hive面试问题

A所有的hive任务都会有reducer的执行吗？

答：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

举例：使用select * from person ; 就不会有reducer

      使用from person p 

                  insert  into  person2 select p.age,p.name  

B\hive解决了什么问题

答：多用户的使用，解决了元数据的冲突，hive2代理管理元数据       

    区别hive2，hiveserver2是服务，而hive是一个交互窗口

C\设置时钟同步的定时任务

crontab -e

*/10 * * * * /usr/sbin/ntpdate time.nist.gov

D\hive的函数：UDF  UDAF UDTF的区别

UDF:   单行进入，单行输出

UDAF:  多行进入，单行输出

UDTF:  单行输入，多行输出

E\hive的优化

答：优化可以从几个方面着手：

    1. 好的模型设计事半功倍。

    2. 解决数据倾斜问题。

3. 减少 job 数。

4. 设置合理的 map reduce 的 task 数，能有效提升性能。(比如，10w+级别的计算，用

        160 个 reduce，那是相当的浪费，1 个足够)。

5. 自己动手写 sql 解决数据倾斜问题是个不错的选择。set hive.groupby.skewindata=true;

   这是通用的算法优化，但算法优化总是漠视业务，习惯性提供通用的解决方法。 Etl 开发

   人员更了解业务，更了解数据，所以通过业务逻辑解决倾斜的方法往往更精确，更有效。

6. 对 count(distinct)采取漠视的方法，尤其数据大的时候很容易产生倾斜问题，不抱侥幸

      心理。自己动手，丰衣足食。

7. 对小文件进行合并，是行至有效的提高调度效率的方法，假如我们的作业设置合理的文

件数，对云梯的整体调度效率也会产生积极的影响。

8. 优化时把握整体，单个作业最优不如整体最优。

F优化：

1\排序优化

Order by 实现全局排序，一个 reduce 实现，效率低

Sort by  实现部分有序，单个 reduce 输出的结果是有序的，效率高，通常和

DISTRIBUTE BY 关键字一起使用（DISTRIBUTE BY 关键字 可以指定 map 到 reduce

端的分发 key）

CLUSTER BY col1 等价于 DISTRIBUTE BY col1 SORT BY col1

2\分区优化

3\合并小文件

4\避免空值关联，多用聚合函数，多用临时表