内容简介：继续上篇，上一篇中数据已经导入到Hive中，并且去除双引号的UDF也编写完成，该篇将围绕着业务建立相关的表。从源数据中直接导入的数据可能并不符合最终的要求，一般都需要清洗阶段，这里新建一个dwd层表，该表与ods层的不同之处在于使用了时间作为分区字段，分区的本质对于Hive来说是表空间下的不同文件夹，当查询时如果指定分区就不需要扫描全部的文件。另外该表使用了清单1：清洗后的中间层表
继续上篇，上一篇中数据已经导入到Hive中，并且去除双引号的UDF也编写完成，该篇将围绕着业务建立相关的表。
动态分区
从源数据中直接导入的数据可能并不符合最终的要求，一般都需要清洗阶段，这里新建一个dwd层表，该表与ods层的不同之处在于使用了时间作为分区字段，分区的本质对于Hive来说是表空间下的不同文件夹，当查询时如果指定分区就不需要扫描全部的文件。另外该表使用了 orcfile 格式存储，并且开启了 snappy 压缩算法，一般CPU速率远远大于硬盘速率，因此这是一种消耗CPU性能来弥补硬盘性能不足的策略，先立个flag，后面专门研究下hive中的存储格式以及压缩算法。
清单1：清洗后的中间层表
create external table if not exists dwd_mrdear_access_log(
remote_addr string,
remote_user string,
request_url string,
status string,
size string,
referer string,
user_agent string,
http_x_forwarded_for string
)
partitioned by (dt string)
stored as orcfile
TBLPROPERTIES("orc.compress"="SNAPPY");
表建立后，自然要想办法把数据从源表中导入进来，这里使用动态分区,动态分区的原理是根据查询出来的字段列表最后的列作为分区字段，比如下面 sql 中分区字段为 dt 且只有一个，因此会使用 formatDate(time) (自定义时间处理的UDF)的结果作为该分区值，然后进行分区处理，分区处理判断该分区有没有建立，没有则创建，然后插入数据。
清单2：数据清洗ETL
// 单个reduce对内存有限制，如果oom，则可以设置多个reduce处理 set mapred.reduce.tasks = 2; // 数据导入 insert overwrite table dwd_mrdear_access_log partition (dt) select remote_addr, remote_user, removeQuota(request_url), status, size, removeQuota(referer), removeQuota(user_agent), removeQuota(http_x_forwarded_for), formatDate(time) as dt from ods_mrdear_access_src_log DISTRIBUTE BY dt ;
PS
这里可能会报错，有几个参数控制着Hive的动态分区，根据错误进行调整。
清单3：动态分区相关配置
hive.exec.dynamic.partition=true/false #是否开启动态分区 hive.exec.dynamic.partition.mode=struct/nostruct #表示 hive.exec.max.dynamic.partitions.pernode=100 #每个MR节点最多产生的分区数 hive.exec.max.dynamic.partitions=10000 #所有MR节点最大产生的分区数 hive.exec.max.created.files=10000 # 所有MR节点最大产生文件数 hive.error.on.empty.partition=false #空分区产生，是否报异常
动态分区的原理
动态分区的隐藏条件是 根据分区字段作为中间结果的分区输出条件 ，举个例子，在上述导入数据的SQL中，当执行完 select xx from ods_mrdear_access_src_log DISTRIBUTE BY dt 时所产生的临时结果数据已经是分区后的结果，如下所示：
然后利用 MoveOperator 从临时目录移动到最终表空间下，需要合并的话还会执行 MergeOperator 把多个结果集合并成一个，完成动态分区。
查询计划explain
通过上面动态分区所需要的业务中间表已经建立，接下来是完成业务需求，比如统计HTTP状态码的分布，也就是200，400，404等请求的个数，通过hive很容易写出以下sql。
清单4：统计状态码分布
select status,count(1) as total from dwd_mrdear_access_log group by status; # 查询结果 status total 200 585504 206 447 301 3387 304 37804 400 3296 403 766 404 34285 405 9503 408 1 499 706
那么对于Hive来说，该SQL到底是怎么执行的呢？Hive通过查询计划Explain向开发人员展示整个查询流程，使用方式是在查询语句前加 explain 或者 explain extended 关键字，后者能看到更加详细的信息。在这之前先了解Hive的基本操作分类，如下表所示：
| 操作符 | 描述 | 描述类 |
|---|---|---|
| TableScanOperator | 扫描hive表数据 | org.apache.hadoop.hive.ql.plan.TableScanDesc |
| ReduceOutOperator | 创建将发送到Reduce端的<key,reduce>对 | org.apache.hadoop.hive.ql.plan.ReduceSinkDesc |
| JoinOperator | Join两份数据 | org.apache.hadoop.hive.ql.plan.JoinDesc |
| SelectOperator | 选择输出列 | org.apache.hadoop.hive.ql.plan.SelectDesc |
| FileOutOperator | 建立结果数据，输出至文件 | org.apache.hadoop.hive.ql.plan.FileSinkDesc |
