上一篇文章介绍了3道常见的SQL笔试题，反响还算是不错。于是乎，接下来的几天，菌哥将每天为大家分享一些关于大数据面试的杀招，祝小伙伴们都能早日找到合适的工作~
一、什么是Hive，为什么要用Hive，你是如何理解Hive?
面试官往往一上来就一个“灵魂三连问”，很多没有提前准备好的小伙伴基本回答得都磕磕绊绊，效果不是很好。下面贴出菌哥的回答：
Hive是基于Hadoop的一个数据仓库工具，可以将结构化的数据文件映射为一张数据库表，并提供类SQL查询功能（HQL）。「Hive本质是将SQL转换为MapReduce的任务进行运算。」
个人理解：hive存的是和hdfs的映射关系，hive是逻辑上的数据仓库，实际操作的都是hdfs上的文件，HQL就是用sql语法来写的mr程序。
二、介绍一下Hive的架构
- Hive可以通过CLI，JDBC和 ODBC 等客户端进行访问。除此之外，Hive还支持 WUI 访问
- Hive内部执行流程：解析器（解析SQL语句）、编译器（把SQL语句编译成MapReduce程序）、优化器（优化MapReduce程序）、执行器（将MapReduce程序运行的结果提交到HDFS）
- Hive的「元数据」保存在数据库中，如保存在MySQL，SQLServer，PostgreSQL，Oracle及Derby等数据库中。Hive中的元数据信息包含表名，列名，分区及其属性，表的属性（包括是否为外部表），表数据所在目录等。
- Hive将大部分 HiveSQL语句转化为MapReduce作业提交到Hadoop上执行；少数HiveSQL语句不会转化为MapReduce作业，直接从DataNode上获取数据后按照顺序输出。
三、Hive和数据库比较
Hive 和 数据库 实际上并没有可比性，除了拥有类似的查询语言，再无类似之处。
- 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。
- 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。
- 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。
- 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。
四、了解和使用过哪些Hive函数
这个可以回答的内容就非常多了
例如常见的关系函数 =，<>，<，LIKE，
日期函数to_date，year，second，weekofyear，datediff，
条件函数IF，CASE，NVL
字符串函数length，reverse，concat....
更多的基本函数不一一列举了，感觉面试官更想听的是开窗函数，例如：rank，row_number，dense_rank...
而开窗函数的使用可以说是大数据笔试的热门考点，所以说嘛，你们都懂得~
五、内部表和外部表的区别，以及各自的使用场景
这个感觉出现的频率也很高，基本在面试中都会被问到。
- 内部表
如果Hive中没有特别指定，则默认创建的表都是「管理表」，也称「内部表」。由Hive负责管理表中的数据，管理表不共享数据。删除管理表时，会删除管理表中的数据和元数据信息。
- 外部表
当一份数据需要「被共享」时，可以创建一个「外部表」指向这份数据。
删除该表并不会删除掉原始数据，删除的是表的元数据。当表结构或者分区数发生变化时，需要进行一步修复的操作。
六、Sort By，Order By，Distrbute By，Cluster By 的区别
这是一道很容易混淆的题目，就算不被问到，也是必须要掌握清楚的。
- Sort By：分区内有序
- Order By：全局排序，只有一个Reducer
- Distrbute By：类似MR中Partition，进行分区，结合sort by使用
- 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。
七、Hive窗口函数的区别
- RANK() 排序相同时会重复，总数不会变，例如
1224 - DENSE_RANK() 排序相同时会重复，总数会减少，例如
1223 - ROW_NUMBER() 会根据顺序去计算，例如
1234
八、是否自定义过UDF，UDTF，简述步骤
这个时候，面试官可能看你面试得挺顺利的，打算问你点“难题”：
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？
你可以这么回答：
<1> 自定义过
<2> 我一般用UDF函数解析公共字段；用UDTF函数解析事件字段
具体的步骤对应如下：
「自定义UDF」：继承UDF，重写evaluate方法
「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
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
九、请介绍下你熟知的Hive优化
当被问到优化，你应该庆幸自己这趟面试来得值了。为啥？就冲着菌哥给你分析下面的这九大步，面试官还不得当场呆住，这波稳了的节奏~
- MapJoin
如果不指定MapJoin或者不符合MapJoin的条件，那么Hive解析器会将Join操作转换成Common Join，即：在Reduce阶段完成join。容易发生数据倾斜。可以用MapJoin把小表全部加载到内存在map端进行join，避免reducer处理。
- 行列过滤
列处理：在SELECT中，只拿需要的列，如果有，尽量使用分区过滤，少用SELECT *。
行处理：在分区剪裁中，当使用外关联时，如果将副表的过滤条件写在Where后面，那么就会先全表关联，之后再过滤。
- 合理设置Map数
是不是map数越多越好?
