建站
咨詢
售后
建站咨詢
新聞中心
用hive來做數(shù)倉類操作，或者大數(shù)據(jù)的運(yùn)算，是沒有疑問的，至少在你沒有更多選擇之前。當(dāng)我們要hive來做類似于大批量數(shù)據(jù)的select時(shí)，也許問題就會(huì)發(fā)生了變化。
10余年的渝水網(wǎng)站建設(shè)經(jīng)驗(yàn)，針對(duì)設(shè)計(jì)、前端、開發(fā)、售后、文案、推廣等六對(duì)一服務(wù)，響應(yīng)快，48小時(shí)及時(shí)工作處理。成都全網(wǎng)營銷推廣的優(yōu)勢是能夠根據(jù)用戶設(shè)備顯示端的尺寸不同，自動(dòng)調(diào)整渝水建站的顯示方式，使網(wǎng)站能夠適用不同顯示終端，在瀏覽器中調(diào)整網(wǎng)站的寬度，無論在任何一種瀏覽器上瀏覽網(wǎng)站，都能展現(xiàn)優(yōu)雅布局與設(shè)計(jì)，從而大程度地提升瀏覽體驗(yàn)。創(chuàng)新互聯(lián)建站從事“渝水網(wǎng)站設(shè)計(jì)”,“渝水網(wǎng)站推廣”以來，每個(gè)客戶項(xiàng)目都認(rèn)真落實(shí)執(zhí)行。
1. 通用解決方案之分頁
首先，我們要基于一個(gè)事實(shí)，就是沒有哪個(gè)數(shù)據(jù)庫可以無限制的提供我們select任意數(shù)據(jù)量的數(shù)據(jù)。比如常用的 mysql, oracle, 一般你select 10w左右的數(shù)據(jù)量時(shí)已經(jīng)非常厲害了。而我們的解決方法也比較簡單，那就是分頁獲取，比如我一頁取1w條，直到取完為止。同樣，因?yàn)閔ive基于都支持sql92協(xié)議，所以你也可以同樣的方案去解決大數(shù)據(jù)量的問題。
分頁的解決方案會(huì)有什么問題?首先，我們要明白分頁是如何完成的，首先數(shù)據(jù)庫server會(huì)根據(jù)條件運(yùn)算出所有或部分符合條件的數(shù)據(jù)(取決是否有額外的排序)，然后再根據(jù)分頁偏移信息，獲取相應(yīng)的數(shù)據(jù)。所以，一次次的分頁，則必定涉及到一次次的數(shù)據(jù)運(yùn)算。這在小數(shù)據(jù)量的情況下是可以接受的，因?yàn)橛?jì)算機(jī)的高速運(yùn)轉(zhuǎn)能力。但是當(dāng)數(shù)據(jù)量大到一定程序時(shí)，就不行了。比如我們停滯了許多年的大數(shù)據(jù)領(lǐng)域解決方案就是很好的證明。
本文基于hive處理數(shù)據(jù)，也就是說數(shù)據(jù)量自然也是大到了一定的級(jí)別，那么用分頁也許就不好解決問題了。比如，單次地運(yùn)算也許就是3-5分鐘(基于分布式并行計(jì)算系統(tǒng)能力)，當(dāng)你要select 100w數(shù)據(jù)時(shí)，如果用一頁1w的運(yùn)算，那么就是100次來回，1次3-5分鐘，100次就是5-8小時(shí)的時(shí)間，這就完全jj了。誰能等這么長時(shí)間?這樣處理的最終結(jié)果就是，業(yè)務(wù)被砍掉，等著財(cái)務(wù)結(jié)賬了。
所以，我們得改變點(diǎn)什么!
