大数据面试重点之hive(五)

HQL：行转列、列转行
可回答：Hive中怎么实现列转行，行转列？
问过的一些公司：Shopee(2021.07)，美团(2021.08)x2 参考答案：
1、行转列：UDF聚合函数

1. 相关函数
   concat：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;
   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。
2. 数据准备

name constellation blood_type
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

1. 创建hive表并导入数据
2. create table person_info(
3. name string,
4. constellation string,
5. blood_type string)
6. row format delimited fields terminated by “t”;
7. load data local inpath “/opt/module/datas/constellation.txt” into table person_info;
   7
8. 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

1 select name,concat(constellation, “,”,blood_type) as base from person_info; 2

1. select t1.base concat_ws(‘|’,collect_set(t1.name)) name
2. from(
3. select
4. name,
5. concat(constellation, “,”,blood_type) as base
6. from
7. person_info;
   8 ) t1
   9 group by t1.base; 10

2、列转行：UDTF爆炸函数

1. 相关函数
   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
   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，在此基础上可以对拆分后的数据进行聚合。
2. 数据准备

movie category
《疑犯追踪》 悬疑，动作，科幻，剧情
《Lie to me》 悬疑，警匪，动作，心里，剧情
《战狼2》 战争，动作，灾难

1. 创建hive表并导入数据
2. create table movie_info(
3. movie string,
4. category array)
5. row format delimited fields terminated by “t”
6. collection items terminated by “,”; 6
   1 load data local inpath “/opt/module/datas/movie.txt” into table movie_info; 2
7. 需求
   将电影分类中的数组数据展开

1 select movie,category_name from movie_info lateral view explode(category) table_category as category_name;
2

一条HQL从代码到执行的过程
问过的一些公司：Shopee(2021.08)，兴业数金(2021.09) 参考答案：
Hive在执行一条HQL的时候，会经过以下步骤：

1. 语法解析：Antlr定义SQL的语法规则，完成SQL词法，语法解析，将SQL转化为抽象 语法树AST Tree；
2. 语义解析：遍历AST Tree，抽象出查询的基本组成单元QueryBlock； 3）生成逻辑执行计划：遍历QueryBlock，翻译为执行操作树OperatorTree；
3. 优化逻辑执行计划：逻辑层优化器进行OperatorTree变换，合并不必要的ReduceSinkOperator，减少shuffle数据量；
4. 生成物理执行计划：遍历OperatorTree，翻译为MapReduce任务； 6）优化物理执行计划：物理层优化器进行MapReduce任务的变换，生成最终的执行计划； 另一种说法：
   1）输入一条HQL查询语句（select * from tab） 2）解析器对这条HQL语句进行语法分析。
5. 编译器对这条HQL语句生成HQL的执行计划。
6. 优化器生成最佳的HQL的执行计划。
7. 执行这条最佳HQL语句。

了解Hive SQL吗？讲讲分析函数？
问过的一些公司： 参考答案：
1、Hive SQL
Hive是一个数据仓库基础的应用工具，在Hadoop中用来处理结构化数据，它架构在Hadoop之上，通过 SQL来对数据进行操作。Hive将用户的Hive SQL语句通过解释器转换为MapReduce作业提交到Hadoop集群上，Hadoop 监控作业执行过程，然后返回执行结果给用户。
Hive SQL跟SQL是有区别的：
HQL不支持行级别的增、改、删，所有数据在加载时就已经确定，不可更改。 不支持事务。
支持分区存储。
Hive下的SQL特点：
不支持等值连接，一般使用leh join、right join 或者inner join替代。不能智能识别concat(‘;’,key)，只会将’；’当做SQL结束符号。
不支持INSERT INTO 表Values（）, UPDATE, DELETE等操作
Hive SQL中String类型的字段若是空(empty)字符串, 即长度为0, 那么对它进行IS NULL的判断结果是False，使用leh join可以进行筛选行。
不支持'< dt

1. select *,sum(score) over (partition by clazz) as num from windowtest;
2. select ,sum(score) over (partition by clazz order by score) as num from windowtest;
   3
   查询结果：
   
   也就是说上面的select ,sum(score) over (partition by clazz order by score) as num from windowtest;其实
   等价于下面这句

