...
1:mysql-community-common-5.7.28-1.e################################# [100%]
[allen@hadoop102 mysql]$ sudo rpm -ivh mysql-community-libs-5.7.28-1.el7.x86_64.rpm
警告：mysql-community-libs-5.7.28-1.el7.x86_64.rpm: 头V3 DSA/SHA1 Signature, 密钥 ID 5072e1f5: NOKEY
准备中...                          ################################# [100%]
正在升级/安装...
1:mysql-community-libs-5.7.28-1.el7################################# [100%]
[allen@hadoop102 mysql]$ sudo rpm -ivh mysql-community-libs-compat-5.7.28-1.el7.x86_64.rpm
警告：mysql-community-libs-compat-5.7.28-1.el7.x86_64.rpm: 头V3 DSA/SHA1 Signature, 密钥 ID 5072e1f5: NOKEY
准备中...                          ################################# [100%]
正在升级/安装...
1:mysql-community-libs-compat-5.7.2################################# [100%]
[allen@hadoop102 mysql]$ sudo rpm -ivh mysql-community-client-5.7.28-1.el7.x86_64.rpm
警告：mysql-community-client-5.7.28-1.el7.x86_64.rpm: 头V3 DSA/SHA1 Signature, 密钥 ID 5072e1f5: NOKEY
准备中...                          ################################# [100%]
正在升级/安装...
1:mysql-community-client-5.7.28-1.e################################# [100%]
[allen@hadoop102 mysql]$ sudo rpm -ivh mysql-community-server-5.7.28-1.el7.x86_64.rpm
警告：mysql-community-server-5.7.28-1.el7.x86_64.rpm: 头V3 DSA/SHA1 Signature, 密钥 ID 5072e1f5: NOKEY
准备中...                          ################################# [100%]
正在升级/安装...
1:mysql-community-server-5.7.28-1.e################################# [100%]
[allen@hadoop102 mysql]$

删除/etc/my.cnf 文件中 datadir 指向的目录下的所有内容,如果有内容的情况下: ```shell

For advice on how to change settings please see
http://dev.mysql.com/doc/refman/5.7/en/server-configuration-defaults.html

[mysqld] #

Remove leading # and set to the amount of RAM for the most important data

cache in MySQL. Start at 70% of total RAM for dedicated server, else 10%.

innodb_buffer_pool_size = 128M

Remove leading # to turn on a very important data integrity option: logging

changes to the binary log between backups.

log_bin

Remove leading # to set options mainly useful for reporting servers.

The server defaults are faster for transactions and fast SELECTs.

Adjust sizes as needed, experiment to find the optimal values.

join_buffer_size = 128M

sort_buffer_size = 2M

read_rnd_buffer_size = 2M

datadir=/var/lib/mysql socket=/var/lib/mysql/mysql.sock

Disabling symbolic-links is recommended to prevent assorted security risks

symbolic-links=0

log-error=/var/log/mysqld.log pid-file=/var/run/mysqld/mysqld.pid [allen@hadoop102 mysql]$ cd /var/lib/mysql [allen@hadoop102 mysql]$ ll ls: 无法打开目录.: 权限不够 [allen@hadoop102 mysql]$ sudo ls [allen@hadoop102 mysql]$ sudo rm -rf ./*


   4. 初始化数据库

` sudo mysqld --initialize --user=mysql`

   5. 查看临时生成的 root 用户的密码

` sudo cat /var/log/mysqld.log `

   6. 启动 MySQL 服务

` sudo systemctl start mysqld`

   7. 登录 MySQL 数据库

` mysql -uroot -p `

   8. 必须先修改 root 用户的密码,否则执行其他的操作会报错

` set password = password("123456");     `

   9. 修改 mysql 库下的 user 表中的 root 用户允许任意 ip 连接

` update mysql.user set host='%' where user='root';`<br />`  flush privileges;`

   10. 新建 Hive 元数据库

` create database hivemetastore; `<br />` quit;`

   11. 登陆 MySQL

将 MySQL 的 JDBC 驱动拷贝到 Hive 的 lib 目录下<br />` cp /opt/software/mysql-connector-java5.1.37.jar $HIVE_HOME/lib`

   12. 配置 hive  在$HIVE_HOME/conf 目录下新建 hive-site.xml 文件
```xml
<?xml version="1.0"?>
<?xml-stylesheet type="text/xsl" href="configuration.xsl"?>
<configuration>
  <!-- jdbc 连接的 URL -->
  <property>
    <name>javax.jdo.option.ConnectionURL</name>
    <value>jdbc:mysql://hadoop102:3306/hivemetastore?useSSL=false</value>
  </property>
  <!-- jdbc 连接的 Driver-->
  <property>
    <name>javax.jdo.option.ConnectionDriverName</name>
    <value>com.mysql.jdbc.Driver</value>
  </property>
  <!-- jdbc 连接的 username-->
  <property>
    <name>javax.jdo.option.ConnectionUserName</name>
    <value>root</value>
  </property>
  <!-- jdbc 连接的 password -->
  <property>
    <name>javax.jdo.option.ConnectionPassword</name>
    <value>123456</value>
  </property>
  <!-- Hive 元数据存储版本的验证 -->
  <property>
    <name>hive.metastore.schema.verification</name>
    <value>false</value>
  </property>
  <!--元数据存储授权-->
  <property>
    <name>hive.metastore.event.db.notification.api.auth</name>
    <value>false</value>
  </property>
  <!-- Hive 默认在 HDFS 的工作目录 -->
  <property>
    <name>hive.metastore.warehouse.dir</name>
    <value>/user/hive/warehouse</value>
  </property>
</configuration>

初始化 Hive 元数据库

schematool -initSchema -dbType mysql -verbose

3. 使用元数据访问 hive

在 hive-site.xml 文件中添加如下配置信息

<!-- 指定存储元数据要连接的地址 -->
<property>
<name>hive.metastore.uris</name>
<value>thrift://hadoop102:9083</value>
</property>

启动 Metastore

[allen@hadoop102 hive]$ bin/hive  --service metastore
2022-03-23 20:07:49: Starting Hive Metastore Serve
# 注意: 启动后窗口不能再操作，需打开一个新的 shell 窗口做别的操作

启动 hive

4. 使用 JDBC 的方式访问 hive
在 hive-site.xml 文件中添加如下配置信息 ```xml

hive.server2.active.passive.ha.enable true hive.server2.enable.doAs false

hive.server2.thrift.bind.host hadoop102

hive.server2.thrift.port 10000


   2. 启动 hiveserver2 （已开启元数据访问，需要启动元数据访问服务）

` bin/hive --service hiveserver2`

   3. 启动 beeline 客户端（需要多等待一会)
```xml
[allen@hadoop102 hive]$  bin/beeline -u jdbc:hive2://hadoop102:10000 -n root
Connecting to jdbc:hive2://hadoop102:10000
Connected to: Apache Hive (version 3.1.2)
Driver: Hive JDBC (version 3.1.2)
Transaction isolation: TRANSACTION_REPEATABLE_READ
Beeline version 3.1.2 by Apache Hive
0: jdbc:hive2://hadoop102:10000>