| FilterOperator | 过滤输入数据 | org.apache.hadoop.hive.ql.plan.FilterDesc |
| GroupByOperator | Group By语句 | org.apache.hadoop.hive.ql.plan.GroupByDesc |
| MapJoinOperator | / +mapjoin(t) / | org.apache.hadoop.hive.ql.plan.MapJoinDesc |
| LimitOperator | Limit语句 | org.apache.hadoop.hive.ql.plan.LimitDesc |
| UnionOperator | Union语句 | org.apache.hadoop.hive.ql.plan.UnionDesc |
| FetchOperator | 客户端直接读取数据 | org.apache.hadoop.hive.ql.plan.FetchWork |
| MoveOperator | 移动数据文件 | org.apache.hadoop.hive.ql.plan.MoveWork |
更多的Operator可以在Hive源码中定位到 org.apache.hadoop.hive.ql.plan.Explain 注解，然后查看相应的逻辑。
explain 会把SQL拆分为多个 STAGE ， STAGE 之间会构成一个DAG图的依赖关系，根据DAG的关系决定执行方式。在执行流程就会拆分为对应的 Operator ，对于 select status,count(1) as total from dwd_mrdear_access_log group by status; 其执行流程如下（注释很详细）：
清单5：查询计划注释
STAGE DEPENDENCIES: # 这里展示任务依赖关系，即DAG图
Stage-1 is a root stage
Stage-0 depends on stages: Stage-1
STAGE PLANS:
Stage: Stage-1
Map Reduce # 代表这是一个MR任务
Map Operator Tree: # Map阶段
TableScan # 1. 扫描表
alias: dwd_mrdear_access_log
Statistics: Num rows: 675699 Data size: 609083736 Basic stats: COMPLETE Column stats: NONE
Select Operator # 2. 获取需要的列数据
expressions: status (type: string)
outputColumnNames: _col0 # hive内部会使用默认别名来屏蔽列名的影响
Statistics: Num rows: 675699 Data size: 609083736 Basic stats: COMPLETE Column stats: NONE
Group By Operator # 3. 根据获取的数据分组，执行对应的聚合函数
aggregations: count(1) # 聚合操作的执行
keys: _col0 (type: string)
mode: hash # 聚合使用的是hash方式
outputColumnNames: _col0, _col1
Statistics: Num rows: 675699 Data size: 609083736 Basic stats: COMPLETE Column stats: NONE
Reduce Output Operator # 4. 结果写到临时文件中，作为Map阶段输出
key expressions: _col0 (type: string)
sort order: + # 表示正向排序
Map-reduce partition columns: _col0 (type: string)
Statistics: Num rows: 675699 Data size: 609083736 Basic stats: COMPLETE Column stats: NONE
value expressions: _col1 (type: bigint)
Reduce Operator Tree: # 代表这是一个Reduce任务
Group By Operator # 5. 对Map阶段的结果再次聚合
aggregations: count(VALUE._col0)
keys: KEY._col0 (type: string)
mode: mergepartial # 这里的聚合模式是合并分区结果
outputColumnNames: _col0, _col1
Statistics: Num rows: 337849 Data size: 304541417 Basic stats: COMPLETE Column stats: NONE
File Output Operator # 6. 输出到临时文件中作为Reduce阶段结果
compressed: false
Statistics: Num rows: 337849 Data size: 304541417 Basic stats: COMPLETE Column stats: NONE
table:
input format: org.apache.hadoop.mapred.SequenceFileInputFormat
output format: org.apache.hadoop.hive.ql.io.HiveSequenceFileOutputFormat
serde: org.apache.hadoop.hive.serde2.lazy.LazySimpleSerDe
Stage: Stage-0
Fetch Operator # 7. 读取Reduce阶段结果，展示输出
limit: -1
Processor Tree:
ListSink
转换为图则如下：
Map以及Reduce数量
在Hive中可以使用其提供的参数来控制Map以及Reduce的任务数量，从而针对不同的需求最大化性能。
Map数量