1 select *,sum(score) over (partition by clazz order by score range between unbounded preceding and current row) as num from windowtest;
2
测试后，发现结果一致，说明聚合函数加上order by，就等同于加上从当前行到之前所有行的窗口帧。2）以排序函数为例，下面的排序函数结果中，左图为加上order by的结果，右图为不加order by的结果

1. select *,row_number() over (partition by clazz order by score) from windowtest;
2. select *,row_number() over (partition by clazz) from windowtest; Hive优化方法
   问过的一些公司：字节(2021.08) 参考答案：
   1、列裁剪和分区裁剪
   最基本的操作。所谓列裁剪就是在查询时只读取需要的列，分区裁剪就是只读取需要的分区。 案例：
3. select uid,event_type,record_data
4. from calendar_record_log
   3 where pt_date >= 20190201 and pt_date
5. select a.uid,a.event_type,b.topic_id,b.title
6. from calendar_record_log a
7. left outer join (
8. select uid,topic_id,title from forum_topic
9. where pt_date = 20190224 and length(content) >= 100
10. ) b on a.uid = b.uid
11. where a.pt_date = 20190224 and status = 0; 8
    对forum_topic做过滤的where语句写在子查询内部，而不是外部。Hive中有谓词下推优化的配置项hive.optimize.ppd ，默认值true，与它对应的逻辑优化器是PredicatePushDown。该优化器就是将OperatorTree中的FilterOperator向上提，见下图。
    
    3、sort by代替order by
    HQL中的order by与其他SQL方言中的功能一样，就是将结果按某字段全局排序，这会导致所有map端数据都进入一个reducer中，在数据量大时可能会长时间计算不完。
    如果使用sort by，那么还是会视情况启动多个reducer进行排序，并且保证每个reducer内局部有序。为了控制map端数据分配到reducer的key，往往还要配合distribute by一同使用。如果不加distribute by的话，map端数据就会随机分配到reducer。
    举个例子，假如要以UID为key，以上传时间倒序、记录类型倒序输出记录数据：
12. select uid,upload_time,event_type,record_data
13. from calendar_record_log
    3 where pt_date >= 20190201 and pt_date
14. distribute by uid
15. sort by upload_time desc,event_type desc; 6
    4、group by代替distinct
    当要统计某一列的去重数时，如果数据量很大，count(distinct)就会非常慢，原因与order by类似， count(distinct)逻辑只会有很少的reducer来处理。这时可以用group by来改写：
16. select count(1) from (
17. select uid from calendar_record_log 3 where pt_date >= 20190101
    4 group by uid
    5 ) t;
    6
    但是这样写会启动两个MR job（单纯distinct只会启动一个），所以要确保数据量大到启动job的overhead 远小于计算耗时，才考虑这种方法。当数据集很小或者key的倾斜比较明显时，group by还可能会比distinct慢。
    那么如何用group by方式同时统计多个列？下面是解决方法：
18. select t.a,sum(t.b),count(t.c),count(t.d) from (
19. select a,b,null c,null d from some_table
20. union all
21. select a,0 b,c,null d from some_table group by a,c
22. union all
23. select a,0 b,null c,d from some_table group by a,d 7 ) t;
    8
    5、group by配置调整
24. map端预聚合
    group by时，如果先起一个combiner在map端做部分预聚合，可以有效减少shuffle数据量。预聚合的配置项是 hive.map.aggr ，默认值true，对应的优化器为GroupByOptimizer，简单方便。
    通过 hive.groupby.mapaggr.checkinterval 参数也可以设置map端预聚合的行数阈值，超过该值就会分拆job，默认值100000。
25. 倾斜均衡配置项
    group by时如果某些key对应的数据量过大，就会发生数据倾斜。Hive自带了一个均衡数据倾斜的配置项 hive.groupby.skewindata ，默认值false。
    其实现方法是在group by时启动两个MR job。第一个job会将map端数据随机输入reducer，每个reducer 做部分聚合，相同的key就会分布在不同的reducer中。第二个job再将前面预处理过的数据按key聚合并 输出结果，这样就起到了均衡的效果。
    但是，配置项毕竟是死的，单纯靠它有时不能根本上解决问题，因此还是建议自行了解数据倾斜的细 节，并优化查询语句。
    6、join基础优化
    join优化是一个复杂的话题，下面先说5点最基本的注意事项。1）build table（小表）前置
    在最常见的hash join方法中，一般总有一张相对小的表和一张相对大的表，小表叫build table，大表叫probe table。如下图所示。
    