5. 编写 hive 启动脚本

nohup hive --service metastore 2>&1 &
nohup hive --service hiveserver2 2>&1 &

#!/bin/bash
HIVE_LOG_DIR=$HIVE_HOME/logs
if [ ! -d $HIVE_LOG_DIR ]
then
mkdir -p $HIVE_LOG_DIR
fi
#检查进程是否运行正常，参数 1 为进程名，参数 2 为进程端口
function check_process()
{
 pid=$(ps -ef 2>/dev/null | grep -v grep | grep -i $1 | awk '{print $2}')
 ppid=$(netstat -nltp 2>/dev/null | grep $2 | awk '{print $7}' | cut -d '/' -f 1)
 echo $pid
 [[ "$pid" =~ "$ppid" ]] && [ "$ppid" ] && return 0 || return 1
}

function hive_start()
{
 metapid=$(check_process HiveMetastore 9083)
 cmd="nohup hive --service metastore >$HIVE_LOG_DIR/metastore.log 2>&1 &"
      [ -z "$metapid" ] && eval $cmd || echo "Metastroe 服务已启动"
 server2pid=$(check_process HiveServer2 10000)
 cmd="nohup hiveserver2 >$HIVE_LOG_DIR/hiveServer2.log 2>&1 &"
      [ -z "$server2pid" ] && eval $cmd || echo "HiveServer2 服务已启动"
}

function hive_stop()
{
metapid=$(check_process HiveMetastore 9083)
[ "$metapid" ] && kill $metapid || echo "Metastore 服务未启动"
server2pid=$(check_process HiveServer2 10000)
[ "$server2pid" ] && kill $server2pid || echo "HiveServer2 服务未启动"
}
case $1 in
"start")
 hive_start
 ;;
"stop")
 hive_stop
 ;;
"restart")
 hive_stop
 sleep 2
 hive_start
 ;;
"status")
 check_process HiveMetastore 9083 >/dev/null && echo "Metastore 服务运行正常" || echo "Metastore 服务运行异常"
 check_process HiveServer2 10000 >/dev/null && echo "HiveServer2 服务运行正常" || echo "HiveServer2 服务运行异常"
 ;;
*)
 echo Invalid Args!
 echo 'Usage: '$(basename $0)' start|stop|restart|status'
 ;;
esac

6. 常见属性配置

日志文件配置

默认是在在/tmp/username/hive.log 目录下
修改到指定目录
- 修改/opt/module/hive/conf/hive-log4j2.properties.template 文件名称为 hive-log4j2.properties
- 在 hive-log4j2.properties 文件中修改 log 存放位置

hive.log.dir=/opt/module/hive/logs

打印当前库和表头

<property>
<name>hive.cli.print.header</name>
<value>true</value>
</property>
<property>
<name>hive.cli.print.current.db</name>
<value>true</value>
</property>

参数配置

查看当前配置信息 hive>set;
配置参数
- 配置文件的方式 hive-site.xml > hive-default.xml
- 命令行的方式 (仅针对本次启动有效)
  - 启动 hive 时可以通过在命令行添加-hiveconf param=value 来设定参数。

bin/hive -hiveconf mapred.reduce.tasks=10;

  - 已经启动后 可以通过 set 设置

set mapred.reduce.tasks=100;

三. hive 数据类型

1. 基本的数据类型

2. 集合数据类型

案例

假设某表有如下一行，我们用 JSON 格式来表示其数据结构。在 Hive 下访问的格式为:

{
 "name": "songsong",
 "friends": ["bingbing" , "lili"] , //列表 Array, 
 "children": { //键值 Map,
 "xiao song": 18 ,
 "xiaoxiao song": 19
 }
 "address": { //结构 Struct,
 "street": "hui long guan",
 "city": "beijing"
 }
}

对应的 hive 建表语句为

create table  test1(
name string,
frinds array<string>,
children map<string,int>,
address struct<street:string,city:string>
)
row format delimited fields terminated by ','
collection items terminated by '_'
map keys terminated by ':'
lines terminated by '\n';

说明

row format delimited fields terminated by ‘,’ — 列分隔符
collection items terminated by ‘_’ —MAP STRUCT 和 ARRAY 的分隔符(数据分割符号)
map keys terminated by ‘:’ — MAP 中的 key 与 value 的分隔符
lines terminated by ‘\n’; — 行分隔符
测试创建 test.txt

songsong,bingbing_lili,xiao song:18_xiaoxiao song:19,hui long guan_beijing
yangyang,caicai_susu,xiao yang:18_xiaoxiao yang:19,chao yang_beijing

导入数据
load data local inpath '/opt/module/hive/datas/test.txt' into table test1;
查看

2022-03-24 15:33:30,488 INFO  [0f618c98-6789-4db4-bf1f-edbfe8e1d636 main] exec.ListSinkOperator: RECORDS_OUT_INTERMEDIATE:0, RECORDS_OUT_OPERATOR_LIST_SINK_3:2, 
songsong    ["bingbing","lili"]    {"xiao song":18,"xiaoxiao song":19}    {"street":"hui long guan","city":"beijing"}
yangyang    ["caicai","susu"]    {"xiao yang":18,"xiaoxiao yang":19}    {"street":"chao yang","city":"beijing"}
Time taken: 1.068 seconds, Fetched: 2 row(s)
2022-03-24 15:33:30,497 INFO  [0f618c98-6789-4db4-bf1f-edbfe8e1d636 main] CliDriver: Time taken: 1.068 seconds, Fetched: 2 row(s)
2022-03-24 15:33:30,497 INFO  [0f618c98-6789-4db4-bf1f-edbfe8e1d636 main] conf.HiveConf: Using the default value passed in for log id: 0f618c98-6789-4db4-bf1f-edbfe8e1d636
2022-03-24 15:33:30,497 INFO  [0f618c98-6789-4db4-bf1f-edbfe8e1d636 main] session.SessionState: Resetting thread name to  main
hive>

3. 类型转化

Hive 的数据转换有两种一是隐式转换，跟java 的隐式转换差不多，支持小的向大的转，不支持反向转；二是使用 CAST 进行强制类型转换。

隐式转换的规则如下
- 任何整数类型都可以隐式转化为一个更大的类型，如 TINYINY 可以转化为 INT ，INT 可以转为 BIGINT
- 所有的整数类型、Float和 String 都可以隐式转化为 double
- tinyint 、smallint、int 都可以转化为 float
- Boolean 类型不能转化为其他类型
显示转化（强制转化）

例如 CAST( ‘1’ as int) ,是将字符串 1 变成整数1；如果强制转换失败返回 null

0: jdbc:hive2://hadoop102:10000> select '1'+3, cast('1'as int) + 3;
+------+------+
| _c0  | _c1  |
+------+------+
| 4.0  | 4    |
+------+------+
1 row selected (0.13 seconds)

四、DDL 数据定义

1. 创建数据库

CREATE DATABASE [IF NOT EXISTS] database_name
[COMMENT database_comment]
[LOCATION hdfs_path]
[WITH DBPROPERTIES (property_name=property_value, ...)];

创建一个数据库，数据库在 HDFS 上的默认存储路径是/user/hive/warehouse/*.db。
```
0: jdbc:hive2://hadoop102:10000> create database db_hive;
No rows affected (0.118 seconds)
```
避免要创建的数据库已经存在错误，增加 if not exists 判断。（标准写法） ```sql 0: jdbc:hive2://hadoop102:10000> create database db_hive; Error: Error while processing statement: FAILED: Execution Error, return code 1 from org.apache.hadoop.hive.ql.exec.DDLTask. Database db_hive already exists (state=42000,code=1)

0: jdbc:hive2://hadoop102:10000> create database if not exists db_hive; No rows affected (0.025 seconds)


