前言
我们在写 HQL 有没有遇到过数据量特别大的时候比如，使用 HQL 处理起来非常复杂，非常慢，这时候我们可以使用 Hive 给加个索引来提高我们的速度。多了就不说了，我们直接开始。
一、Hive 视图
1.1 简介
Hive 中的视图和 RDBMS 中视图的概念一致，都是一组数据的逻辑表示，本质上就是一条 SELECT 语句的结果集。视图是纯粹的逻辑对象，没有关联的存储 (Hive 3.0.0 引入的物化视图除外)，当查询引用视图时，Hive 可以将视图的定义与查询结合起来，例如将查询中的过滤器推送到视图中。
1.2 特点
不支持物化视图
只查询，不能做加载数据操作
视图的创建，只是保存一份元数据，查询视图才执行对应的子查询
view 定义中若包含了 ORDER BY/LIMIT 语句，当查询视图时也进行了 ORDER BY/LIMIT 语句操作，view 当中定义的优先级更高 ；
Hive 视图支持迭代视图
1.3 创建视图
CREATE VIEW [IF NOT EXISTS] [db_name.]view_name -- 视图名称 [(column_name [COMMENT column_comment], ...) ] --列名 [COMMENT view_comment] --视图注释 [TBLPROPERTIES (property_name = property_value, ...)] --额外信息 AS SELECT ...;
复制代码
创建视图注意事项
CREATE VIEW 创建具有给定名称的视图。如果已经存在具有相同名称的表或视图，则会引发错误。您可以使用IF NOT EXISTS跳过该错误。
删除基表并不会删除视图，需要手动删除视图；
视图是只读的，不能用作LOAD / INSERT / ALTER的目标
创建视图时，如果未提供列名，则将从 SELECT 语句中自动派生列名；
一个视图可能包含 ORDER BY 和 LIMIT 子句。如果参照查询还包含这些条款，查询级别子句进行评估后视图条款（和之后在查询的任何其它操作）。例如，如果视图指定 LIMIT 5，并且引用查询执行为（从 v LIMIT 10 中选择*），那么最多将返回 5 行。
准备数据
```sql
-- 创建测试表
create table default.user(
id string , -- 主键
sex string, -- 性别
name string -- 名称
);
-- 导入数据
insert into default.user (id, sex, name)
values ("1","男","张三"),("2","女","小花"),("3","男","赵柳"),("4","男","李嘿嘿");
**创建一个测试视图**```sqlhive (default)> create view if not exists default.user_view as select * from default.user;OKid sex nameTime taken: 0.181 seconds
复制代码
1.4 查询视图
-- 查询视图内容呢select * from default.user_view;-- 查询视图结构desc default.user_view;-- 查询视图详细信息desc formatted default.user_view;-- 查询视图 没有指定的方式跟查询所有表一样show tables;
复制代码
1.5 删除视图
-- 模板DROP VIEW [IF EXISTS] [db_name.]view_name;-- 删除视图 DROP VIEW IF EXISTS user_view;
复制代码
1.6 修改视图属性
语法：
ALTER VIEW [db_name.]view_name SET TBLPROPERTIES table_properties; table_properties: : (property_name = property_value, property_name = property_value, ...)
复制代码
示例：
alter view default.user_view set tblproperties ('name'='DSJLG','GZH'='DSJLG')
复制代码
通过 desc formatted default.user_view;详情信息
二、索引
2.1 简介
Hive 在 0.7.0 引入了索引的功能，索引的设计目标是提高表某些列的查询速度。如果没有索引，带有谓词的查询（如'WHERE table1.column = 10'）会加载整个表或分区并处理所有行。但是如果 column 存在索引，则只需要加载和处理文件的一部分。
2.2 创建索引模板
CREATE INDEX index_name --索引名称 ON TABLE base_table_name (col_name, ...) --建立索引的列 AS index_type --索引类型 [WITH DEFERRED REBUILD] --重建索引 [IDXPROPERTIES (property_name=property_value, ...)] --索引额外属性 [IN TABLE index_table_name] --索引表的名字 [ [ ROW FORMAT ...] STORED AS ... | STORED BY ... ] --索引表行分隔符 、 存储格式 [LOCATION hdfs_path] --索引表存储位置 [TBLPROPERTIES (...)] --索引表表属性 [COMMENT "index comment"]; --索引注释
复制代码
2.3 创建索引
我们在使用之前上面创建好的user表对id字段创建名字为user_index,索引存储在 userindextable索引表中
create index user_index on table user(id) as 'org.apache.hadoop.hive.ql.index.compact.CompactIndexHandler'with deferred rebuild in table user_index_table;
复制代码
此时索引表中是没有数据的，需要重建索引才会有索引的数据。
2.4 重建索引
