Hive架构、倾斜优化、sql及常见问题

Hive架构

hive架构如图所示，client跟driver交互，通过parser、planner、optimizer，最后转为mapreduce运行，具体步骤如下

1. driver输入一条sql，会由parser转为抽象语法树AST，这个是没有任务元数据信息的语法树；
2. 语法分析器再把AST转为一个一个的QueryBlock，一个QueryBlock包含输入、输出、计算逻辑，也就是说一个子程序就是QueryBlock
3. planner遍历所有的QueryBlock，转为一个个的Operator（算子，比如tablescanOperator），最后形成OperatorTree；
4. 优化器对OperatorTree进行优化，包含谓词下推、剪枝等；
5. 然后遍历OperatorTree，分割成多个mapreduce作业，形成物理计划
6. 之后进行物理优化，比如是否进行map join等

Hive 数据倾斜优化

1. 对于group by可以有两个优化点
   map聚合：set hive.map.aggr=true，会在map端对相同key先聚合一下；
   分发为两道作业：set hive.groupby.skewindata=true，会对原来的一道作业分为两道作业，第一道随机分配key，第二道再按key分配
   注意：对于部分聚合函数有用，比如sum和count，但是完全聚合函数无用，比如avg
2. 对于join也有两个优化点
   map join：新版hive中默认开启set hive.auto.convert.join=true ，join的左表如果足够小，会直接把左表内容加载到内存中
   两道作业：set hive.optimize.skewjoin = true;set hive.skewjoin.key = skew_key_threshold （default = 100000）这个两道作业跟groupby不一样，这个是说把超过10万行的数据单独启一道map join，最后再把结果聚合

hive常见问题

1. hive不支持非等值join
   错误:select from a inner join b on a.id<>b.id
   替代方法:select from a inner join b on a.id=b.id and a.id is null;
2. hive不支持非join连接
   错误：select from dual a,dual b where a.key = b.key;
   正确：select from dual a join dual b on a.key = b.key;
3. hive不支持or
   错误:select from a inner join b on a.id=b.id or a.name=b.name
   替代方法:select from a inner join b on a.id=b.id union all select * from a inner join b on a.name=b.name
4. hive内部表和外部表的区别
   创建表时：创建内部表时，会将数据移动到数据仓库指向的路径；若创建外部表，仅记录数据所在的路径， 不对数据的位置做任何改变。
   删除表时：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。这样外部表相对来说更加安全些，数据组织也更加灵活，方便共享源数据
5. sortby、orderby、distributeby
   order by会引发全局排序；会导致所有的数据集中在一台reducer节点上，然后进行排序，这样很可能会超过单个节点的磁盘和内存存储能力导致任务失败。
   distribute by + sort by就是该替代方案，被distribute by设定的字段为KEY，数据会被HASH分发到不同的reducer机器上，然后sort by会对同一个reducer机器上的每组数据进行局部排序。