- 创建一个数据库，指定数据库在 HDFS 上存放的位置
```sql
0: jdbc:hive2://hadoop102:10000> create database if not exists  db_hive2 location '/db_hive2';
No rows affected (0.044 seconds)
0: jdbc:hive2://hadoop102:10000>

2. 查询数据库

查询所有数据库 show databases;

查询指定数据库 show databases like 'db_hive*';

0: jdbc:hive2://hadoop102:10000> show databases;
+----------------+
| database_name  |
+----------------+
| db_hive        |
| db_hive2       |
| default        |
+----------------+
3 rows selected (0.073 seconds)
0: jdbc:hive2://hadoop102:10000> show databases like 'db_hive*';
+----------------+
| database_name  |
+----------------+
| db_hive        |
| db_hive2       |
+----------------+
2 rows selected (0.034 seconds)
0: jdbc:hive2://hadoop102:10000>

查看数据库详细信息
```sql 0: jdbc:hive2://hadoop102:10000> desc database db_hive; +—————+—————+——————————————————————————+——————-+——————-+——————-+ | db_name | comment | location | owner_name | owner_type | parameters | +—————+—————+——————————————————————————+——————-+——————-+——————-+ | db_hive | | hdfs://hadoop102:8020/user/hive/warehouse/db_hive.db | allen | USER | | +—————+—————+——————————————————————————+——————-+——————-+——————-+ 1 row selected (0.031 seconds)

<a name="bus72"></a>
### 3. 切换数据库
   ` use db_hive`
<a name="syuP6"></a>
### 4. 修改数据库信息
```sql
0: jdbc:hive2://hadoop102:10000> alter database db_hive 
. . . . . . . . . . . . . . . .> set  dbproperties('createtime'='20220324');
No rows affected (0.042 seconds)

0: jdbc:hive2://hadoop102:10000> desc database extended   db_hive;
+----------+----------+----------------------------------------------------+-------------+-------------+------------------------+
| db_name  | comment  |                      location                      | owner_name  | owner_type  |       parameters       |
+----------+----------+----------------------------------------------------+-------------+-------------+------------------------+
| db_hive  |          | hdfs://hadoop102:8020/user/hive/warehouse/db_hive.db | allen       | USER        | {createtime=20220324}  |
+----------+----------+----------------------------------------------------+-------------+-------------+------------------------+
1 row selected (0.045 seconds)

5. 删除数据库

删除空的数据库

drop database if exists db_hive2;
删除非空数据库 ```sql hive> drop database db_hive; FAILED: Execution Error, return code 1 from org.apache.hadoop.hive.ql.exec.DDLTask. InvalidOperationException(message:Database db_hive is not empty. One or more tables exist.)

hive> drop database db_hive cascade;

<a name="qfqFp"></a>
### 6. 创建表

- 建表语句
```sql
CREATE [EXTERNAL] TABLE [IF NOT EXISTS] table_name
[(col_name data_type [COMMENT col_comment], ...)]
[COMMENT table_comment]
[PARTITIONED BY (col_name data_type [COMMENT col_comment], ...)]
[CLUSTERED BY (col_name, col_name, ...)
[SORTED BY (col_name [ASC|DESC], ...)] INTO num_buckets BUCKETS]
[ROW FORMAT row_format]
[STORED AS file_format]
[LOCATION hdfs_path]
[TBLPROPERTIES (property_name=property_value, ...)]
[AS select_statement]

字段说明：

CREATE TABLE 创建一个指定名字的表。如果相同名字的表已经存在，则抛出异常；用户可以用 IF NOT EXISTS 选项来忽略这个异常。
EXTERNAL 关键字可以让用户创建一个外部表，在建表的同时可以指定一个指向实际数据的路径（LOCATION），在删除表的时候，内部表的元数据和数据会被一起删除，而外部表只删除元数据，不删除数据。
COMMENT：为表和列添加注释。
PARTITIONED BY 创建分区表
CLUSTERED BY 创建分桶表
SORTED BY 不常用，对桶中的一个或多个列另外排序
ROW FORMAT DELIMITED [FIELDS TERMINATED BY char] [COLLECTION ITEMS TERMINATED BY char]

[MAP KEYS TERMINATED BY char] [LINES TERMINATED BY char] | SERDE serde_name [WITH SERDEPROPERTIES (property_name=property_value, property_name=property_value, …)]用户在建表的时候可以自定义 SerDe 或者使用自带的 SerDe。如果没有指定 ROW FORMAT 或者 ROW FORMAT DELIMITED，将会使用自带的 SerDe。在建表的时候，用户还需要为表指定列，用户在指定表的列的同时也会指定自定义的 SerDe，Hive 通过 SerDe 确定表的具体的列的数据。SerDe 是 Serialize/Deserilize 的简称， hive 使用 Serde 进行行对象的序列与反序列化。
STORED AS 指定存储文件类型常用的存储文件类型：SEQUENCEFILE（二进制序列文件）、TEXTFILE（文本）、RCFILE（列式存储格式文件）如果文件数据是纯文本，可以使用STORED AS TEXTFILE。如果数据需要压缩，使用 STORED AS SEQUENCEFILE。
LOCATION ：指定表在 HDFS 上的存储位置。
AS：后跟查询语句，根据查询结果创建表。
LIKE 允许用户复制现有的表结构，但是不复制数据。
7. 内部表（管理表）和外部表

内部表

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(如，/user/hive/warehouse)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

因为表是外部表，所以 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。

两者之间的转化
- 内部转外部 ```sql hive (default)> desc formatted student2; Table Type: MANAGED_TABLE

alter table student2 set tblproperties(‘EXTERNAL’=’TRUE’);

hive (default)> desc formatted student2; Table Type: EXTERNAL_TABLE


   - 外部转内部
```sql
hive (default)> desc formatted student2;
Table Type: EXTERNAL_TABLE

alter table student2 set tblproperties('EXTERNAL'='FALSE');

hive (default)> desc formatted student2;
Table Type: MANAGED_TABLE

注意：(‘EXTERNAL’=’TRUE’)和(‘EXTERNAL’=’FALSE’)为固定写法，区分大小写！

8. 修改表

重名表 ALTER TABLE table_name RENAME TO new_table_name

hive (default)> alter table dept_partition2 rename to dept_partition3;

更新列

ALTER TABLE table_name CHANGE [COLUMN] col_old_name col_new_name column_type [COMMENT col_comment] [FIRST|AFTER column_name]

alter table dept change column deptdesc desc string;

添加删除列 ```sql ALTER TABLE table_name ADD|REPLACE COLUMNS (col_name data_type [COMMENT col_comment], …)

hive (default)> alter table dept add columns(deptdesc string); hive (default)> alter table dept replace columns(deptno string, dname string, loc string);

<a name="Au3Qw"></a>
### 8. 删除表   
` drop table dept;`
<a name="XxkKT"></a>
### 9. 清空表中数据
 ` truncate table student;`
<a name="vTa7o"></a>
## 五、DML 数据操作
<a name="kMibm"></a>
### 1. 数据导入

- 向表中加载数据 load
   - 语法  

`load data [local] inpath '数据的 path' [overwrite] into table student [partition (partcol1=val1,…)];` <br />load data : 表示加载数据<br />local ： 可选参数  表示是否是从本地加载数据，<br />inpath ： 数据的 路径<br />overwrite ： 可选参数 表述 是否覆盖表中已有数据，否表示追加。默认追加<br />into table： 表示加载到哪张表中<br />partition ：可选参数 表述上传到哪个分区中

   - 使用 
```sql
  #   创建表 
hive (default)> create table student(id string, name string) row format 
delimited fields terminated by '\t';

#     加载本地数据
0: jdbc:hive2://hadoop102:10000> load data local inpath './datas/student.txt' into table student;
No rows affected (0.231 seconds)

0: jdbc:hive2://hadoop102:10000> select * from student;
+-------------+---------------+
| student.id  | student.name  |
+-------------+---------------+
| 1           | allen         |
| 2           | hive          |
+-------------+---------------+
2 rows selected (0.184 seconds)