Hive在解析带join的SQL语句时，会默认将最后一个表作为probe table，将前面的表作为build table并试图将它们读进内存。如果表顺序写反，probe table在前面，引发OOM的风险就高了。
在维度建模数据仓库中，事实表就是probe table，维度表就是build table。假设现在要将日历记录事实表和记录项编码维度表来join：

1. select a.event_type,a.event_code,a.event_desc,b.upload_time
2. from calendar_event_code a
3. inner join (
4. select event_type,upload_time from calendar_record_log
5. where pt_date = 20190225
6. ) b on a.event_type = b.event_type; 7
7. 多表join时key相同
   这种情况会将多个join合并为一个MR job来处理，例如：
8. select a.event_type,a.event_code,a.event_desc,b.upload_time
9. from calendar_event_code a
10. inner join (
11. select event_type,upload_time from calendar_record_log
12. where pt_date = 20190225
13. ) b on a.event_type = b.event_type
14. inner join (
15. select event_type,upload_time from calendar_record_log_2
16. where pt_date = 20190225
17. ) c on a.event_type = c.event_type; 11
    如果上面两个join的条件不相同，比如改成 a.event_code = c.event_code ，就会拆成两个MR job计算。
18. 利用map join特性
    map join特别适合大小表join的情况。Hive会将build table和probe table在map端直接完成join过程，消灭了reduce，效率很高。
19. select / +mapjoin(a)/ a.event_type,b.upload_time
20. from calendar_event_code a
21. inner join (
22. select event_type,upload_time from calendar_record_log
23. where pt_date = 20190225
24. ) b on a.event_type < b.event_type; 7
    上面的语句中加了一条map join hint，以显式启用map join特性。早在Hive 0.8版本之后，就不需要写这条hint了。map join还支持不等值连接，应用更加灵活。
    map join的配置项是 hive.auto.convert.join ，默认值true，对应逻辑优化器是MapJoinProcessor。还有一些参数用来控制map join的行为，比如 hive.mapjoin.smalltable.filesize ，当build table
    大小小于该值就会启用map join，默认值25000000（25MB）。还有 hive.mapjoin.cache. numrows ，表示缓存build table的多少行数据到内存，默认值25000。
25. 分桶表map join
    map join对分桶表还有特别的优化。由于分桶表是基于一列进行hash存储的，因此非常适合抽样（按桶或按块抽样）。

