Hive 如何快速拉取大批量數(shù)據(jù)

用hive來做數(shù)倉類操作，或者大數(shù)據(jù)的運算，是沒有疑問的，至少在你沒有更多選擇之前。

當我們要hive來做類似于大批量數(shù)據(jù)的select時，也許問題就會發(fā)生了變化。

1:通用解決方案:分頁拉取

首先，我們要基于一個事實，就是沒有哪個數(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，因為hive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會根據(jù)條件運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)運算。這在小數(shù)據(jù)量的情況下是可以接受的，因為計算機的高速運轉能力。但是當數(shù)據(jù)量大到一定程度時，就不行了。比如我們停滯了許多年的大數(shù)據(jù)領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別，那么用分頁也許就不好解決問題了。比如，單次地運算也許就是3-5分鐘（基于分布式并行計算系統(tǒng)能力），當你要select 100w數(shù)據(jù)時，如果用一頁1w的運算，那么就是100次來回，1次3-5分鐘，100次就是5-8小時的時間，這就完全jj了。誰能等這么長時間？這樣處理的最終結果就是，業(yè)務被砍掉，等著財務結賬了。

所以，我們得改變點什么！

2. 使用hive-jdbc:持續(xù)輸出

jdbc本身不算啥，只是一個連接協(xié)議。但它的好處在于，可以維持長連接。這個連接有個好處，就是server可以隨時輸出數(shù)據(jù)，而client端則可以隨時處理數(shù)據(jù)。這就給了我們一個機會，即比如100w的數(shù)據(jù)運算好之后，server只需源源不斷的輸出結果，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，即一次運算即可。比如1次運算3-5分鐘，那么總共的運算也就是3-5分鐘。

看起來不錯，解決了重復運算的問題。好似萬事大吉了。

具體實現(xiàn)就是引入幾個hive-jdbc的依賴，然后提交查詢，依次獲取結果即可。樣例如下：

<!-- pom 依賴 --><!-- https://mvnrepository.com/artifact/org.apache.hive/hive-jdbc --><dependency>    <groupId>org.apache.hive</groupId>    <artifactId>hive-jdbc</artifactId>    <version>2.3.4</version></dependency>

// 測試hive-jdbcimport 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<=columns;i++) {                    System.out.print(rs.getString(i));                      System.out.print("\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。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，這個會有什么問題？同樣，小數(shù)據(jù)量時無任何疑問，但當數(shù)據(jù)量足夠大時，每一次的數(shù)據(jù)接收，都需要一次網(wǎng)絡通信請求，且都是單線程的。我們假設接受一條數(shù)據(jù)花費1ms, 那么接收1000條數(shù)就是1s, 6w條數(shù)據(jù)就是1min。360w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間消耗。（實際情況也許會好點，因為會有buffer緩沖的存在）

為什么會這樣呢？運算量已經(jīng)減小了，但是這網(wǎng)絡通信量，我們又能如何？實際上，問題不在于網(wǎng)絡通信問題，而在于我們使用這種方式，使我們從并行計算轉到了串行計算的過程了。因為只有單點的數(shù)據(jù)接收，所以只能將數(shù)據(jù)匯集處理。從而就是一個串行化的東西了。

所以，我們更多應該從并行這一層面去解決問題。

3. 基于臨時表實現(xiàn):高效并行

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)。而要避免這個問題，一個很好想到的辦法就是使用臨時表，繞開自己代碼的限制。讓大數(shù)據(jù)集群自行處理并行計算問題，這是個不錯的想法。

但具體如何做呢？我們面臨至少這么幾個問題：

　　　　1. 如何將數(shù)據(jù)寫入臨時表？
　　　　2. 寫入臨時表的數(shù)據(jù)如何取回？是否存在瓶頸問題？
　　　　3. 臨時表后續(xù)如何處理？

我們一個個問題來，第1個，如何寫臨時表問題：我們可以選擇先創(chuàng)建一個臨時表，然后再使用insert into select ... from ... 的方式寫入，但這種方式非常費力，首先你得固化下臨時表的數(shù)據(jù)結構，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中或者相關數(shù)據(jù)庫產(chǎn)品都提供了另一種更方便的建臨時表的方法: create table xxx as select ... from ...  你只需要使用一個語句就可以將結果寫入到臨時表了。但需要注意的是，我們創(chuàng)建時，需要指定好我們需要的格式，否則最終結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)，而非壓縮的二進制格式。

以下是個使用樣例：

-- 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果了。以上結果，在hive中表現(xiàn)為一個臨時表。而其背后則是一個個切分的文件，以','號分隔的文本文件，且會按照hive的默認存儲目錄存放。（更多具體語法請查詢官網(wǎng)資料）

接下來，我們要解決第2個問題：如何將數(shù)據(jù)取回？這個問題也不難，首先，現(xiàn)在結果已經(jīng)有了，我們可以一行行地讀取返回，就像前面一樣。但這時已經(jīng)沒有了數(shù)據(jù)運算，應該會好很多。但明顯還是不夠好，我們仍然需要反復的網(wǎng)絡通信。我們知道，hive存儲的背后，是一個個切分的文件，如果我們能夠將該文件直接下載下來，那將會是非常棒的事。不錯，最好的辦法就是，直接下載hive的數(shù)據(jù)文件，hive會在存儲目錄下，以類似于 part_0000, part_0001... 之類的文件存放。

那么，我們如何才能下載到這些文件呢？hive是基于hadoop的，所以，很明顯我們要回到這個問題，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 進行下載。優(yōu)缺點是：使用cli的方式簡單穩(wěn)定但依賴于服務器環(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?！?/span>

最后，我們還剩下1個問題：如何處理臨時表的問題？hive目前尚不支持設置表的生命周期（阿里云的maxcompute則只是一個 lifecycle 選項的問題），所以，需要自行清理文件。這個問題的實現(xiàn)方式很多，比如你可以自行記錄這些臨時表的創(chuàng)建時間、位置、過期時間，然后再每天運行腳本清理表即可。再簡單點就是你可以直接通過表名進行清理，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?？偨Y下：首先使用臨時表并行地將結果寫入；其次通過hdfs將文件快速下載到本地即可；最后需要定時清理臨時表；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個步驟變成了3個步驟，增加了復雜度。（實際上你可能還會處理更多的問題，比如元數(shù)據(jù)信息的對應問題）復雜度增加的最大問題就在于，它會帶來更多的問題，所以我們一定要善于處理好這些問題，否則將會帶來一副作用。

往期精彩推薦

騰訊、阿里、滴滴后臺面試題匯總總結 — （含答案）

面試：史上最全多線程面試題 ！

最新阿里內推Java后端面試題

JVM難學？那是因為你沒認真看完這篇文章

—END—

關注作者微信公眾號 —《JAVA爛豬皮》

了解更多java后端架構知識以及最新面試寶典

你點的每個好看，我都認真當成了

看完本文記得給作者點贊+在看哦~~~大家的支持，是作者源源不斷出文的動力

作者：等你歸去來

出處：https://www.cnblogs.com/yougewe/p/13909575.html