#     加载远程数据
[allen@hadoop102 datas]$ hadoop fs -mkdir /hivedemo
[allen@hadoop102 datas]$ hadoop fs -put ./student.txt  /hivedemo
2022-03-24 16:54:36,929 INFO sasl.SaslDataTransferClient: SASL encryption trust check: localHostTrusted = false, remoteHostTrusted = false

0: jdbc:hive2://hadoop102:10000> load data  inpath '/hivedemo/student.txt' into table student;
Error: Error while compiling statement: FAILED: SemanticException Line 1:18 Invalid path ''/hivedemo/student.txt'': No files matching path hdfs://hadoop102:8020/hivedemo/student.txt (state=42000,code=40000)
0: jdbc:hive2://hadoop102:10000> load data  inpath '/hivedemo/student.txt' into table student;
No rows affected (0.318 seconds)
0: jdbc:hive2://hadoop102:10000> select * from student;
+-------------+---------------+
| student.id  | student.name  |
+-------------+---------------+
| 1           | allen         |
| 2           | hive          |
| 1           | allen         |
| 2           | hive          |
+-------------+---------------+
4 rows selected (0.158 seconds)

通过查询语句向表中插入数据（Insert） ```sql
创建一张表
hive (default)> create table student_par(id int, name string) row format delimited fields terminated by ‘\t’;

基本插入数据

hive (default)> insert into table student_par values(1,’wangwu’),(2,’zhaoliu’);

根据单张表查询结果

hive (default)> insert overwrite table student_par select id, name from student where month=’201709’;

注意

insert into：以追加数据的方式插入到表或分区，原有数据不会删除

insert overwrite：会覆盖表中已存在的数据


- 多表分区插入
```sql
hive (default)> from student
 insert overwrite table student partition(month='201707')
 select id, name where month='201709'
 insert overwrite table student partition(month='201706')
 select id, name where month='201709';

创建表的时候插入数据

create table if not exists student3 as select id, name from student;
创建表时通过 location 指定数据加载路径 ```sql hive (default)> dfs -mkdir /student; hive (default)> dfs -put /opt/module/datas/student.txt /student;

hive (default)> create external table if not exists student5( id int, name string ) row format delimited fields terminated by ‘ ‘ location ‘/student;


- 通过 import  数据到指定表中， 注意 需要首先使用 export 导出
<a name="YBFbC"></a>
### 2. 数据导出

- 使用 insert  导出
```sql
hive (default)> insert overwrite local directory 
'/opt/module/hive/data/export/student'
select * from student;

# 将查询结果 格式化 导出
hive(default)>insert overwrite local directory 
'/opt/module/hive/data/export/student1'
ROW FORMAT DELIMITED FIELDS TERMINATED BY '\t'
select * from student;


# 将查询结果 格式化 导出到 HDFS 中
hive (default)> insert overwrite directory '/user/student2'
 ROW FORMAT DELIMITED FIELDS TERMINATED BY '\t' 
 select * from student;

使用 hadoop 命令导出 ```sql hive (default)> dfs -get /user/hive/warehouse/student/student.txt /opt/module/data/export/student3.txt;


- 使用 hive shell  导出 

 `bin/hive -e 'select * from default.student;' >/opt/module/hive/data/export/student4.txt;`

- 使用 export 导出

` export table default.student  to '/user/hive/warehouse/export/student';  `<br />       export 和 import 主要用于两个 Hadoop 平台集群之间 Hive 表迁移。

- Sqoop  导出
<a name="Y8N4T"></a>
## 六、 查询
 基本语法
```sql
SELECT [ALL | DISTINCT] select_expr, select_expr, ...
FROM table_reference
[WHERE where_condition]
[GROUP BY col_list]
[ORDER BY col_list]
[CLUSTER BY col_list
| [DISTRIBUTE BY col_list] [SORT BY col_list]
]
[LIMIT number]

1. 全表和指定列查询

hive (default)> select * from emp;
hive (default)> select empno,ename,job,mgr,hiredate,sal,comm,deptno from emp ;


# 对查询结果起别名
hive (default)> select ename AS name, deptno dn from emp;

# 对查询结果做运算
hive (default)> select sal +1 from emp;

# 常用函数
hive (default)> select count(*) cnt from emp;
hive (default)> select max(sal) max_sal from emp;
hive (default)> select min(sal) min_sal from emp;
hive (default)> select sum(sal) sum_sal from emp; 
hive (default)> select avg(sal) avg_sal from emp;

# limit 查询
hive (default)> select * from emp limit 5;

# where 查询
hive (default)> select * from emp where sal >1000;
hive (default)> select * from emp where sal =5000;

# 比较查询 （between、in 、in null）
hive (default)> select * from emp where sal between 500 and 1000;
hive (default)> select * from emp where comm is null;
hive (default)> select * from emp where sal IN (1500, 5000);

# like Rlike
hive (default)> select * from emp where ename LIKE 'A%';  # A开头
hive (default)> select * from emp where ename LIKE '_A%';  # 第二个字母是A
hive (default)> select * from emp where ename RLIKE '[A]';  # 名字中带有 A

# 逻辑运算符 查询
hive (default)> select * from emp where sal>1000 and deptno=30;
hive (default)> select * from emp where sal>1000 or deptno=30;
hive (default)> select * from emp where deptno not IN(30, 20);

2. 分组

group by

GROUP BY 语句通常会和聚合函数一起使用，按照一个或者多个列队结果进行分组，然后对每个组执行聚合操作。

# 计算 emp 表每个部门的平均工资
hive (default)> select t.deptno, avg(t.sal) avg_sal from emp t group by t.deptno;

# 计算 emp 每个部门中每个岗位的最高薪水
hive (default)> select t.deptno, t.job, max(t.sal) max_sal from emp t 
group byt.deptno, t.job;

Having （只能和 group by 何勇） ```sql
求每个部门的平均工资
hive (default)> select deptno, avg(sal) from emp group by deptno;

求每个部门的平均薪水大于 2000 的部门

select deptno, avg(sal) avg_sal from emp group by deptno having avg_sal > 2000;

<a name="zks39"></a>
### 3. join 

- 使用别名
```sql
hive (default)> select e.empno, e.ename, d.deptno, d.dname from emp e 
join dept d on e.deptno = d.deptno;

内连接

只有进行连接的两个表中都存在与连接条件相匹配的数据才会被保留
select e.empno, e.ename, d.deptno from emp e join dept d on e.deptno = d.deptno;

左外连接

JOIN 操作符左边表中符合 WHERE 子句的所有记录将会被返回。
select e.empno, e.ename, d.deptno from emp e left join dept d on e.deptno = d.deptno;

右外连接

JOIN 操作符右边表中符合 WHERE 子句的所有记录将会被返回。
select e.empno, e.ename, d.deptno from emp e right join dept d on e.deptno = d.deptno;
全连接（满连接）

将会返回所有表中符合 WHERE 语句条件的所有记录。如果任一表的指定字段没有符合条件的值的话，那么就使用 NULL 值替代。
select e.empno, e.ename, d.deptno from emp e full join dept d on e.deptno = d.deptno;

笛卡尔乘积

省略连接条件/连接条件无效/连接条件无效
select empno, dname from emp, dept;

4. 排序

全局排序(Order By)

Order By：全局排序，只有一个 Reducer。ASC（ascend）: 升序（默认），DESC（descend）: 降序

hive (default)> select * from emp order by sal;
hive (default)> select * from emp order by sal desc;

