大数据面试真题,来试试你有几斤几两


    今天为大家带来的则是另一个同样建立在Hadoop基础上的技术—Hive。HBase是作为分布式数据库,而Hive是作为分布式数据仓库。
    为了帮助大家更好的区别HBase和Hive,科妹特地选取了20道Hive的问答题,一定要积极动脑积极思考。
    
    1.Hive的主要作用是什么?
    2.启动Hive的方式有哪些?
    3.请谈一下Hive的特点是什么?Hive和RDBMS有什么异同?
    4.Redis, 传统数据库,hbase,hive  每个之间的区别?
    5.Hive创建id,name,sex表的语法是什么?
    6.Hive的两个重要参数是什么?
    7.Hive中如何复制一张表的表结构(不带有被复制表数据)
    8.Hive中追加导入数据的4种方式是什么?请写出简要语法。
    9.Hive是怎样保存元数据的?
    10.Hive内部表和外部表的区别?
    11.配置hive-site.xml都修改了哪些属性,请写出属性名称并解释该属性。
    12.配置hive-env.sh都涉及到哪些属性?
    13.如何连接HiveServer2?写出具体命令。
    14.HiveServer2的作用是什么?
    15.所有的hive任务都会有reducer的执行吗?
    16.分区和分桶的区别。
    17.Hive的 sort by 和 order by 的区别。
    18.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.* from t1 a left outer join t2b on a.id=b.id where b.id is null;
    的含义。
    19.请说明hive中 Sort By,Order By,Cluster By,Distrbute By各代表什么意思。
    20.请把下一语句用hive方式实现。
    SELECT a.key,a.value     FROM a      WHERE a.key not in (SELECT b.key FROM b)
    答案解析:
    1.Hive是基于hadoop的数据仓库工具,可以将结构化的数据文件映射成一张数据表,并且提供sql查询。相当于mapreduce的客户端。
    2.1)
    bin/hive
    2)
    bin/hiveserver2
    3.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。
    4.1)Redis 是基于内存的数据库,注重实用内存的计算。
    2)hbase是列式数据库,无法创建主键,地从是基于HDFS的,每一行可以保存很多的列。
    3)hive是数据的仓库,是为了减轻mapreduce而设计的,不是数据库,是用来与hadoop做交互的。
    5.
    create table student(id int,name String,sex String) row format delimited fields terminated by ' '
    6.1)hive -e  ''  从命令行执行指定的HQL。
    2)hive -f  *.hql  执行hive脚本命令。
    7.
    create table a  like b
    8.1)从本地导入:
    loaddata local  inpath '/home/1.txt' (overwrite)into table student
    2)从Hdfs导入:
    load data inpath'/user/hive/warehouse/1.txt'  (overwrite)into table student
    3)查询导入:
    create table  student1 as select * from student
    4)查询结果导入:
    insert (overwrite)into table staff select * from track_log
    9.1)保存元数据的方式有:内存数据库rerdy,本地mysql数据库,远程mysql数据库。
    2)但是本地的mysql数据用的比较多,因为本地读写速度都比较快。
    10.1)在导入数据到外部表,数据并没有移动到自己的数据仓库目录下,也就是说外部表中的数据并不是由它自己来管理的!而表则不一样。
    2)在删除表的时候,Hive将会把属于表的元数据和数据全部删掉;而删除外部表的时候,Hive仅仅删除外部表的元数据,数据是不会删除的。
    11.1)连接数据库的uRL。
    2)数据库驱动名。
    3)数据库账户。
    4)数据库密码。
    12.1)添加JAVA_HOME路径:
    JAVA_HOME=/opt/modules/jdk1.7.0_67
    2)添加HADOOP_HOME路径:
    HADOOP_HOME=/opt/modules/hadoop-2.5.0-cdh5.3.6/
    3)添加HIVE_COF路径:
    exportHIVE_CONF_DIR=/opt/modules/hive-0.13.1-cdh5.3.6/conf
    13.1)
    bin/hiveserver2
    2)
    bin/beeline
    3)
    !connect jdbc:hive2://hadoop102:10000
    14.Hiveserver2作用是允许多台主机通过beeline连接hiveserver2上,在通过hiveserver2连接到hive数据仓库。
    15.不是,由于当前hive的优化,使得一般简单的任务不会去用reducer任务;只有稍微复杂的任务才会有reducer任务。
    16.分区:是指按照数据表的某列或某些列分为多个区,区从形式上可以理解为文件夹,比如我们要收集某个大型网站的日志数据,一个网站每天的日志数据存在同一张表上,由于每天会生成大量的日志,导致数据表的内容巨大,在查询时进行全表扫描耗费的资源非常多。 那其实这个情况下,我们可以按照日期对数据表进行分区,不同日期的数据存放在不同的分区,在查询时只要指定分区字段的值就可以直接从该分区查找。
    分桶:分桶是相对分区进行更细粒度的划分。分桶将整个数据内容安装某列属性值得hash值进行区分,如要按照name属性分为3个桶,就是对name属性值的hash值对3取摸,按照取模结果对数据分桶。如取模结果为0的数据记录存放到一个文件,取模为1的数据存放到一个文件,取模为2的数据存放到一个文件。
    17.1)order by 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。
    2)sort by不是全局排序,其在数据进入reducer前完成排序.因此,如果用sort by进行排序,并且设置mapred.reduce.tasks>1, 则sort by只保证每个reducer的输出有序,不保证全局有序。
    18.null与任何值运算的结果都是null, 可以使用is null、is not null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
    alter table test SETSERDEPROPERTIES('serialization.null.format' = 'a')
    来修改。
    19.order by: 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。
    sort by:不是全局排序,其在数据进入reducer前完成排序。
    distribute by:按照指定的字段对数据进行划分输出到不同的reduce中。
    cluster by:除了具有 distribute by 的功能外还兼具 sort by 的功能。
    20.
    selecta.key,a.value from a where a.key not exists (select b.key from b)
    怎么样,做完这20道问答,是不是对Hive的了解加深了呢?虽然Hive和HBase都是架构在Hadoop之上的分布式技术,但它们是完全独立的两个程序哦。