文章标题

MR Job的基本过程

一个InputSplit输入到map，会运行我们实现的Mapper的处理逻辑，对数据进行映射操作。
map输出时，会首先将输出中间结果写入到map自带的buffer中（buffer默认大小为100M，可以通过io.sort.mb配置）。
map自带的buffer使用容量达到一定限制（默认0.80或80%，可以通过io.sort.spill.percent配置），一个后台线程会准备将buffer中的数据写入到磁盘。
这个后台线程在将buffer中数据写入磁盘之前，会首先将buffer中的数据进行partition（分区，partition数为Reducer的个数），对于每个的数据会基于Key进行一个in-memory排序。
排序后，会检查是否配置了Combiner，如果配置了则直接作用到已排序的每个partition的数据上，对map输出进行化简压缩（这样写入磁盘的数据量就会减少，降低I/O操作开

进阶-分区

Partition 对应于数据库的 Partition 列的密集索引。
在 Hive 中，表中的一个 Partition 对应于表下的一个目录，所有的 Partition 的数据都存储在对应的目录中。用户在加载数据的时候必须显示的指定该部分数据放到哪个分区。
分区（partition）：hive里分区的概念是根据“分区列”的值对表的数据进行粗略划分的机制，在hive存储上就体现在表的主目录（hive的表实际显示就是一个文件夹）下的一个子目录，这个文件夹的名字就是我们定义的分区的名字，没有实际操作经验的人可能会认为分区列是表的某个字段，其实不是这样，分区列不是表里的某个字段，而是独立的列，我们根据这个列存储表的里的数据文件。使用分区是为了加快数据分区的查询速度而设计的，我们在查询某个具体分区列里的数据时候没必要进行全表扫描。
静态分区：静态分区在加载数据和使用时都需要在sql语句中指定
案例：(p_date=’20120625’)
动态分区：使用动态分区需要设置hive.exec.dynamic.partition参数值为true，默认值为false，在默认情况下，hive会假设主分区时静态分区，副分区使用动态分区；如果想都使用动态分区，需要设置set hive.exec.dynamic.partition.mode=nostrick，默认为strick

静态分区使用

静态分区：静态分区在加载数据和使用时都需要在sql语句中指定
1.建表
CREATE TABLE user_daily
(
uid int,
city_code int,
model string,
access string
)
partitioned by (p_date string);
2.插入数据
INSERT OVERWRITE TABLE user_daily PARTITION (p_date=’2017-09-13’) SELECT * FROM user;

#

1.设置参数
set hive.exec.dynamic.partition.mode=nonstrict;

2.插入数据

INSERT OVERWRITE TABLE user_daily PARTITION (p_date)
SELECT *,’2017-09-02’ FROM user
UNION ALL
SELECT *,’2017-09-03’ FROM user;

基于Partition的操作

查看分区情况
show partitions user_daily;

一般 SELECT 查询会扫描整个表（除非是为了抽样查询）。但是如果一个表使用 PARTITIONED BY 子句建表，查询就可以利用分区剪枝（input pruning）的特性，只扫描一个表中它关心的那一部分。Hive 当前的实现是，只有分区断言出现在离 FROM 子句最近的那个WHERE 子句中，才会启用分区剪枝。例如，以下语句只会读取分区为‘2017-09-03’和‘2017-09-04’的数据:
select count(1)
from user_daily
where p_date>=’2017-09-03’ and p_date<=’2017-09-04’;
修改分区
ALTER TABLE user_daily PARTITION (p_date=’2017-09-03’)
RENAME TO PARTITION (p_date=’20170903’);
删除分区
alter table user_daily drop partition(p_date=’2017-09-04’);

进阶：条件判断、汇总

1、IF判断：统计WIFI用户占比
select sum(if(access=’WIFI’,1,0))/count(1) from user;
2、case when:统计uid尾数0-3、4-7、8-9用户数
……
3、集合collect_list(不去重)、collect_set去重)
select collect_list(access) from user; select collect_set(access) from user;
4、map：key/value对
统计user表city_code最多的4个城市的access分布情况，存储为map

进阶：hive 各种 join

1、左连接 left outer join
以左边表为准，逐条去右边表找相同字段，如果有多条会依次列出
2、右连接 left outer join
以左边表为准，逐条去右边表找相同字段，如果有多条会依次列出
3、内连接inner join
找出左右相同同的记录
4、全连接 full outer join
包括两个表的join结果，左边在右边中没找到的结果（NULL），
右边在左边没找到的结果（NULL）

进阶：窗口函数

1、分组topN：每个access下最大city_code的记录
row_number() over (partition by access order by city_code desc) as row_num
2、分组内从起始点到当前累和