Hive进阶

目录

一、MapReduce的计算过程

二、Yarn的资源调度

yarn的资源调度策略

三、Hive的语法树

四、Hive配置优化

五、数据开发

六、数据仓库

七、数据仓库开发流程

八、数仓分层

九、ETL和ELT

---

一、MapReduce的计算过程

分布式计算框架

需要编写代码执行，执行时会数据所在服务器上运行相同的计算代码

计算过程分为map 和reduce过程

map对多份数据进行拆分计算

reduce将分开的map结果合并一起计算
map的计算程序数量由文件块个数据决定，每个map计算一个块的数据

reduce的个数默认是一个；在进行数据拆分存储时，reduce个数由分区数和分桶数决定
map将数据传递给reduce过程称为shuffle过程

包含 分区，排序，合并

Map阶段

1-按照块数量进行split的块数据读取

2-split切割后的数据传递给对应的map进行处理,会对数据转为kv (张三,1) (张三，1)，（李四，1）

3-map将处理的后的数据写入buffer缓存区

4-对缓冲区内的数据进行spill溢出（读取缓冲区内的数据）

5-对读取的数据进行分区，将数据拆分多份

6-对每份拆分的数据进行排序 sort

7-将拆分的数据写入不同的文件

8-在将每次溢出的数据合并merge在一起，保存同一文件,文件是临时文件，计算后会删除

Reduce阶段

1-根据的分区数创建出多个reduce

2-每个reduce从不同的map中fetch获取相同分区的文件数据

3-在将fetch后的文件合并，对合并后的数据进行排序

4-reduce对合并后的文件数据进行计算

5-reduce对结果输出到hdfs的目录下

二、Yarn的资源调度

分布式资源调度，管理整个hadoop集群的所有服务器资源

6.7章节

• ResourceManger

  • 负责处理所有计算资源申请

• NodeManager

  • 负责资源空间（container）的创建

• ApplicationMaster

  • 管理计算任务，只有产生了mapreduce计算才会运行ApplicationMaster

  • 负责具体的资源分配

    • map使用多少

    • reduce使用多少

1-mapreduce提交计算任务给RM（ResourceManager）

2-RM中的applicationmanager负责创建applicationMaster进程

3-applicationMaster和applicationmanager保持通讯

4-applicationMaster找RM中的ResourceScheduler(资源调度器)申请计算需要的资源

5-applicationMaster通知对应的NodeManger创建资源空间container

6-在资源空间中先运行map阶段的计算，先运行reduce阶段的计算

7-map和reduce运行期间会将自身状态信息汇报给applicationMaster

8-计算完成后，applicationMaster通知NodeManger释放资源

9-资源释放后再通知applicationmanager把自身(applicationMaster)关闭释放资源

yarn的资源调度策略

当有多个计算任务同时请求yarn进行计算，如何分配资源给每个计算任务？

• 先进先出

  • 谁先抢到资源谁使用所有资源

  • 资源利用效率低

  • 如果遇到一个计算时间较长的任务，保资源占用后。其他的任务就无法计算

• 容量调度

  • 将资源分成多份

    • 不同计算任务使用不同的资源大小

• 公平调度

  • 资源全部给一个计算任务使用，但是当计算任务中的某个map或reduce计算完成后，可以将自身资源释放掉给其他计算任务使用

    • 5个map，其中有两个map计算完成，就可以先释放掉两个资源，给他任务使用，不同等待所有任务计算完成在释放

三、Hive的语法树

• 解析器

  • 解析sql关键词转为语法数据

• 分析器

  • 分析语法格式，字段类型等是否正确

• 优化器

  • 谓词下推

    • 调整jion和where执行顺序

  • 列值裁剪

• 执行器

  • 将语法中的逻辑转为mapreduce的计算java代码交给MR执行

四、Hive配置优化

hive中有三种配置方式

• 配置文件配置

  • hive的安装目录下的conf目录中的hive-site.xml

  • 全局有效，启动hive后会自动使用配置文件中的配置

  • 文件格式xml

• hive指令配置

nohup hive --service hiveserve2 --hiveconf 'hive.exec.dynamic.partition.mode=nostrict' &

• set配置

  • 在sql的操作界面设置

set hive.exec.dynamic.partition.mode=nostrict;
set hive.exec.dynamic.partition.mode;

优先级： set配置 > hive指令配置 > 配置文件
set配置只在当前操作界面生效，创建新的连接窗口就是失效了

日常开发中为了减少配置信息的影响，谁开发谁设置，采用set方式
hive的配置属性信息 Configuration Properties - Apache Hive - Apache Software Foundation

五、数据开发

数据开发主要分两种

• 操作型处理，叫联机事务处理OLTP（On-Line Transaction Processing）

  • 对数据进行事务操作，保证数据操作的安全性

  • 事务特性：原子性(Atomicity)、一致性(Consistency)、隔离性(Isolation)、持久性(Durability)