它对应的配置项是 hive.optimize.bucketmapjoin ，优化器是BucketMapJoinOptimizer。

1. 倾斜均衡配置项
   这个配置与上面group by的倾斜均衡配置项异曲同工，通过 hive.optimize.skewjoin 来配置，默认
   false。
   如果开启了，在join过程中Hive会将计数超过阈值 hive.skewjoin.key （默认100000）的倾斜key对应的行临时写进文件中，然后再启动另一个job做map join生成结果。通过 hive.skewjoin. mapjoin.map.tasks 参数还可以控制第二个job的mapper数量，默认10000。
   再重复一遍，通过自带的配置项经常不能解决数据倾斜问题。join是数据倾斜的重灾区，后面还要介绍 在SQL层面处理倾斜的各种方法。
   7、优化SQL处理join数据倾斜
2. 空值或无意义值
   这种情况很常见，比如当事实表是日志类数据时，往往会有一些项没有记录到，我们视情况会将它置为
   null，或者空字符串、-1等。如果缺失的项很多，在做join时这些空值就会非常集中，拖累进度。
   因此，若不需要空值数据，就提前写where语句过滤掉。需要保留的话，将空值key用随机方式打散，例 如将用户ID为null的记录随机改为负值：
3. select a.uid,a.event_type,b.nickname,b.age
4. from (
5. select
6. (case when uid is null then cast(rand()*-10240 as int) else uid end) as uid,
7. event_type from calendar_record_log 6 where pt_date >= 20190201
8. ) a left outer join (
9. select uid,nickname,age from user_info where status = 4
10. ) b on a.uid = b.uid; 10
11. 单独处理倾斜key
    这其实是上面处理空值方法的拓展，不过倾斜的key变成了有意义的。一般来讲倾斜的key都很少，我们 可以将它们抽样出来，对应的行单独存入临时表中，然后打上一个较小的随机数前缀（比如0~9），最 后再进行聚合。SQL语句与上面的相仿。
12. 不同数据类型
    这种情况不太常见，主要出现在相同业务含义的列发生过逻辑上的变化时。
    举个例子，假如我们有一旧一新两张日历记录表，旧表的记录类型字段是(event_type int)，新表的是(event_type string)。为了兼容旧版记录，新表的event_type也会以字符串形式存储旧版的值，比如’17’。当这两张表join时，经常要耗费很长时间。其原因就是如果不转换类型，计算key的hash值时默认是以int 型做的，这就导致所有”真正的”string型key都分配到一个reducer上。所以要注意类型转换：
13. select a.uid,a.event_type,b.record_data
14. from calendar_record_log a
15. left outer join (
16. select uid,event_type from calendar_record_log_2
17. where pt_date = 20190228
18. ) b on a.uid = b.uid and b.event_type = cast(a.event_type as string) 7 where a.pt_date = 20190228;
    8
19. build table过大
    有时，build table会大到无法直接使用map join的地步，比如全量用户维度表，而使用普通join又有数据分布不均的问题。这时就要充分利用probe table的限制条件，削减build table的数据量，再使用map join 解决。代价就是需要进行两次join。举个例子：
20. select / +mapjoin(b)/ a.uid,a.event_type,b.status,b.extra_info
21. from calendar_record_log a
22. left outer join (
23. select / +mapjoin(s)/ t.uid,t.status,t.extra_info
24. from (select distinct uid from calendar_record_log where pt_date = 20190228) s
25. inner join user_info t on s.uid = t.uid
26. ) b on a.uid = b.uid
27. where a.pt_date = 20190228;
    9
    8、MapReduce优化
    
28. 调整mapper数
    mapper数量与输入文件的split数息息相关，在Hadoop源码org.apache.hadoop.mapreduce.lib.input.FileInputFormat 类中可以看到split划分的具体逻辑。这里不贴代码，直接叙述mapper数是如何确定的。
    可以直接通过参数 mapred.map.tasks （默认值2）来设定mapper数的期望值，但它不一定会生效，下面会提到。
    设输入文件的总大小为 total_input_size 。HDFS中，一个块的大小由参数 dfs.block.size
    指定，默认值64MB或128MB。在默认情况下，mapper数就是：

（默认值64MB）分别
default_mapper_num = total_input_size / dfs.block.size 。
参数 mapred.min.split.size （默认值1B）和 mapred.max.split.size
用来指定split的最小和最大大小。split大小和split数计算规则是：

split_size = MAX(mapred.min.split.size, MIN(mapred.max.split.size,

dfs.block.size)) ；
split_num = total_input_size / split_size 。
得出mapper数：

mapper_num = MIN(split_num, MAX(default_num, mapred.map.tasks)) 。

可见，如果想减少mapper数，就适当调高 mapred.min.split.size ，split数就减少了。如果想增大
mapper数，除了降低 mapred.min.split.size 之外，也可以调高 mapred.map.tasks 。
一般来讲，如果输入文件是少量大文件，就减少mapper数；如果输入文件是大量非小文件，就增大
mapper数；至于大量小文件的情况，参考下面”合并小文件”的方法处理。

1. 调整reducer数
   reducer数量的确定方法比mapper简单得多。使用参数 mapred.reduce.tasks 可以直接设定reducer数量，不像mapper一样是期望值。但如果不设这个参数的话，Hive就会自行推测，逻辑如下：
   参数 hive.exec.reducers.bytes.per.reducer 用来设定每个reducer能够处理的最大数据量， 默认值1G（1.2版本之前）或256M（1.2版本之后）。
   参数 hive.exec.reducers.max 用来设定每个job的最大reducer数量，默认值999（1.2版本之前）或1009（1.2版本之后）。
   得出reducer数：

reducer_num = MIN(total_input_size / reducers.bytes.per.reducer,
reducers.max) 。
reducer数量与输出文件的数量相关。如果reducer数太多，会产生大量小文件，对HDFS造成压力。如果reducer数太少，每个reducer要处理很多数据，容易拖慢运行时间或者造成OOM。

