大数据开发（Hive面试真题）
- 1、Hive的文件存储格式都有哪些？
- 2、Hive的count的用法？
- 3、Hive得union和unionall的区别？
- 4、Hive的join操作原理，left join、right join、inner join、outer join的异同？
- 5、Hive的mapjoin？
- 6、Hive Shuffle的具体过程？
- 7、UDF是怎么在Hive里执行的？
- 8、Hive HQL：行转列、列转行？
1、Hive的文件存储格式都有哪些？
- 文本文件格式（TextFile）：以文本形式存储数据，每一行都是一个记录，字段之间使用分隔符进行分割。
- 序列文件格式（SequenceFile）：一种二进制文件格式，数据以键值对的形式存储，适用于大数据量的存储和读取。
- 列式存储格式（Columnar formats）：例如Parquet和ORC等，以列为单位存储数据，提供更高的压缩比和查询性能。
- Avro格式：一种数据序列化系统，支持动态类型，适用于复杂数据结构的存储。
- RCFile格式（Record Columnar File）：一种列式存储格式，将每个列的数据存储在单独的文件中，提供高效的读取和查询性能。
- JSON格式（JsonFile）：以JSON格式存储数据，适用于半结构化数据的存储。
- CSV格式：以逗号分割的文本文件格式，适用于简单的表格数据存储。
2、Hive的count的用法？
- Hive中的count函数用于计算指定列或整个表中的行数。它的用法如下：
SELECT COUNT(*) FROM table_name;
- 计算指定列的非空值的个数：
SELECT COUNT(column_name) FROM table_name;
- 计算指定列的唯一值的个数：
SELECT COUNT(DISTINCT column_name) FROM table_name;
3、Hive得union和unionall的区别？
Hive中的UNION和UNION ALL都是用于合并多个查询结果集的操作，但它们之间有一些区别。
- UNION会删除重复的行，而UNION ALL会保留所有行，包括重复的行。
- UNION操作符会对两个查询结果的列进行匹配，要求它们的数据类型和顺序完全一致，而UNION ALL不会进行列匹配。
- UNION操作符会对结果进行排序，以消除重复行，而UNION ALL不会进行排序，因此性能上可能会更快一些。
- UNION操作符默认会去除NULL值，而UNION ALL会保留NULL值。
因此，如果你需要合并多个结果集并消除重复行，你可以使用UNION操作符。而如果你想保留所有行，包括重复的行，可以使用UNION ALL操作符。
4、Hive的join操作原理，left join、right join、inner join、outer join的异同？
- Inner Join（内连接）：它返回两个表中满足连接条件的记录。只有在两个表中都有匹配的记录时，才会返回结果。
- Left Join（左连接）：它返回左表中所有记录以及与右边匹配的记录。如果右表中没有匹配的记录，则返回NULL。
- Right Join（右连接）：它返回右表中所有记录以及与左表匹配的记录。如果左表中没有匹配的记录，则返回NULL。
- Outer Join（外连接）：它返回左表和右表中的所有记录。如果两个表中没有匹配的记录，则返回NULL。
5、Hive的mapjoin？
Hive的mapjoin是一种优化技术，用于加快Hive查询的速度。它通过将小表加载到内存中，然后在Map阶段将大表的数据与小表的数据进行连接，从而减少了磁盘读写操作和网络传输开销。
具体来说，Hive的mapjoin分为两种类型：
- Map端的mapjoin（Map-side Join）：当一个表的数据量足够小，可以将其全部加载到内存中时，Hive会将这个表的数据复制到所有的Map任务中，然后在Map任务中直接进行连接操作。这样可以避免Shuffle阶段的数据传输和磁盘I/O，大大提高了查询速度。
- Bucket Map端的mapjoin：当两个表都被分桶时，Hive可以使用Bucket Map端的mapjoin。它将两个表的桶按照相同的桶号分发到同一个Map任务中，然后再Map任务中进行连接操作。这样可以减少Shuffle阶段的数据传输和磁盘I/O，提高查询效率。
需要注意的是，使用mapjoin的前提是小表可以完全加载到内存中，否则可能会导致内存不足的问题。此外，mapjoin也只适用于等值连接（Equi-Join），不支持其它类型的连接操作。
6、Hive Shuffle的具体过程？
Hive的Shuffle过程是在Hive执行MapReduce任务时发生的数据重分区和排序过程。它是为了将具有相同键的数据项聚集再同一个Reducer任务中，以便进行数据的合并和计算。
具体的Hive Shuffle过程如下：