# 按照别名排序
hive (default)> select ename, sal*2 twosal from emp order by twosal;

# 按照部门和工资升序排序
hive (default)> select ename, deptno, sal from emp order by deptno, sal;

内部排序（Sort By））

对于大规模的数据集 order by 的效率非常低。在很多情况下，并不需要全局排序，此时可以使用 sort by。
Sort by 为每个 reducer 产生一个排序文件。每个 Reducer 内部进行排序，对全局结果集来说不是排序

# 设置 reduce 个数
hive (default)> set mapreduce.job.reduces=3;

# 查看设置 reduce 个数
hive (default)> set mapreduce.job.reduces;

# 根据部门编号降序查看员工信息
hive (default)> select * from emp sort by deptno desc;

# 将查询结果导入到文件中（按照部门编号降序排序）
hive (default)> insert overwrite local directory 
'/opt/module/data/sortby-result'
select * from emp sort by deptno desc;

5. 分区

Distribute By：在有些情况下，我们需要控制某个特定行应该到哪个 reducer，通常是为了进行后续的聚集操作。distribute by 子句可以做这件事。distribute by 类似 MR 中 partition（自定义分区），进行分区，结合 sort by 使用。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。
```
# 先按照部门编号分区，再按照员工编号降序排序。
hive (default)> set mapreduce.job.reduces=3;
hive (default)> insert overwrite local directory 
'/opt/module/data/distribute-result' select * from emp distribute by 
deptno sort by empno desc;
```
注意：
- distribute by 的分区规则是根据分区字段的 hash 码与 reduce 的个数进行模除后，

余数相同的分到一个区。

Hive 要求 DISTRIBUTE BY 语句要写在 SORT BY 语句之前。

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;

七、分区表和分桶表

1. 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。

1. 使用：

创建分区表

hive (default)> create table dept_partition(
deptno int, dname string, loc string
)
partitioned by (day string)
row format delimited fields terminated by ' ';

准备数据 ```sql

dept_20200401.log
10 ACCOUNTING 1700 20 RESEARCH 1800

dept_20200402.log

30 SALES 1900 40 OPERATIONS 1700

dept_20200403.log

50 TEST 2000 60 DEV 1900


   3. 加载数据
```sql
hive (default)> load data local inpath 
'/opt/module/hive/datas/dept_20200401.log' into table dept_partition 
partition(day='20200401');

hive (default)> load data local inpath 
'/opt/module/hive/datas/dept_20200402.log' into table dept_partition 
partition(day='20200402');

hive (default)> load data local inpath 
'/opt/module/hive/datas/dept_20200403.log' into table dept_partition 
partition(day='20200403');

查询分区数据 ```sql
单分区查询
hive (default)> select * from dept_partition where day=’20200401’;

多分区查询

hive (default)> select from dept_partition where day=’20200401’ union select from dept_partition where day=’20200402’ union select * from dept_partition where day=’20200403’;

hive (default)> select * from dept_partition where day=’20200401’ or day=’20200402’ or day=’20200403’;

<a name="OjUaF"></a>
#### 2. 增加分区 
```sql
# 创建单个分区
hive (default)> alter table dept_partition add partition(day='20200404');

# 同时创建多个分区
hive (default)> alter table dept_partition add partition(day='20200405') 
partition(day='20200406');

3. 删除分区

# 删除单个分区
hive (default)> alter table dept_partition drop partition (day='20200406');

# 同时删除多个分区
hive (default)> alter table dept_partition drop partition 
(day='20200404'), partition(day='20200405');

4. 查看共有多少个分区

show partitions dept_partition;

5. 查看表的分区结构

hive> desc formatted dept_partition;
# Partition Information 
# col_name data_type comment 
month string

6. 二级分区

创建

hive (default)> create table dept_partition2(
deptno int, dname string, loc string
)
partitioned by (day string, hour string)
row format delimited fields terminated by '\t';

加载数据 ```sql

正常加载数据
hive (default)> load data local inpath ‘/opt/module/hive/datas/dept_20200401.log’ into table dept_partition2 partition(day=’20200401’, hour=’12’);

查询

hive (default)> select * from dept_partition2 where day=’20200401’ and hour=’12’;

把数据直接上传到分区目录上，让分区表和数据产生关联的三种方式

1. 上传数据后修复

hive (default)> dfs -mkdir -p /user/hive/warehouse/mydb.db/dept_partition2/day=20200401/hour=13; hive (default)> dfs -put /opt/module/datas/dept_20200401.log /user/hive/warehouse/mydb.db/dept_partition2/day=20200401/hour=13;

hive> msck repair table dept_partition2; hive (default)> select * from dept_partition2 where day=’20200401’ and hour=’13’;

2. 上传数据后添加分区

hive (default)> dfs -mkdir -p /user/hive/warehouse/mydb.db/dept_partition2/day=20200401/hour=14; hive (default)> dfs -put /opt/module/hive/datas/dept_20200401.log /user/hive/warehouse/mydb.db/dept_partition2/day=20200401/hour=14;

hive (default)> alter table dept_partition2 add partition(day=’201709’,hour=’14’);

hive (default)> select * from dept_partition2 where day=’20200401’ and hour=’14’;

3. 创建文件夹后 load 数据到分区

hive (default)> dfs -mkdir -p /user/hive/warehouse/mydb.db/dept_partition2/day=20200401/hour=15;

hive (default)> load data local inpath ‘/opt/module/hive/datas/dept_20200401.log’ into table dept_partition2 partition(day=’20200401’,hour=’15’);

hive (default)> select * from dept_partition2 where day=’20200401’ and hour=’15’;

<a name="A10y1"></a>
#### 7. 动态分区
关系型数据库中，对分区表 Insert 数据时候，数据库自动会根据分区字段的值，将数据<br />插入到相应的分区中，Hive 中也提供了类似的机制，即动态分区(Dynamic Partition)，只不过，<br />使用 Hive 的动态分区，需要进行相应的配置。

- 开启动态分区参数设置
```sql
# 开启动态分区功能（默认 true，开启）
hive.exec.dynamic.partition=true

# 设置为非严格模式（动态分区的模式，默认 strict，表示必须指定至少一个分区为
静态分区，nonstrict 模式表示允许所有的分区字段都可以使用动态分区。）
hive.exec.dynamic.partition.mode=nonstrict

#在每个执行 MR 的节点上，最大可以创建多少个动态分区。该参数需要根据实际
的数据来设定。比如：源数据中包含了一年的数据，即 day 字段有 365 个值，那么该参数就
需要设置成大于 365，如果使用默认值 100，则会报错
hive.exec.max.dynamic.partitions.pernode=100

# 整个 MR Job 中，最大可以创建多少个 HDFS 文件。默认 100000
hive.exec.max.created.files=100000

# 当有空分区生成时，是否抛出异常。一般不需要设置。默认 false
hive.error.on.empty.partition=false

使用 ```sql
创建目标分区表
hive (default)> create table dept_partition_dy(id int) partitioned by ( name string) row format delimited fields terminated by ‘ ‘;

设置动态分区

set hive.exec.dynamic.partition.mode = nonstrict; hive (default)> insert into table dept_partition_dy partition(name) select id, name from student;

查看目标分区表的分区情况

hive (default)> show partitions dept_partition_dy;

<a name="woTpB"></a>
### 2. 分桶表
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。对于一张表或者分区，Hive 可以进一步组织成桶，也就是更为细粒度的数据范围划分。<br />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。<br />分区针对的是数据的存储路径；分桶针对的是数据文件。

- 使用
```sql
# 准备数据
1001 ss1
1002 ss2
1003 ss3
1004 ss4
1005 ss5
1006 ss6
1007 ss7
1008 ss8
1009 ss9
1010 ss10
1011 ss11
1012 ss12
1013 ss13
1014 ss14
1015 ss15
1016 ss16

