Hive 大厂面试题

这是我参与更文挑战的第24天，活动详情查看：更文挑战

1 Hive的架构

Hive元数据默认存储在derby数据库，不支持多客户端访问，所以将元数据存储在MySQl，支持多客户端访问。

2 Hive和数据库比较

Hive 和数据库除了拥有类似的查询语言，再无类似之处。

1. 数据存储位置   Hive 存储在 HDFS 。数据库将数据保存在块设备或者本地文件系统中。

2. 数据更新   Hive中不建议对数据的改写。而数据库中的数据通常是需要经常进行修改的，

3. 执行延迟   Hive 执行延迟较高。数据库的执行延迟较低。当然，这个是有条件的，即数据规模较小，当数据规模大到超过数据库的处理能力的时候，Hive的并行计算显然能体现出优势。

4. 数据规模   Hive支持很大规模的数据计算；数据库可以支持的数据规模较小。

3 内部表和外部表

元数据、原始数据

1. 删除数据时：   内部表：元数据、原始数据，全删除
     外部表：元数据 只删除

2. 在公司生产环境下，什么时候创建内部表，什么时候创建外部表？   在公司中绝大多数场景都是外部表。
     自己使用的临时表，才会创建内部表；

4 4个By区别

1. Order By：全局排序，只有一个Reducer；
2. Sort By：分区内有序；
3. Distrbute By：类似MR中Partition，进行分区，结合sort by使用。
4. Cluster By：当Distribute by和Sorts by字段相同时，可以使用Cluster by方式。Cluster by除了具有Distribute by的功能外还兼具Sort by的功能。但是排序只能是升序排序，不能指定排序规则为ASC或者DESC。

  在生产环境中Order By用的比较少，容易导致OOM。
  在生产环境中Sort By + Distrbute By用的多。

5 系统函数

1. date_add、date_sub函数（加减日期）
2. next_day函数（周指标相关）
3. date_format函数（根据格式整理日期）
4. last_day函数（求当月最后一天日期）
5. collect_set函数
6. get_json_object解析json函数
7. NVL（表达式1，表达式2）   如果表达式1为空值，NVL返回值为表达式2的值，否则返回表达式1的值。

6 自定义UDF、UDTF函数

1. 在项目中是否自定义过UDF、UDTF函数，以及用他们处理了什么问题，及自定义步骤？

   1. 用UDF函数解析公共字段；用UDTF函数解析事件字段。
   2. 自定义UDF：继承UDF，重写evaluate方法
   3. 自定义UDTF：继承自GenericUDTF，重写3个方法：initialize(自定义输出的列名和类型)，process（将结果返回forward(result)），close

2. 为什么要自定义UDF/UDTF？   因为自定义函数，可以自己埋点Log打印日志，出错或者数据异常，方便调试。
     引入第三方jar包时，也需要。

7 窗口函数

1. Rank

   1. RANK() 排序相同时会重复，总数不会变
   2. DENSE_RANK() 排序相同时会重复，总数会减少
   3. ROW_NUMBER() 会根据顺序计算

2. OVER()：指定分析函数工作的数据窗口大小，这个数据窗口大小可能会随着行的变而变化

   1. CURRENT ROW：当前行
   2. n PRECEDING：往前n行数据
   3. n FOLLOWING：往后n行数据
   4. UNBOUNDED：起点，UNBOUNDED PRECEDING 表示从前面的起点， UNBOUNDED FOLLOWING表示到后面的终点
   5. LAG(col,n)：往前第n行数据
   6. LEAD(col,n)：往后第n行数据
   7. NTILE(n)：把有序分区中的行分发到指定数据的组中，各个组有编号，编号从1开始，对于每一行，NTILE返回此行所属的组的编号。注意：n必须为int类型。

3. 手写TopN

8 Union与Union all区别

1. union会将联合的结果集去重，效率较union all差
2. union all不会对结果集去重，所以效率高