答案是否定的。如果一个任务有很多小文件（远远小于块大小128m），则每个小文件也会被当做一个块，用一个map任务来完成，而一个map任务启动和初始化的时间远远大于逻辑处理的时间，就会造成很大的资源浪费 。而且，同时可执行的map数是「受限」的。此时我们就应该减少map数量。
- 合理设置Reduce数
Reduce个数并不是越多越好
（1）过多的启动和初始化Reduce也会消耗时间和资源；
（2）另外，有多少个Reduce，就会有多少个输出文件，如果生成了很多个小文件，那么如果这些小文件作为下一个任务的输入，则也会出现小文件过多的问题；
在设置Reduce个数的时候也需要考虑这两个「原则」：处理大数据量利用合适的Reduce数；使单个Reduce任务处理数据量大小要合适；
- 严格模式
严格模式下，会有以下特点：
①对于分区表，用户不允许扫描所有分区
②使用了order by语句的查询，要求必须使用limit语句
③限制笛卡尔积的查询
- 开启map端combiner（不影响最终业务逻辑）
这个就属于配置层面上的优化了，需要我们手动开启 set hive.map.aggr=true；
- 压缩（选择快的）
设置map端输出中间结果压缩。（不完全是解决数据倾斜的问题，但是减少了IO读写和网络传输，能提高很多效率）
- 小文件进行合并
在Map执行前合并小文件，减少Map数：CombineHiveInputFormat具有对小文件进行合并的功能（系统默认的格式）。HiveInputFormat没有对小文件合并功能。
- 其他
列式存储，采用分区技术，开启JVM重用...类似的技术非常多，大家选择一些方便记忆的就OK。
十、了解过数据倾斜吗，是如何产生的，你又是怎么解决的?
「数据倾斜」和第九步谈到的的「性能调优」，但凡有点工作经验的老工程师都会告诉你，这都是面试必问的！那怎么才能回答好呢，慢慢往下看~
- 概念：
数据的分布不平衡，某些地方特别多，某些地方又特别少，导致的在处理数据的时候，有些很快就处理完了，而有些又迟迟未能处理完，导致整体任务最终迟迟无法完成，这种现象就是「数据倾斜」
- 如何产生
① key的分布不均匀或者说某些key太集中
② 业务数据自身的特性，例如不同数据类型关联产生数据倾斜
③ SQL语句导致的数据倾斜
- 如何解决
① 开启map端combiner（不影响最终业务逻辑）
② 开启数据倾斜时负载均衡
③ 控制空值分布
❝
将为空的key转变为字符串加随机数或纯随机数，将因空值而造成倾斜的数据分配到多个Reducer
❞
④ SQL语句调整
❝
a ) 选用join key 分布最均匀的表作为驱动表。做好列裁剪和filter操作，以达到两表join的时候，数据量相对变小的效果。
b ) 大小表Join：使用map join让小的维度表（1000条以下的记录条数）先进内存。在Map端完成Reduce。c ) 大表Join大表：把空值的Key变成一个字符串加上一个随机数，把倾斜的数据分到不同的reduce上，由于null值关联不上，处理后并不影响最终的结果。
d ) count distinct大量相同特殊值：count distinct 时，将值为空的情况单独处理，如果是计算count distinct，可以不用处理，直接过滤，在最后结果中加1。如果还有其他计算，需要进行group by，可以先将值为空的记录单独处理，再和其他计算结果进行union。
❞
十一、分区表和分桶表各自的优点能介绍一下吗？
前面刚被问到内部表与外部表的区别，现在终于到了分区表和分桶表~作为Hive常用的几种「管理表」，被问到也是意料之中!