  • 原子性：一个sql语句的执行是不可拆分的,能完整执行得到结果，不被抢占资源

    • select * from (select * from tb2) tb;

  • 一致性

    • 多表数据写入时，数据是一致性

      • 订单表

        • 小米手机 1

      • 商品表

        • 小米手机 99

  • 隔离性

    • 程序员张三 update from order set stock=old_stock-num where id=1

      • 在更新数据之前会先查询剩余库存的

    • 程序员李四 update from order set stock=90 where id=1

    • 保证每个sql执行的任务是独立的，此时任务就要按顺序执行语句

  • 持久性

    • 数据会持久存储在磁盘上

  • 业务开发使用到数据库都属于联机事务处理

    • 业务开发（网站或程序）进行的数据操作对安全性要求比较高，所有采用的数据操作方式是联机事务处理

• 分析型处理，叫联机分析处理OLAP（On-Line Analytical Processing）

  • 大数据的数据开发主要进行的是联机分析处理

    • 对数据进行查询计算，得到结果进行分析

    • 数据一般是一次写入，多次读取

    • 大数据开发不涉及数据的删除，也不修改数据

六、数据仓库

数据仓库就是对公司的过往历史数据进行计算分析，为公司决策提供数据支撑

历史数据的数据量比较大，就需要采用大数据技术实现数据仓库开发

使用HiveSQL对海量数据采用结构化数据方式进行计算

数仓开发本质就是将文件数据转为了结构化数据进行分析计算的
数仓特征

• 面向主题的（Subject-Oriented ）

  • 根据分析内容采集相关数据进行计算

  • 每个分析方向就是一个主题

• 集成的（Integrated）

  • 将相关主题的数据收集在一起进行计算，形成一个大的宽表

  • 销售主题开发

    • 订单表，订单商品表，订单评价，退款订单表

• 非易失的（Non-Volatile）

  • 数仓数据不容易丢失，也不会进行删除和修改

• 时变的（Time-Variant ）

  • 随着分析需求的改变，数仓中的数据也在不断变化，随着时间推移，统计的字段计算数据也在发生变化

  • 用户表 用户名，用户性别，用户年龄，用户地址，用户手机号

七、数据仓库开发流程

• 设计主题计算需求

  • 数据分析师或者数据产品经理

• 数据来源

  • Mysql中的业务数据

  • 文件数据 excel文件，csv文件，json，log

• 采集数据源数据

  • kettle

  • sqoop

  • datax

  • 代码采集

• 对采集的数据进行清洗转化，将处理的后的数据写入到hdfs中

  • 数据采集时单独岗位

    • ETL开发工程师

• 数据的计算

  • mapreduce --> hiveSQL

  • spark

  • flink

  • 数据计算和结果保存属于数仓开发岗

• 将计算的结果数据存储到指定位置

  • hdfs

  • habse

  • es

  • Mysql

  • 数据计算和结果保存属于数仓开发岗

• 对结果数据进行BI展示

  • fineBI

  • powerBI

  • superset

  • BI工程师

八、数仓分层

将数据的计算过程拆分成多个部分就是数仓分层

分层实现就是创建不同数据库
数仓最基本的三个分层

• ODS(old data service)

  • 保存原始数据，采集清洗后的数据会被写入ods层

  • create databases ods;

• DW(Data WareHouse)

  • 数仓开发层，对数据进行计算

  • create databases dw;

• APP(application)

  • 结果数据层

  • 不同主题下的数据保存在对应表目录下

  • create databases app;

对dw层可以进行分层的拆分

dwb 基础数据 在这一层进行数据的过滤

dwd 数据详情层 进行数据的关联

对数据的计算流程拆分后，形式一个完成数据开发流程，在流程中的每个关节都可以单独进行开发

select gender,avg(age) from tb1 join tb2 where dt = 2021-10-10 group by gender
​
​
​
1-数据的过滤
insert into tb1_where select * from tb1 where dt = 2021-10-10
insert into tb2_where select * from tb2 where dt = 2021-10-10
​
insert into tb1_where select * from tb1 where age > 20
insert into tb2_where select * from tb2 where name='张三'
​
2-关联表数据据
-- 新的表中保存了关联后的所有数据
insert into tb1_tb2_where select * from tb1_where join tb2_where 
​
​
3-数据分组计算
select gender,avg(age) from tb1_tb2_where group by gender
select city,avg(age) from tb1_tb2_where group by city

九、ETL和ELT

• extract 数据抽取

• transform 数据清洗转化

• load 数据的导入

ETL 属于数据采集工作 通过采集工具采集的对应的数据内容，对内容清洗转化，在将清洗转化后的数据写入hdfs
ELT是将etl的开发流程进行了调整，使用采集工具采集数据，将数据直接写入hdfs，清洗转化过程可以使用hiveSQL在数仓中执行