更新时间:2020-05-09 13:47:58 来源:极悦 浏览2049次
1.hive表关联查询,如何解决数据倾斜的问题?
倾斜原因:
map输出数据按keyHash的分配到reduce中,由于key分布不均匀、业务数据本身的特、建表时考虑不周、等原因造成的reduce上的数据量差异过大。
1)、key分布不均匀;
2)、业务数据本身的特性;
3)、建表时考虑不周;
4)、某些SQL语句本身就有数据倾斜;
如何避免:对于key为空产生的数据倾斜,可以对其赋予一个随机值。
解决方案
1>.参数调节:
hive.map.aggr=true
hive.groupby.skewindata=true
有数据倾斜的时候进行负载均衡,当选项设定位true,生成的查询计划会有两个MRJob。第一个MRJob中,Map的输出结果集合会随机分布到Reduce中,每个Reduce做部分聚合操作,并输出结果,这样处理的结果是相同的GroupByKey有可能被分发到不同的Reduce中,从而达到负载均衡的目的;第二个MRJob再根据预处理的数据结果按照GroupByKey分布到Reduce中(这个过程可以保证相同的GroupByKey被分布到同一个Reduce中),最后完成最终的聚合操作。
2>.SQL语句调节:
1)、选用joinkey分布最均匀的表作为驱动表。做好列裁剪和filter操作,以达到两表做join的时候,数据量相对变小的效果。
2)、大小表Join:
使用mapjoin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.
4)、大表Join大表:
把空值的key变成一个字符串加上随机数,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结果。
5)、countdistinct大量相同特殊值:
countdistinct时,将值为空的情况单独处理,如果是计算countdistinct,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groupby,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。
2.请谈一下hive的特点是什么?hive和RDBMS有什么异同?
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,并提供完整的sql查询功能,可以将sql语句转换为MapReduce任务进行运行。其优点是学习成本低,可以通过类SQL语句快速实现简单的MapReduce统计,不必开发专门的MapReduce应用,十分适合数据仓库的统计分析。
hive存储的数据量比较大,适合海量数据,适合存储轨迹类历史数据,适合用来做离线分析、数据挖掘运算,事务性较差,实时性较差
rdbms一般数据量相对来说不会太大,适合事务性计算,实时性较好,更加接近上层业务
hive的计算引擎是hadoop的mapreduce,存储是hadoop的hdfs文件系统
rdbms的引擎由数据库自己设计实现例如mysql的innoDB,存储用的是数据库服务器本地的文件系统
hive由于基于hadoop所以存储和计算的扩展能力都很好,
rdbms在这方面比较弱,比如orcale的分表和扩容就很头疼
hive表格没有主键、没有索引、不支持对具体某一行的操作,适合对批量数据的操作,不支持对数据的update操作,更新的话一般是先删除表然后重新落数据
rdbms事务性强,有主键、索引,支持对具体某一行的增删改查等操作
hive的SQL为HQL,与标准的RDBMS的SQL存在有不少的区别,相对来说功能有限
rdbms的SQL为标准SQL,功能较为强大。
3.Multi-groupby是hive的一个非常好的特性,请举例说明?
fromA
insertoverwritetableB
selectA.a,count(distinctA.b)groupbyA.a
insertoverwritetableC
selectA.c,count(distinctA.b)groupbyA.c
4.请说明hive中SortBy,OrderBy,ClusterBy,DistrbuteBy各代表什么意思
orderby:会对输入做全局排序,因此只有一个reducer(多个reducer无法保证全局有序)。只有一个reducer,会导致当输入规模较大时,需要较长的计算时间。
sortby:不是全局排序,其在数据进入reducer前完成排序。
distributeby:按照指定的字段对数据进行划分输出到不同的reduce中。
clusterby:除了具有distributeby的功能外还兼具sortby的功能。
5.简要描述数据库中的null,说出null在hive底层如何存储,并解释selecta.*fromt1aleftouterjoint2bona.id=b.idwhereb.idisnull;语句的含义
null与任何值运算的结果都是null,可以使用isnull、isnotnull函数指定在其值为null情况下的取值。
null在hive底层默认是用'\N'来存储的,可以通过altertabletestSETSERDEPROPERTIES('serialization.null.format'='a');来修改。
这段语句目的是查询出t1表中与t2表中id相等的所有信息。
6.写出hive中split、coalesce及collect_list函数的用法(可举例)
split将字符串转化为数组。
split('a,b,c,d',',')==>["a","b","c","d"]
COALESCE(Tv1,Tv2,…)返回参数中的第一个非空值;如果所有值都为NULL,那么返回NULL。
collect_list列出该字段所有的值,不去重selectcollect_list(id)fromtable;
7.写出将text.txt文件放入hive中test表‘2016-10-10’分区的语句,test的分区字段是l_date。
LOADDATALOCALINPATH'/your/path/test.txt'OVERWRITEINTOTABLEtestPARTITION(l_date='2016-10-10')
8.请把下一语句用hive方式实现?
SELECTa.key,a.value
FROMa
WHEREa.keynotin(SELECTb.keyFROMb)
selecta.key,a.valuefromawherea.keynotexists(selectb.keyfromb)
以上就是极悦java培训机构的小编针对“基础面试题,Java校招笔试题目”的内容进行的回答,希望对大家有所帮助,如有疑问,请在线咨询,有专业老师随时为你服务。
0基础 0学费 15天面授
Java就业班有基础 直达就业
业余时间 高薪转行
Java在职加薪班工作1~3年,加薪神器
工作3~5年,晋升架构
提交申请后,顾问老师会电话与您沟通安排学习