# 创建分桶表
create table stu_buck(id int, name string)
clustered by(id) 
into 4 buckets
row format delimited fields terminated by ' ';

# 查看表结构
hive (default)> desc formatted stu_buck;
Num Buckets:

# 导入数据到分桶表中，load 的方式
hive (default)> load data inpath '/student.txt' into table stu_buck;
# 或者
hive(default)>insert into table stu_buck select * from student_insert;


# 查询数据
hive(default)> select * from stu_buck;

# 分桶规则：
#     根据结果可知：Hive 的分桶采用对分桶字段的值进行哈希，
#     然后除以桶的个数求余的方式决定该条记录存放在哪个桶当中

八、函数

1. 系统自带的函数

查看系统自带的函数 show functions;
显示自带的函数的用法 desc function upper;
详细显示自带的函数的用法 desc function extended upper;

2. 常用内置函数

1. 空字段赋值
函数说明：NVL 给值为 NULL 的数据赋值，它的格式是 NVL( value，default_value)。它的功能是如果 value 为 NULL，则 NVL 函数返回 default_value 的值，否则返回 value 的值，如果两个参数都为 NULL ，则返回 NULL
使用 ```sql
如果员工的 comm 为 NULL，则用-1 代替
hive (default)> select comm,nvl(comm, -1) from emp; OK comm _c1 NULL -1.0 300.0 300.0 500.0 500.0 NULL -1.0 1400.0 1400.0 NULL -1.0 NULL -1.0 NULL -1.0 NULL -1.0 0.0 0.0 NULL -1.0 NULL -1.0 NULL -1.0 NULL -1.0

如果员工的 comm 为 NULL，则用领导 id 代替

hive (default)> select comm, nvl(comm,mgr) from emp; OK comm _c1 NULL 7902.0 300.0 300.0 500.0 500.0 NULL 7839.0 1400.0 1400.0 NULL 7839.0 NULL 7839.0 NULL 7566.0 NULL NULL 0.0 0.0 NULL 7788.0 NULL 7698.0 NULL 7566.0 NULL 7782.0

<a name="ugJAh"></a>
##### 2. case
     CASE WHEN THEN ELSE END

- 数据 

![image.png](https://cdn.nlark.com/yuque/0/2022/png/23124036/1648123933494-f53030c4-50f7-487b-90b7-60e406b296d0.png#clientId=u65905178-764a-4&crop=0&crop=0&crop=1&crop=1&from=paste&height=372&id=u7a84d3e1&margin=%5Bobject%20Object%5D&name=image.png&originHeight=465&originWidth=1427&originalType=binary&ratio=1&rotation=0&showTitle=false&size=53164&status=done&style=none&taskId=ud3e32439-903c-40e1-a36e-ebd0f9c1988&title=&width=1141.6)

- 需求

![image.png](https://cdn.nlark.com/yuque/0/2022/png/23124036/1648123952099-cbfd17ed-d9d5-418c-9b36-f33b14302616.png#clientId=u65905178-764a-4&crop=0&crop=0&crop=1&crop=1&from=paste&height=96&id=ubb8ca42a&margin=%5Bobject%20Object%5D&name=image.png&originHeight=198&originWidth=728&originalType=binary&ratio=1&rotation=0&showTitle=false&size=33133&status=done&style=none&taskId=ua11b4b52-f2bc-4cd9-9af1-05ad2b079ba&title=&width=354.4000244140625)

- 答案
```sql
select
 dept_id,
 sum(case sex when '男' then 1 else 0 end) male_count,
 sum(case sex when '女' then 1 else 0 end) female_count
from emp_sex
group by dept_id;

3. 行转列

函数
- CONCAT(string A/col, string B/col…)：返回输入字符串连接后的结果，支持任意个输入字符串
- CONCAT_WS(separator, str1, str2,…)：它是一个特殊形式的 CONCAT()。第一个参数剩余参数间的分隔符。分隔符可以是与剩余参数一样的字符串。如果分隔符是 NULL，返回值也将为 NULL。这个函数会跳过分隔符参数后的任何 NULL 和空字符串。分隔符将被加到被连接的字符串之间;

注意: CONCAT_WS must be “string or array

COLLECT_SET(col)：函数只接受基本数据类型，它的主要作用是将某字段的值进行去重汇总，产生 Array 类型字段。
- 数据
```
孙悟空 白羊座 A
大海 射手座 A
宋宋 白羊座 B
猪八戒 白羊座 A
凤姐 射手座 A
苍老师 白羊座 B
```

需求

把星座和血型一样的人归类到一起。结果如下：

射手座,A 大海|凤姐
白羊座,A 孙悟空|猪八戒
白羊座,B 宋宋|苍老师

答案 ```sql
1. 创建表并导入数据
create table person_info( name string, constellation string, blood_type string) row format delimited fields terminated by “ “; load data local inpath “/opt/module/hive/data/person_info.txt” into table person_info;

2. 将星座和血型放到一列

SELECT NAME, CONCAT_WS(‘,’,constellation,blood_type) c_b FROM person_info；

结果

| name | c_b | +———-+————+ | 孙悟空 | 白羊座,A | | 大海 | 射手座,A | | 宋宋 | 白羊座,B | | 猪八戒 | 白羊座,A | | 凤姐 | 射手座,A | | 苍老师 | 白羊座,B | +———-+————+

2. 按照这一列进行分组

SELECT t1.c_b, collect_set(t1.name) FROM ( SELECT NAME, CONCAT_WS(‘,’,constellation,blood_type) c_b FROM person_info )t1 GROUP BY t1.c_b;

结果

+————-+————————+ | t1.c_b | _c1 | +————-+————————+ | 射手座,A | [“大海”,”凤姐”] | | 白羊座,A | [“孙悟空”,”猪八戒”] | | 白羊座,B | [“宋宋”,”苍老师”] | +————-+————————+

3. 数组连接

SELECT t1.c_b, concat_ws(‘|’,collect_set(t1.name)) FROM ( SELECT NAME, CONCAT_WS(‘,’,constellation,blood_type) c_b FROM person_info )t1 GROUP BY t1.c_b;

结果

+————-+—————+ | t1.c_b | _c1 | +————-+—————+ | 射手座,A | 大海|凤姐 | | 白羊座,A | 孙悟空|猪八戒 | | 白羊座,B | 宋宋|苍老师 | +————-+—————+

<a name="IDeeE"></a>
##### 5. 列转行

- EXPLODE(col)：将 hive 一列中复杂的 Array 或者 Map 结构拆分成多行。
- LATERAL VIEW

用法：LATERAL VIEW udtf(expression) tableAlias AS columnAlias<br />解释：用于和 split, explode 等 UDTF 一起使用，它能够将一列数据拆成多行数据，在此<br />基础上可以对拆分后的数据进行聚合。

- 使用
   - 数据
```sql
《疑犯追踪》 悬疑,动作,科幻,剧情
《Lie to me》悬疑,警匪,动作,心理,剧情
《战狼 2》 战争,动作,灾难

需求

# 将电影分类中的数组数据展开。结果如下：
《疑犯追踪》 悬疑
《疑犯追踪》 动作
《疑犯追踪》 科幻
《疑犯追踪》 剧情
《Lie to me》 悬疑
《Lie to me》 警匪
《Lie to me  动作
《Lie to me  心理
《Lie to me》 剧情
《战狼 2》 战争
《战狼 2》 动作
《战狼 2》 灾难

答案 ```sql

创建表并导入数据
create table movie_info( movie string, category string) row format delimited fields terminated by “ “; load data local inpath “/opt/module/data/movie.txt” into table movie_info;