1. 合并小文件输入阶段合并
   需要更改Hive的输入文件格式，即参数 hive.input.format ，默认值是org.apache.hadoop.hive.ql.io.HiveInputFormat ，我们改成org.apache.hadoop.hive.ql.io.CombineHiveInputFormat 。
   这样比起上面调整mapper数时，又会多出两个参数，分别是
   mapred.min.split.size.per.node 和 mapred.min.split.size.per.rack ，含义是单节点和单机架上的最小split大小。如果发现有split大小小于这两个值（默认都是100MB），则会进行合 并。具体逻辑可以参看Hive源码中的对应类。
   输出阶段合并
   直接将 hive.merge.mapfiles 和 hive.merge.mapredfiles 都设为true即可，前者表示将map- only任务的输出合并，后者表示将map-reduce任务的输出合并。
   hive.merge.size.per.task 可 以 指 定 每 个 task 输 出 后 合 并 文 件 大 小 的 期 望 值 ， hive.merge.size.smallfiles.avgsize 可以指定所有输出文件大小的均值阈值，默认值都是1GB。如果平均大小不足的话，就会另外启动一个任务来进行合并。
2. 启用压缩
   压缩job的中间结果数据和输出数据，可以用少量CPU时间节省很多空间。压缩方式一般选择Snappy，效 率最高。

要启用中间压缩，需要设定 hive.exec.compress.intermediate 为true，同时指定压缩方式hive.intermediate.compression.codec 为 org.apache.hadoop.io.compress.SnappyCodec 。另外，参数 hive.intermediate.compression.type 可以选择对块（BLOCK）还是记录（RECORD）
压缩，BLOCK的压缩率比较高。
输出压缩的配置基本相同，打开 hive.exec.compress.output 即可。

1. JVM重用
   在MR job中，默认是每执行一个task就启动一个JVM。如果task非常小而碎，那么JVM启动和关闭的耗时就会很长。可以通过调节参数 mapred.job.reuse.jvm.num.tasks 来重用。例如将这个参数设成5， 那么就代表同一个MR job中顺序执行的5个task可以重复使用一个JVM，减少启动和关闭的开销。但它对不同MR job中的task无效。
   9、并行执行与本地模式
   并行执行
   Hive中互相没有依赖关系的job间是可以并行执行的，最典型的就是多个子查询union all。在集群资
   源相对充足的情况下，可以开启并行执行，即将参数 设为true。另外
   hive.exec.parallel
   hive.exec.parallel.thread.number 可以设定并行执行的线程数，默认为8，一般都够用。
   本地模式
   Hive也可以不将任务提交到集群进行运算，而是直接在一台节点上处理。因为消除了提交到集群的overhead，所以比较适合数据量很小，且逻辑不复杂的任务。
   设置 hive.exec.mode.local.auto 为true可以开启本地模式。但任务的输入数据总量必须小于hive.exec.mode.local.auto.inputbytes.max （默认值128MB），且mapper数必须小于hive.exec.mode.local.auto.tasks.max （默认值4），reducer数必须为0或1，才会真正用本地模式执行。
   10、严格模式
   所谓严格模式，就是强制不允许用户执行3种有风险的HiveQL语句，一旦执行会直接失败。这3种语句 是：
   查询分区表时不限定分区列的语句； 两表join产生了笛卡尔积的语句；
   用order by来排序但没有指定limit的语句。
   要开启严格模式，需要将参数 hive.mapred.mode 设为strict。
   11、采用合适的存储格式
   在HiveQL的create table语句中，可以使用 stored as … 指定表的存储格式。Hive表支持的存储格式有TextFile、SequenceFile、RCFile、Avro、ORC、Parquet等。
   存储格式一般需要根据业务进行选择，在我们的实操中，绝大多数表都采用TextFile与Parquet两种存储 格式之一。
   TextFile是最简单的存储格式，它是纯文本记录，也是Hive的默认格式。虽然它的磁盘开销比较大，查询 效率也低，但它更多地是作为跳板来使用。RCFile、ORC、Parquet等格式的表都不能由文件直接导入数 据，必须由TextFile来做中转。
   Parquet和ORC都是Apache旗下的开源列式存储格式。列式存储比起传统的行式存储更适合批量OLAP查 询，并且也支持更好的压缩和编码。我们选择Parquet的原因主要是它支持Impala查询引擎，并且我们对update、delete和事务性操作需求很低。