- Map阶段：在Map阶段，输入数据会根据指定的分区键进行哈希分区，即根据分区键的哈希值将数据分配到对应的Reducer任务中。同时，Map阶段会对每个分区键进行局部排序，保证每个分区内的数据按照分区键的顺序排列。
- Combiner阶段：如果在Hive查询中定义了Combiner函数，那么在Map阶段的输出结果会经过Combiner函数的合并操作。Combiner函数可以对相同分区键的数据进行合并，以减少数据传输量和提高性能。
- Partitioner阶段：在Map阶段结束后，Hive会调用Partitioner函数对Map输出结果进行再次分区。Partitioner函数决定了数据项如何分布到不同的Reducer任务中。通常情况下，Partitioner函数会根据分区键的哈希值将数据项均匀地分配到不同的Reducer任务中。
- Sort阶段：在Partitioner阶段之后，Hive会对每个Reducer任务的输入数据进行全局排序。这个排序操作保证了每个Reducer任务的输入数据按照分区键的顺序进行处理。
- Reduce阶段：在Reduce阶段，每个Reducer任务会接收到属于自己分区的数据块，并进行最终的聚合和计算操作。Reducer任务会对输入数据进行迭代处理，输出最终的结果。
7、UDF是怎么在Hive里执行的？
UDF是在Hive中执行的一种自定义函数。当在Hive中定义一个UDF后，它可以在Hive查询中使用，以对数据进行转换、计算或其它操作。
执行过程如下：
- 首先，开发人员需要使用Java或其它编程语言编写UDF的代码。UDF代码需要实现Hive UDF接口，并定义输入和输出参数的类型。
- 然后，将编写的UDF代码编译成可执行的JAR文件。
- 接下来，将JAR文件上传到Hive的集群环境中，并将其添加到Hive的类路径中。
- 在Hive中创建一个函数，将该数据与上传的JAR文件中的UDF代码关联起来。这可以通过使用Hive的CREATE FUNCTION语句来完成。
- 一旦函数创建完毕，就可以在Hive查询中调用该函数，并将其应用于数据。
- 当Hive查询中调用UDF时，Hive会根据函数的定义和输入参数类型，调用上传的JAR文件中的对应UDF代码。
- UDF代码将执行相应的计算或转换操作，并返回结果给Hive查询。
8、Hive HQL：行转列、列转行？
Hive HQL中可以使用Pivot操作实现行转列和列转行的功能。
行转列（行数据转为列）：
在 Hive 中，可以使用 Pivot 操作将行数据转为列。Pivot 操作需要使用聚合函数和 CASE WHEN 语句来实现。
例如，假设我们有一个表格包含以下数据：
+----+------+-------+
| ID | Name | Value |
+----+------+-------+
| 1 | A | 10 |
| 1 | B | 20 |
| 2 | A | 30 |
| 2 | B | 40 |
+----+------+-------+
我们可以使用 Pivot 操作将上述数据按 ID 列进行行转列：
SELECT ID,
MAX(CASE WHEN Name = 'A' THEN Value END) AS Value_A,
MAX(CASE WHEN Name = 'B' THEN Value END) AS Value_B
FROM table_name
GROUP BY ID;
执行上述查询后，可以得到如下结果：
+----+---------+---------+
| ID | Value_A | Value_B |
+----+---------+---------+
| 1 | 10 | 20 |
| 2 | 30 | 40 |
+----+---------+---------+
列转行（列数据转为行）：
Hive 中可以使用 UNION ALL 操作将列数据转为行数据。
假设我们有一个表格包含以下数据：
+----+------+-------+
| ID | Name | Value |
+----+------+-------+
| 1 | A | 10 |
| 1 | B | 20 |
| 2 | A | 30 |
| 2 | B | 40 |
+----+------+-------+
我们可以使用 UNION ALL 操作将上述数据按 Name 列进行列转行：
SELECT ID, 'A' AS Name, Value FROM table_name WHERE Name = 'A'
UNION ALL
SELECT ID, 'B' AS Name, Value FROM table_name WHERE Name = 'B';
执行上述查询后，可以得到如下结果：
+----+------+-------+
| ID | Name | Value |
+----+------+-------+
| 1 | A | 10 |
| 2 | A | 30 |
| 1 | B | 20 |
| 2 | B | 40 |
+----+------+-------+
这样我们就可以将列数据转为行数据。.