SELECT movie, category_name FROM movie_info lateral VIEW explode(split(category,”,”)) movie_info_tmp AS category_name;

<a name="HkdP2"></a>
##### 5. 窗口函数

- 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。
   - CURRENT ROW：当前行
   - n PRECEDING：往前 n 行数据
   - n FOLLOWING：往后 n 行数据
   - UNBOUNDED：起点，
      - UNBOUNDED PRECEDING 表示从前面的起点，
      - UNBOUNDED FOLLOWING 表示到后面的终点
   - LAG(col,n,default_val)：往前第 n 行数据
   - LEAD(col,n, default_val)：往后第 n 行数据
   - NTILE(n)：把有序窗口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。
- 使用
   - 数据
```sql
jack,2017-01-01,10
tony,2017-01-02,15
jack,2017-02-03,23
tony,2017-01-04,29
jack,2017-01-05,46
jack,2017-04-06,42
tony,2017-01-07,50
jack,2017-01-08,55
mart,2017-04-08,62
mart,2017-04-09,68
neil,2017-05-10,12
mart,2017-04-11,75
neil,2017-06-12,80
mart,2017-04-13,94

需求

（1）查询在 2017 年 4 月份购买过的顾客及总人数
（2）查询顾客的购买明细及月购买总额
（3）上述的场景, 将每个顾客的 cost 按照日期进行累加
（4）查询每个顾客上次的购买时间
（5）查询前 20%时间的订单信息

答案 ```sql
创建 hive 表并导入数据
create table business( name string, orderdate string, cost int ) ROW FORMAT DELIMITED FIELDS TERMINATED BY ‘,’; load data local inpath “/opt/module/data/business.txt” into table business;

（1）查询在 2017 年 4 月份购买过的顾客及总人数

select name,count(*) over () from business where substring(orderdate,1,7) = ‘2017-04’ group by name;

（2）查询顾客的购买明细及月购买总额

select name,orderdate,cost,sum(cost) over(partition by month(orderdate)) from business;

（3）上述的场景, 将每个顾客的 cost 按照日期进行累加

select name,orderdate,cost, sum(cost) over() as sample1,—所有行相加 sum(cost) over(partition by name) as sample2,—按 name 分组，组内数据相加 sum(cost) over(partition by name order by orderdate) as sample3,—按 name分组，组内数据累加 sum(cost) over(partition by name order by orderdate rows between UNBOUNDED PRECEDING and current row ) as sample4 ,—和 sample3 一样,由起点到当前行的聚合 sum(cost) over(partition by name order by orderdate rows between 1 PRECEDING and current row) as sample5, —当前行和前面一行做聚合 sum(cost) over(partition by name order by orderdate rows between 1 PRECEDING AND 1 FOLLOWING ) as sample6,—当前行和前边一行及后面一行 sum(cost) over(partition by name order by orderdate rows between current row and UNBOUNDED FOLLOWING ) as sample7 —当前行及后面所有行 from business;

（4）查询每个顾客上次的购买时间

select name,orderdate,cost, lag(orderdate,1,’1900-01-01’) over(partition by name order by orderdate ) as time1, lag(orderdate,2) over (partition by name order by orderdate) as time2 from business;

（5）查询前 20%时间的订单信息

select * from ( select name,orderdate,cost, ntile(5) over(order by orderdate) sorted from business ) t where sorted = 1;

<a name="lwOKk"></a>
##### 6. Rank

- 说明
   - RANK() 排序相同时会重复，总数不会变
   - DENSE_RANK() 排序相同时会重复，总数会减少
   - ROW_NUMBER() 会根据顺序计算
- 数据

![image.png](https://cdn.nlark.com/yuque/0/2022/png/23124036/1648126646624-03073ec0-f693-4f95-9659-4c71daf2fda4.png#clientId=u65905178-764a-4&crop=0&crop=0&crop=1&crop=1&from=paste&height=517&id=ue49451a9&margin=%5Bobject%20Object%5D&name=image.png&originHeight=646&originWidth=1067&originalType=binary&ratio=1&rotation=0&showTitle=false&size=100085&status=done&style=none&taskId=uc6dc5019-0ca5-4386-a6b4-efe724dc45e&title=&width=853.6)

- 需求

计算每门学科成绩排名。

- 答案
```sql
# 创建表 导入数据
create table score(
name string,
subject string, 
score int) 
row format delimited fields terminated by "\t";
load data local inpath '/opt/module/data/score.txt' into table score;


select name,subject,score,
rank() over(partition by subject order by score desc) rp,
dense_rank() over(partition by subject order by score desc) drp,
row_number() over(partition by subject order by score desc) rmp
from score;

## 结果
name subject score rp drp rmp
孙悟空 数学 95 1 1 1
宋宋 数学 86 2 2 2
婷婷 数学 85 3 3 3
大海 数学 56 4 4 4
宋宋 英语 84 1 1 1
大海 英语 84 1 1 2
婷婷 英语 78 3 2 3
孙悟空 英语 68 4 3 4
大海 语文 94 1 1 1
孙悟空 语文 87 2 2 2
婷婷 语文 65 3 3 3
宋宋 语文 64 4 4 4

7. 自定义函数

UDF（User-Defined-Function）一进一出
UDAF（User-Defined Aggregation Function）聚集函数，多进一出，类似于：count/max/min
UDTF（User-Defined Table-Generating Functions）一进多出，如 lateral view explode()
https://cwiki.apache.org/confluence/display/Hive/HivePlugins

九、压缩与解压缩

1. hadoop 支持的压缩
压缩参数配置

2. 开启 Map 输出端压缩

开启 map 输出阶段压缩可以减少 job 中 map 和 Reduce task 间数据传输量。具体配置如
下：

开启 hive 中间传输数据压缩功能

set hive.exec.compress.intermediate=true;

开启 mapreduce 中 map 输出压缩功能

hive (default)>set mapreduce.map.output.compress=true;

设置 mapreduce 中 map 输出数据的压缩方式

hive (default)>set mapreduce.map.output.compress.codec=org.apache.hadoop.io.compress.SnappyCodec;

执行查询语句

select count(ename) name from emp;

3. 开启 Reduce 输出阶段压缩

当 Hive 将输出写入到表中时，输出内容同样可以进行压缩。属性hive.exec.compress.output控制着这个功能。用户可能需要保持默认设置文件中的默认值false，这样默认的输出就是非压缩的纯文本文件了。用户可以通过在查询语句或执行脚本中设置这个值为 true，来开启输出结果压缩功能。

开启 hive 最终输出数据压缩功能

set hive.exec.compress.output=true;

开启 mapreduce 最终输出数据压缩

set mapreduce.output.fileoutputformat.compress=true;

设置 mapreduce 最终数据输出压缩方式

set mapreduce.output.fileoutputformat.compress.codec =org.apache.hadoop.io.compress.SnappyCodec;

设置 mapreduce 最终数据输出压缩方式

set mapreduce.output.fileoutputformat.compress.type=BLOCK;

测试一下输出结果是否是压缩文件
```
insert overwrite local directory
'/opt/module/data/distribute-result' select * from emp distribute by 
deptno sort by empno desc;
```
4. 文件存储格式
Hive 支持的存储数据的格式主要有：TEXTFILE 、SEQUENCEFILE、ORC、PARQUET，其中TEXTFILE 和 SEQUENCEFILE 的存储格式都是基于行存储的；ORC 和 PARQUET 是基于列式存储的。
行存储特点

查询满足条件的一整行数据的时候，列存储则需要去每个聚集的字段找到对应的每个列的值，行存储只需要找到其中一个值，其余的值都在相邻地方，所以此时行存储查询的速度更快。