Hive里metastore是干嘛的
问过的一些公司：兴业数金(2021.09) 参考答案：
1、Metadata概念

元数据包含用Hive创建的database、table等的元信息。元数据存储在关系型数据库中。如Derby、MySQL 等。
2、Metastore作用
客户端连接metastore服务，metastore再去连接MySQL数据库来存取元数据。有了metastore服务，就可 以有多个客户端同时连接，而且这些客户端不需要知道MySQL数据库的用户名和密码，只需要连接metastore 服务即可。
3、Hive的元数据存储(Metastore三种配置方式)
由于元数据不断地修改、更新，所以Hive元数据不适合存储在HDFS中，一般存在RDBMS中。

1. 内嵌模式（Embedded）
   hive服务和metastore服务运行在同一个进程中，derby服务也运行在该进程中.内嵌模式使用的是内嵌的Derby数据库来存储元数据，也不需要额外起Metastore服务。
   这个是默认的，配置简单，但是一次只能一个客户端连接，适用于用来实验，不适用于生产环境。
2. 本地模式（Local）:
   本地安装mysql 替代derby存储元数据不再使用内嵌的Derby作为元数据的存储介质，而是使用其他数据库比如MySQL来存储元数据。hive服务和metastore服务运行在同一个进程中，mysql是单独的进程，可 以同一台机器，也可以在远程机器上。
   这种方式是一个多用户的模式，运行多个用户client连接到一个数据库中。这种方式一般作为公司内部 同时使用Hive。每一个用户必须要有对MySQL的访问权利，即每一个客户端使用者需要知道MySQL的用 户名和密码才行。
3. 远程模式（Remote）: 远程安装mysql 替代derby存储元数据
   Hive服务和metastore在不同的进程内，可能是不同的机器，该模式需要将hive.metastore.local设置为false，将hive.metastore.uris设置为metastore服务器URL，远程元存储需要单独起metastore服务，然后每 个客户端都在配置文件里配置连接到该metastore服务。将metadata作为一个单独的服务进行启动。各种 客户端通过beeline来连接，连接之前无需知道数据库的密码。
   仅连接远程的mysql并不能称之为”远程模式”，是否远程指的是metastore和hive服务是否在同一进程内.

HiveServer2是什么？
问过的一些公司：兴业数金(2021.09) 参考答案：
HiveServer2（HS2）是一个服务端接口，使远程客户端可以执行对Hive的查询并返回结果。目前基于Thrih RPC的实现是HiveServer的改进版本，并支持多客户端并发和身份验证.

HiveServer的核心是基于Thrih，Thrih负责hive的查询服务，Thtih是构建跨平台的rpc框架，主要由四层 组成：server，Transport，Protocol和处理器
server
HiveServer在TCP模式下使用ThreadPoolServer，在HTTP下使用jetty server server主要为每个tpc连接分配一个工作线程
Transport
如果客户端与服务器之间需要代码（安全原因），则需要http模式，通过hive配置属性
hive.server2.transport.mode指定Thrih服务的传输模式

Protocol
协议主要负责序列化和反序列化处理器
处理请求的应用程序框架，实现了编译和执行hive查询的逻辑，负责准备各种执行引擎的物理执行 计划

Hive表字段换类型怎么办
问过的一些公司：贝壳找房(2021.11) 参考答案：
1、使用alter table change column命令直接修改
2、如果表中已经有数据的话，通过上面的语句进行修改后会导致数据无法展示。 可以通过下面的方式操作

1. 先将要改字段结构的表名 修改为一个临时表

1 alter table 表1 rename to 表2; 2

1. 在创建一个和原来（表1）一模一样的表3
2. 将修改表名之后的数据插入到新建的表

1 insert into 表3 select * from 表2; 2

parquet文件优势
问过的一些公司： 参考答案：
1、更高的压缩比
列存使得更容易对每个列使用高效的压缩和编码，降低磁盘空间。（网上的case是不压缩、gzip、
snappy分别能达到11/27/19的压缩比）
2、更小的IO操作
使用映射下推和谓词下推，只读取需要的列，跳过不满足条件的列，能够减少不必要的数据扫描，带来 性能的提升并在表字段比较多的时候更加明显。

Original: https://blog.csdn.net/m0_46914845/article/details/127032946
Author: 大数据小理
Title: 大数据面试重点之hive(五)