2. 使用hive-jdbc
jdbc本身不算啥，只是一個(gè)連接協(xié)議。但它的好處在于，可以維持長連接。這個(gè)連接有個(gè)好處，就是server可以隨時(shí)輸出數(shù)據(jù)，而client端則可以隨時(shí)處理數(shù)據(jù)。這就給了我們一個(gè)機(jī)會(huì)，即比如100w的數(shù)據(jù)運(yùn)算好之后，server只需源源不斷的輸出結(jié)果，而client端則源源不斷地接收處理數(shù)據(jù)。
所以，我們解決方案是，基于hive-jdbc, 不使用分頁，而全量獲取數(shù)據(jù)即可。這給我們帶來莫大的好處，即一次運(yùn)算即可。比如1次運(yùn)算3-5分鐘，那么總共的運(yùn)算也就是3-5分鐘。
看起來不錯(cuò)，解決了重復(fù)運(yùn)算的問題。好似萬事大吉了。
具體實(shí)現(xiàn)就是引入幾個(gè)hive-jdbc的依賴，然后提交查詢，依次獲取結(jié)果即可。樣例如下：
//pom 依賴
//https://mvnrepository.com/artifact/org.apache.hive/hive-jdbc
org.apache.hive
hive-jdbc
2.3.4
// 測試hive-jdbc
import java.sql.Connection;
import java.sql.PreparedStatement;
import java.sql.ResultSet;
import java.sql.SQLException;
import java.sql.Statement;
import java.sql.DriverManager;
public class HiveJdbcTest {
private static Connection conn = getConnnection();
private static PreparedStatement ps;
private static ResultSet rs;
// 獲取所有數(shù)據(jù)
public static void getAll(String tablename) {
String sql="select * from " + tablename;
System.out.println(sql);
try {
ps = prepare(conn, sql);
rs = ps.executeQuery();
int columns = rs.getMetaData().getColumnCount();
while(rs.next()) {
for(int i=1;i"\t\t");
}
System.out.println();
}
}
catch (SQLException e) {
e.printStackTrace();
}
}
// 測試
public static void main(String[] args) {
String tablename="t1";
HiveJdbcTest.getAll(tablename);
}
private static String driverName = "org.apache.hive.jdbc.HiveDriver";
private static String url = "jdbc:hive2://127.0.0.1:10000/";
private static Connection conn;
// 連接hive庫
public static Connection getConnnection() {
try {
Class.forName(driverName);
conn = DriverManager.getConnection(url, "hive", "123");
}
catch(ClassNotFoundException e) {
e.printStackTrace();
}
catch (SQLException e) {
e.printStackTrace();
}
return conn;
}
public static PreparedStatement prepare(Connection conn, String sql) {
PreparedStatement ps = null;
try {
ps = conn.prepareStatement(sql);
}
catch (SQLException e) {
e.printStackTrace();
}
return ps;
}
}
樣例代碼，無需糾結(jié)。簡單的jdbc操作樣板?？傮w來說就是，不帶分頁的接收全量數(shù)據(jù)。
但是，這個(gè)會(huì)有什么問題?同樣，小數(shù)據(jù)量時(shí)無任何疑問，但當(dāng)數(shù)據(jù)量足夠大時(shí)，每一次的數(shù)據(jù)接收，都需要一次網(wǎng)絡(luò)通信請(qǐng)示，且都是單線程的。我們假設(shè)接受一條數(shù)據(jù)花費(fèi)1ms, 那么接收1000條數(shù)就是1s, 6k條數(shù)據(jù)就是1min。36w條數(shù)據(jù)就是1h, 額，后面就無需再算了。同樣是不可估量的時(shí)間消耗。(實(shí)際情況也許會(huì)好點(diǎn)，因?yàn)闀?huì)有buffer緩沖的存在)
為什么會(huì)這樣呢?運(yùn)算量已經(jīng)減小了，但是這網(wǎng)絡(luò)通信量，我們又能如何?實(shí)際上，問題不在于網(wǎng)絡(luò)通信問題，而在于我們使用這種方式，使我們從并行計(jì)算轉(zhuǎn)到了串行計(jì)算的過程了。因?yàn)橹挥袉吸c(diǎn)的數(shù)據(jù)接收，所以只能將數(shù)據(jù)匯集處理。從而就是一個(gè)串行化的東西了。
所以，我們更多應(yīng)該從并行這一層面去解決問題。
3. 基于臨時(shí)表實(shí)現(xiàn)
要解決并行變串行的問題，最根本的辦法就是避免一條條讀取數(shù)據(jù)。而要避免這個(gè)問題，一個(gè)很好想到的辦法就是使用臨時(shí)表，繞開自己代碼的限制。讓大數(shù)據(jù)集群自行處理并行計(jì)算問題，這是個(gè)不錯(cuò)的想法。
但具體如何做呢?我們面臨至少這么幾個(gè)問題：
如何將數(shù)據(jù)寫入臨時(shí)表?
寫入臨時(shí)表的數(shù)據(jù)如何取回?是否存在瓶頸問題?
臨時(shí)表后續(xù)如何處理?