hive (default)> ALTER index user_index on user rebuild ;Query ID = root_20201015081313_879ce697-a6a4-4c38-a1a9-0e72a52feb6bTotal jobs = 1Launching Job 1 out of 1Number of reduce tasks not specified. Estimated from input data size: 1In order to change the average load for a reducer (in bytes): set hive.exec.reducers.bytes.per.reducer=<number>In order to limit the maximum number of reducers: set hive.exec.reducers.max=<number>In order to set a constant number of reducers: set mapreduce.job.reduces=<number>Starting Job = job_1602711568359_0002, Tracking URL = http://node01:8088/proxy/application_1602711568359_0002/Kill Command = /export/servers/hadoop-2.6.0-cdh5.14.0/bin/hadoop job -kill job_1602711568359_0002Hadoop job information for Stage-1: number of mappers: 1; number of reducers: 12020-10-15 08:13:47,425 Stage-1 map = 0%, reduce = 0%2020-10-15 08:13:48,546 Stage-1 map = 100%, reduce = 0%, Cumulative CPU 1.66 sec2020-10-15 08:13:49,576 Stage-1 map = 100%, reduce = 100%, Cumulative CPU 2.5 secMapReduce Total cumulative CPU time: 2 seconds 500 msecEnded Job = job_1602711568359_0002Loading data to table default.user_index_tableTable default.user_index_table stats: [numFiles=1, numRows=4, totalSize=231, rawDataSize=227]MapReduce Jobs Launched: Stage-Stage-1: Map: 1 Reduce: 1 Cumulative CPU: 2.5 sec HDFS Read: 12945 HDFS Write: 581944 SUCCESSTotal MapReduce CPU Time Spent: 2 seconds 500 msecOKTime taken: 12.85 seconds
复制代码
Hive 会启动 MapReduce 作业去建立索引，建立好后查看索引表数据如下。三个表字段分别代表：索引列的值、该值对应的 HDFS 文件路径、该值在文件中的偏移量。
hive (default)> select * from user_index_table; OKuser_index_table.id user_index_table._bucketname user_index_table._offsets1 hdfs://node01:8020/user/hive/warehouse/user/000000_0 [0]2 hdfs://node01:8020/user/hive/warehouse/user/000000_0 [13]3 hdfs://node01:8020/user/hive/warehouse/user/000000_0 [26]4 hdfs://node01:8020/user/hive/warehouse/user/000000_0 [39]Time taken: 0.047 seconds, Fetched: 4 row(s)
复制代码
2.5 自动使用索引
默认情况下，虽然建立了索引，但是 Hive 在查询时候是不会自动去使用索引的，需要开启相关配置。开启配置后，涉及到索引列的查询就会使用索引功能去优化查询。
SET hive.input.format=org.apache.hadoop.hive.ql.io.HiveInputFormat;SET hive.optimize.index.filter=true;SET hive.optimize.index.filter.compact.minsize=0;
复制代码
2.6 查看索引
show index on user;
2.7 删除索引
删除索引会删除对应的索引表。
DROP INDEX [IF EXISTS] index_name ON table_name;
复制代码
如果存在索引的表被删除了，其对应的索引和索引表都会被删除。如果被索引表的某个分区被删除了，那么分区对应的分区索引也会被删除。
2.8 索引的原理
在指定列上建立索引，会产生一张索引表(Hive的一张物理表)，里面字段包括：索引列的值、该值对应的 HDFS 文件路径、该值在文件中的偏移量。
在执行索引字段查询时候，首先额外生成一个MapReduce job，根据对索引列的过滤条件，从索引表中过滤出索引列的值对应的hdfs文件路径及偏移量，输出到 hdfs 上的一个文件中，然后根据这些文件中的 hdfs 路径和偏移量，筛选原始input文件，生成新的split,作为整个 job 的 split,这样就达到不用全表扫描的目的。
总结
今天给大家分享了 Hive 中常用的视图和说索引，索引虽然能帮助我们提高查询效率和分组效率但它也有缺点的，创建好索引是无法自动rebuild 也就意味着修改数据和添加数据都需要手动执行rebuild。如果频繁修改的数据就不建议使用索引了。信自己，努力和汗水总会能得到回报的。我是大数据老哥，我们下期见~~~
>获取 Flink 面试题，Spark 面试题，程序员必备软件，hive 面试题，Hadoop 面试题，Docker 面试题，简历模板等资源请去 GitHub 自行下载 https://github.com/lhh2002/Framework-Of-BigData
评论