- 分区表
- 介绍
1、分区使用的是表外字段，需要指定字段类型
2、分区通过关键字 partitioned by(partition_name string) 声明
3、分区划分粒度较粗
- 优点
将数据按区域划分开，查询时不用扫描无关的数据，加快查询速度
- 分桶表
- 介绍
1、分桶使用的是表内字段，已经知道字段类型，不需要再指定。
2、分桶表通过关键字clustered by(column_name) into ... buckets声明
3、分桶是更细粒度的划分、管理数据，可以对表进行先分区再分桶的划分策略
- 优点
用于数据取样；能够起到优化加速的作用
回答到这里已经非常不错，面试官可能又问了：
「小伙几，能讲解一下分桶的逻辑吗?」
哈哈哈，好吧~谁让我看了菌哥写的杀招，有备而来，丝毫不惧！！！
❝
分桶逻辑：对分桶字段求哈希值，用哈希值与分桶的数量取余，余几，这个数据就放在那个桶内。
❞
十二、了解过动态分区吗，它和静态分区的区别是什么？能简单讲下动态分区的底层原理吗？
都到了这一步，没有撤退可言。
- 静态分区与动态分区的主要区别在于静态分区是手动指定，而动态分区是通过数据来进行判断
- 详细来说，静态分区的列是在编译时期，通过用户传递来决定的；动态分区只有在 SQL 执行时才能决定
- 简单理解就是静态分区是只给固定的值，动态分区是基于查询参数的位置去推断分区的名称，从而建立分区
十三、使用过Hive的视图和索引吗，简单介绍一下
可能有的朋友在学习的过程中没机会使用到视图和索引，这里菌哥就简单介绍一下如何在面试的时候回答，更详细的实操应该等着你们后面去实践哟~
- Hive视图
视图是一种使用查询语句定义的「虚拟表」，是数据的一种「逻辑结构」，创建视图时不会把视图存储到磁盘上，定义视图的查询语句只有在执行视图的语句时才会被执行。
通过引入视图机制，可以简化查询逻辑，提高了用户效率与用户满意度。
「注意:」视图是只读的，不能向视图中插入或是加载数据
- Hive索引
和关系型数据库中的索引一样，Hive也支持在表中建立索引。适当的索引可以优化Hive查询数据的性能。但是索引需要额外的存储空间，因此在创建索引时需要考虑索引的必要性。
「注意:」Hive不支持直接使用DROP TABLE语句删除索引表。如果创建索引的表被删除了，则其对应的索引和索引表也会被删除；如果表的某个分区被删除了，则该分区对应的分区索引也会被删除。
彩蛋
为了能鼓励大家多学会总结，菌在这里贴上自己平时做的思维导图，需要的朋友，可以关注博主个人微信公众号【猿人菌】，后台回复“思维导图”即可获取。
结语
本篇纯当试个水，有任何好的想法或者建议可以在评论区留言，或者直接私信我也ok，后期会考虑出一些大数据面试的场景题，在最美的年华，做最好的自己，我是00后Alice，我们下一期见~~
「一键三连，养成习惯~」
文章持续更新，可以微信搜一搜「猿人菌」第一时间阅读，思维导图，大数据书籍，大数据高频面试题，海量一线大厂面经....期待您的关注!