我們一個(gè)個(gè)問題來，第1個(gè)，如何寫臨時(shí)表問題：我們可以選擇先創(chuàng)建一個(gè)臨時(shí)表，然后再使用insert into select … from … 的方式寫入，但這種方式非常費(fèi)力，首先你得固化下臨時(shí)表的數(shù)據(jù)結(jié)構(gòu)，其次你要處理多次寫入問題?？雌饋聿皇亲詈玫霓k法。幸好，hive中或者相關(guān)數(shù)據(jù)庫產(chǎn)品都提供了另一種更方便的建臨時(shí)表的方法: create table xxx as select … from … 你只需要使用一個(gè)語句就可以將結(jié)果寫入到臨時(shí)表了。但需要注意的是，我們創(chuàng)建時(shí)，需要指定好我們需要的格式，否則最終結(jié)果也許不是我們想要的，比如我們需要使用’,’分隔數(shù)據(jù)而非tab, 我們需要使用 text 形式的數(shù)據(jù)，而非壓縮的二進(jìn)制格式。
以下是個(gè)使用樣例：
-- 外部使用 create table 包裹
CREATE TABLE tmp_2020110145409001
ROW FORMAT DELIMITED
FIELDS TERMINATED BY ','
STORED AS TEXTFILE as
-- 具體的業(yè)務(wù)select sql
select t1.*, t2.* from test t1 left join test2 t2 on t1.id = t2.t_id
;
如此，我們就得到所需的結(jié)果了。以上結(jié)果，在hive中表現(xiàn)為一個(gè)臨時(shí)表。而其背后則是一個(gè)個(gè)切分的文件，以’,’號(hào)分隔的文本文件，且會(huì)按照hive的默認(rèn)存儲(chǔ)目錄存放。(更多具體語法請(qǐng)查詢官網(wǎng)資料)
接下來，我們要解決第2個(gè)問題：如何將數(shù)據(jù)取回?這個(gè)問題也不難，首先，現(xiàn)在結(jié)果已經(jīng)有了，我們可以一行行地讀取返回，就像前面一樣。但這時(shí)已經(jīng)沒有了數(shù)據(jù)運(yùn)算，應(yīng)該會(huì)好很多。但明顯還是不夠好，我們?nèi)匀恍枰磸?fù)的網(wǎng)絡(luò)通信。我們知道，hive存儲(chǔ)的背后，是一個(gè)個(gè)切分的文件，如果我們能夠?qū)⒃撐募苯酉螺d下來，那將會(huì)是非常棒的事。不錯(cuò)，最好的辦法就是，直接下載hive的數(shù)據(jù)文件，hive會(huì)存儲(chǔ)目錄下，以類似于 part_0000, part_0001… 之類的文件存放。
那么，我們?nèi)绾尾拍芟螺d到這些文件呢?hive是基于hadoop的，所以，很明顯我們要回到這個(gè)問題，基于hadoop去獲取這些文件。即 hdfs 獲取，命令如下：
// 查看所有分片數(shù)據(jù)文件列表
hdfs dfs -ls hdfs://xx/hive/mydb.db/*
// 下載所有數(shù)據(jù)文件到 /tmp/local_hdfs 目錄
hdfs dfs -get hdfs://xx/hive/mydb.db/* /tmp/local_hdfs
我們可以通過以上命令，將數(shù)據(jù)文件下載到本地，也可以hdfs的jar包，使用 hdfs-client 進(jìn)行下載。優(yōu)缺點(diǎn)是：使用cli的方式簡單穩(wěn)定但依賴于服務(wù)器環(huán)境，而使用jar包的方式則部署方便但需要自己寫更多代碼保證穩(wěn)定性。各自選擇即可。
最后，我們還剩下1個(gè)問題：如何處理臨時(shí)表的問題?hive目前尚不支持設(shè)置表的生命周期(阿里云的maxcompute則只是一個(gè) lifecycle 選項(xiàng)的問題)，所以，需要自行清理文件。這個(gè)問題的實(shí)現(xiàn)方式很多，比如你可以自行記錄這些臨時(shí)表的創(chuàng)建時(shí)間、位置、過期時(shí)間，然后再每天運(yùn)行腳本清理表即可。再簡單點(diǎn)就是你可以直接通過表名進(jìn)行清理，比如你以年月日作為命令開頭，那么你可以根據(jù)這日期刪除臨時(shí)表即可。如：
-- 列舉表名
show tables like 'dbname.tmp_20201101*';
-- 刪除具體表名
drop table dbname.tmp_2020110100001 ;
至此，我們的所有問題已解決。總結(jié)下：首先使用臨時(shí)表并行地將結(jié)果寫入;其次通過hdfs將文件快速下載到本地即可;最后需要定時(shí)清理臨時(shí)表;這樣，你就可以高效，無限制的為用戶拉取大批量數(shù)據(jù)了。
不過需要注意的是，我們的步驟從1個(gè)步驟變成了3個(gè)步驟，增加了復(fù)雜度。(實(shí)際上你可能還會(huì)處理更多的問題，比如元數(shù)據(jù)信息的對(duì)應(yīng)問題)復(fù)雜度增加的最大問題就在于，它會(huì)帶來更多的問題，所以我們一定要善于處理好這些問題，否則將會(huì)帶來一副作用。
文章標(biāo)題：通過hive拉去大量數(shù)據(jù)
本文鏈接：http://www.dlmjj.cn/article/dpojshj.html