Hive是基于Hadoop的上层抽象，其Map本质是使用 org.apache.hadoop.mapred.InputFormat 从HDFS中读取数据，因此能起多少Map由具体的实现类中 getSplits 方法确定，一般情况下一个 org.apache.hadoop.mapred.InputSplit 就是一个Map。
在Hive中如果想影响拆分算法，一般使用 org.apache.hadoop.hive.ql.io.CombineHiveInputFormat 读取且合并小文件数据，然后使用以下参数影响拆分合并算法：
- mapreduce.input.fileinputformat.split.minsize：每一个块最小size
- mapreduce.input.fileinputformat.split.maxsize：每一个块最大size
- mapreduce.input.fileinputformat.split.minsize.per.node：同一节点的数据块形成切片时，切片大小的最小值
- mapreduce.input.fileinputformat.split.minsize.per.rack：同一机架数据块切片时最小值
Reduce数量
Reduce数量主要由以下三个参数控制，其逻辑在 org.apache.hadoop.hive.ql.exec.mr.MapRedTask#setNumberOfReducers 方法中。
- hive.exec.reducers.bytes.per.reducer (默认值: 256000000)：根据处理文件大小决定reduce数量，默认256Mb，如果是1G输入文件则对应4个Reduce任务。
- hive.exec.reducers.max (默认值: 1009) ：控制最大的Reduce数量
- mapreduce.job.reduces (默认值: -1)：直接指定Reduce数量
业务需求
查询top受访页面
清单6：top受访页面结果
# SQL select request_url, count(request_url) as total from dwd_mrdear_access_log group by request_url sort by total desc limit 10; # 结果 request_url total GET /atom.xml HTTP/1.1 60869 GET / HTTP/1.1 15891 GET /robots.txt HTTP/1.1 6776 GET /fonts/iconfont.woff?t=1503327386217 HTTP/2.0 6207 GET /live2d/assets/mtn/idle.mtn HTTP/2.0 5824 GET /scss/base/index.css HTTP/2.0 5675 GET /live2dw/assets/mtn/idle.mtn HTTP/2.0 5626 POST /search/ HTTP/1.1 5590 GET /js/common.js HTTP/2.0 5548 GET /atom.xml HTTP/2.0 4842
根据查询可以看出来，RSS订阅地址以及首页访问频率最大，不过search页面为什么访问也这么大，并且还是POST，很不合理。查询下数据 select * from dwd_mrdear_access_log where request_url='POST /search/ HTTP/1.1' limit 10; 确认是某个客户端在一直请求，状态返回都是405.
查询top带宽页面
清单7：top带宽页面结果
select request_url, count(request_url) as total, sum(size/1024/1024) as size from dwd_mrdear_access_log group by request_url sort by size desc limit 10; # 结果 request_url total size GET /atom.xml HTTP/1.1 60869 15968.452551841736 GET /live2d/assets/moc/koharu.moc HTTP/2.0 3850 779.69225025177 GET /live2d/assets/moc/koharu.2048/texture_00.png HTTP/2.0 3699 763.9492750167847 GET /live2dw/assets/moc/koharu.moc HTTP/2.0 2400 488.95586681365967 GET /live2dw/assets/moc/koharu.2048/texture_00.png HTTP/2.0 2310 470.99531269073486 GET /live2d/assets/moc/koharu.moc HTTP/1.1 1803 420.5655183792114 GET / HTTP/1.1 15891 301.46044731140137 GET /live2dw/assets/moc/koharu.moc HTTP/1.1 875 208.76958084106445 GET /atom.xml HTTP/2.0 4842 142.66961765289307 GET /live2d/script.js HTTP/2.0 3797 123.83943176269531
根据结果live2d是真的占流量，拖慢网站速度，不过由于启用了PWA有一定程度的缓解。
以上所述就是小编给大家介绍的《Hive--从日志分析学习Hive（二）》，希望对大家有所帮助，如果大家有任何疑问请给我留言，小编会及时回复大家的。在此也非常感谢大家对 码农网 的支持！
猜你喜欢:
本站部分资源来源于网络，本站转载出于传递更多信息之目的，版权归原作者或者来源机构所有，如转载稿涉及版权问题，请联系我们。
勇敢新世界‧互聯網罪與罰
許煜、劉細良 / CUP / 2005 / $48
我天天上網數小時，為的是要在節目裡面介紹世界的最新動態，尤其是網絡這個世界本身日新月異的變化。所以我不可能不注意到BT、共享軟件、 Wikipedia、網絡監管等各種影響政治、社會、經濟及文化的重要網絡現象。但是我發現市面上一直沒有一本內容充實全面，資料切時的中文參考書，直到這本《互聯網罪與罰》。而且，最大的驚喜是它易讀好看，簡直就像故事書。 梁文道 鳳凰衛視 《網羅天下......一起来看看 《勇敢新世界‧互聯網罪與罰》 这本书的介绍吧!