列存储特点

因为每个字段的数据聚集存储，在查询只需要少数几个字段的时候，能大大减少读取的数据量；每个字段的数据类型一定是相同的，列式存储可以针对性的设计更好的设计压缩算法。

1. TextFile 格式

默认格式，数据不做压缩，磁盘开销大，数据解析开销大。可结合 Gzip、Bzip2 使用，但使用 Gzip 这种方式，hive 不会对数据进行切分，从而无法对数据进行并行操作。

2. Orc 格式

Orc (Optimized Row Columnar)是 Hive 0.11 版里引入的新的存储格式。到每个 Orc 文件由 1 个或多个 stripe 组成，每个 stripe 一般为 HDFS的块大小，每一个 stripe 包含多条记录，这些记录按照列进行独立存储，对应到 Parquet中的 row group 的概念。每个 Stripe 里有三部分组成，分别是 Index Data，Row Data，Stripe Footer：

3. Parquet 格式

Parquet 文件是以二进制方式存储的，所以是不可以直接读取的，文件中包括该文件的数据和元数据，因此 Parquet 格式文件是自解析的

十、调优

1. 查看执行计划

EXPLAIN [EXTENDED | DEPENDENCY | AUTHORIZATION] query

hive (default)> explain extended select * from emp;
hive (default)> explain extended select deptno, avg(sal) avg_sal from emp group by deptno;

2. 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。

<property>
  <name>hive.fetch.task.conversion</name>
  <value>more</value>
  <description>
    Expects one of [none, minimal, more].
    Some select queries can be converted to single FETCH task minimizing 
    latency.
    Currently the query should be single sourced not having any subquery 
    and should not have any aggregations or distincts (which incurs RS), 
    lateral views and joins.
    0. none : disable hive.fetch.task.conversion
    1. minimal : SELECT STAR, FILTER on partition columns, LIMIT only
    2. more : SELECT, FILTER, LIMIT only (support TABLESAMPLE and 
    virtual columns)
  </description>
</property>

3. 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。
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。

set hive.exec.mode.local.auto=true; //开启本地 mr

//设置 local mr 的最大输入数据量，当输入数据量小于这个值时采用 local mr 的方式，默认为 134217728，即 128M
set hive.exec.mode.local.auto.inputbytes.max=50000000;

//设置 local mr 的最大输入文件个数，当输入文件个数小于这个值时采用 local mr 的方式，默认为 4
set hive.exec.mode.local.auto.input.files.max=10;

4. 表的优化

新版的 hive 已经对小表 JOIN 大表和大表 JOIN 小表进行了优化。小表放在左边和右边已经没有区别。

5. 大表 Join 大表

空 KEY 过滤

有时 join 超时是因为某些 key 对应的数据太多，而相同 key 对应的数据都会发送到相同的 reducer 上，从而导致内存不够。此时我们应该仔细分析这些异常的 key，很多情况下，这些 key 对应的数据是异常数据，我们需要在 SQL 语句中进行过滤。例如 key 对应的字段为空，操作如下：

hive (default)> insert overwrite table jointable select n.* from (select 
* from nullidtable where id is not null) n left join bigtable o on n.id = 
o.id;

空值转化

有时虽然某个 key 为空对应的数据很多，但是相应的数据不是异常数据，必须要包含在join 的结果中，此时我们可以表 a 中 key 为空的字段赋一个随机的值，使得数据随机均匀地分不到不同的 reducer 上。例如：

insert overwrite table jointable
select n.* from nullidtable n full join bigtable o on 
nvl(n.id,rand()) = o.id;

Group By

默认情况下，Map 阶段同一 Key 数据分发给一个 reduce，当一个 key 数据过大时就倾斜了。并不是所有的聚合操作都需要在 Reduce 端完成，很多聚合操作都可以先在 Map 端进行部分聚合，最后在 Reduce 端得出最终结果。

# 是否在 Map 端进行聚合，默认为 True
set hive.map.aggr = true

# 在 Map 端进行聚合操作的条目数目
set hive.groupby.mapaggr.checkinterval = 100000

# 有数据倾斜的时候进行负载均衡（默认是 false）
set hive.groupby.skewindata = true

Count(Distinct) 去重统计

数据量小的时候无所谓，数据量大的情况下，由于 COUNT DISTINCT 操作需要用一个Reduce Task 来完成，这一个 Reduce 需要处理的数据量太大，就会导致整个 Job 很难完成，一般 COUNT DISTINCT 使用先 GROUP BY 再 COUNT 的方式替换,但是需要注意 group by 造成的数据倾斜问题.

# 执行去重 id 查询
select count(distinct id) from bigtable;

# 采用 GROUP by 去重 id
select count(id) from (select id from bigtable group by 
id) a;

笛卡尔积

尽量避免笛卡尔积，join 的时候不加 on 条件，或者无效的 on 条件，Hive 只能使用 1 个
reducer 来完成笛卡尔积。

6. 合理设置 Map 及 Reduce 数

通常情况下，作业会通过 input 的目录产生一个或者多个 map 任务

主要的决定因素有：input 的文件总个数，input 的文件大小，集群设置的文件块大小。

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。

是不是保证每个 map 处理接近 128m 的文件块，就高枕无忧了？

答案也是不一定。比如有一个 127m 的文件，正常会用一个 map 去完成，但这个文件只有一个或者两个小字段，却有几千万的记录，如果 map 处理的逻辑比较复杂，用一个 map任务去做，肯定也比较耗时。

7. 并行执行

Hive 会将一个查询转化成一个或者多个阶段。这样的阶段可以是 MapReduce 阶段、抽样阶段、合并阶段、limit 阶段。或者 Hive 执行过程中可能需要的其他阶段。默认情况下，Hive 一次只会执行一个阶段。不过，某个特定的 job 可能包含众多的阶段，而这些阶段可能并非完全互相依赖的，也就是说有些阶段是可以并行执行的，这样可能使得整个 job 的执行时间缩短。不过，如果有更多的阶段可以并行执行，那么 job 可能就越快完成。
通过设置参数 hive.exec.parallel 值为 true，就可以开启并发执行。不过，在共享集群中，需要注意下，如果 job 中并行阶段增多，那么集群利用率就会增加。

set hive.exec.parallel=true; //打开任务并行执行
set hive.exec.parallel.thread.number=16; //同一个 sql 允许最大并行度，默认为8。

8. 严格模式

Hive 可以通过设置防止一些危险操作：

分区表不使用分区过滤

将 hive.strict.checks.no.partition.filter 设置为 true 时，对于分区表，除非 where 语句中含有分区字段过滤条件来限制范围，否则不允许执行。换句话说，就是用户不允许扫描所有分区。进行这个限制的原因是，通常分区表都拥有非常大的数据集，而且数据增加迅速。没有进行分区限制的查询可能会消耗令人不可接受的巨大资源来处理这个表。

使用 order by 没有 limit 过滤

将 hive.strict.checks.orderby.no.limit 设置为 true 时，对于使用了 order by 语句的查询，要求必须使用 limit 语句。因为 order by 为了执行排序过程会将所有的结果数据分发到同一个Reducer 中进行处理，强制要求用户增加这个 LIMIT 语句可以防止 Reducer 额外执行很长一段时间。

笛卡尔积

将 hive.strict.checks.cartesian.product 设置为 true 时，会限制笛卡尔积的查询。对关系型数据库非常了解的用户可能期望在执行 JOIN 查询的时候不使用 ON 语句而是使用 where 语句，这样关系数据库的执行优化器就可以高效地将 WHERE 语句转化成那个 ON 语句。不幸的是，Hive 并不会执行这种优化，因此，如果表足够大，那么这个查询就会出现不可控的情况。

Hive