hive数据仓库面试都问什么？

一、hive数据仓库面试都问什么？

在hive数据仓库面试中，通常会被问到技术技能、经验及项目相关问题。

因为作为数据仓库及数据处理领域的热门技术，hive使用广泛，故企业对人才需求也很高，并且对候选人的技术实力和项目经验也有很高的要求。同时，还会关注面试者的学习能力和解决问题的能力。

面试需要准备的材料和知识也包括基础知识、数据存储与处理、性能优化、设计开发等方面。

二、hive导入数据原理？

关于这个问题，Hive导入数据的原理是将数据从外部存储系统（如HDFS、S3、HBase等）移动到Hive表中。具体原理如下：

1. 创建Hive表：首先，用户需要在Hive中创建一个表来存储导入的数据。表的结构（包括列名、数据类型等）应与导入数据的格式相匹配。

2. 指定数据源：用户需要指定数据的来源，可以是本地文件系统中的文件，也可以是HDFS、S3等存储系统中的文件。

3. 数据加载：Hive使用Hadoop MapReduce作业来实现数据加载。在加载数据之前，Hive会根据表的结构定义生成一个MapReduce作业，该作业负责将数据从源文件中读取并转换为Hive表的格式。

4. 数据转换：在数据加载的过程中，Hive会根据表的定义对数据进行转换。例如，如果表中的某一列定义为整型，而源文件中的数据为字符串类型，Hive会将字符串数据转换为整型数据。

5. 数据存储：加载和转换完成后，Hive会将数据存储到Hive表中。数据存储的位置由用户在创建表时指定。

总结起来，Hive导入数据的原理是通过Hadoop MapReduce作业将数据从外部存储系统读取并转换为Hive表的格式，然后将数据存储到Hive表中。这使得用户可以使用Hive的查询语言（HiveQL）来对导入的数据进行分析和查询。

三、hive面试题及答案？

1、你觉得你个性上最大的优点是什么？

回答提示：沉着冷静、条理清楚、立场坚定、顽强向上。

乐于助人和关心他人、适应能力和幽默感、乐观和友爱。我在北大青鸟经过一到两年的培训及项目实战，加上实习工作，使我适合这份工作。我相信我能成功。

2、说说你最大的缺点？

回答提示：这个问题企业问的概率很大，通常不希望听到直接回答的缺点是什么等，如果求职者说自己小心眼、爱忌妒人、非常懒、脾气大、工作效率低，企业肯定不会录用你。绝对不要自作聪明地回答“我最大的缺点是过于追求完美”，有的人以为这样回答会显得自己比较出色，但事实上，他已经岌芨可危了。企业喜欢求职者从自己的优点说起，中间加一些小缺点，最后再把问题转回到优点上，突出优点的部分。企业喜欢聪明的求职者。

3、你对加班的看法？

回答提示：实际上好多公司问这个问题，并不证明一定要加班。 只是想测试你是否愿意为公司奉献。

回答样本：如果是工作需要我会义不容辞加班。我现在单身，没有任何家庭负担，可以全身心的投入工作。但同时，我也会提高工作效率，减少不必要加班。

四、hive提供哪几种协议访问hive数据库？

两种协议访问：老版HiveClient和HiveServer2。

　　1.老版HiveClient： 要求比较多，需要Hive和Hadoop的jar包，各配置环境。

   2. HiveServer2：

　 　　使得与YARN和HDFS的连接从Client中独立出来，不需要每个Client都去配置这些连接信息。

　　　 使用Beeline只作为输入口，最终会把语句扔到HiveServer2端来作解析。

　　　 

五、hive数据仓库包括哪些？

包括表的名字，表的列和分区及其属性，表的属性（是否为外部表等），表的数据所在目录等。解释器、编译器、优化器、执行器解释器、编译器、优化器完成 HQL 查询语句从词法分析、语法分析、编译、优化以及查询计划的生成。

六、hive是什么数据库？

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，并提供简单的sql查询功能，可以将sql语句转换为MapReduce任务进行运行。其优点是学习成本低，可以通过类SQL语句快速实现简单的MapReduce统计，不必开发专门的MapReduce应用，十分适合数据仓库的统计分析。

　　Hive是建立在 Hadoop 上的数据仓库基础构架。它提供了一系列的工具，可以用来进行数据提取转化加载（ETL），这是一种可以存储、查询和分析存储在 Hadoop 中的大规模数据的机制。Hive 定义了简单的类 SQL 查询语言，称为 HQL，它允许熟悉 SQL 的用户查询数据。同时，这个语言也允许熟悉 MapReduce 开发者的开发自定义的 mapper 和 reducer 来处理内建的 mapper 和 reducer 无法完成的复杂的分析工作

七、hive的数据能修改吗？

普通表可以通过update来修改数据。语法是update 表名 set 字段名=“”where 条件

八、如何快速查询hive数据？

答：

快速查询hive数据的方法：

1

进入hive之前要把hadoop给启动起来，因为hive是基于hadoop的。所有的mr计算都是在hadoop上面进行的。

2

在命令行中输入：hive。这个时候就可以顺利的进入hive了。当然了，如果你想直接执行hql脚本文件可以这样：hive-fxxxxx.hql。

3

进入hive之后一一般默认的数据库都是default。如果你切换数据库的话所建的表都会是在default数据库里面。

4

创建数据库的语法是：createdatabasedatabase_name;非常简单的，其实hive跟mysql的语法还是比较相似的。为什么呢？请继续往下

5

切换数据库的时候可以输入：usedatabase_name；

查看所有数据库的时候可以输入：showdatabases;

查看所有表的时候可以输入：showtables

6

看表结构的时候可以输入：describetab_name;

九、Hive数据存储哪个程序负责？

Hive 没有专门的数据存储格式，也没有为数据建立索引，用户可以非常自由的组织 Hive 中的表，只需要在创建表的时候告诉 Hive 数据中的列分隔符和行分隔符，Hive 就可以解析数据。

     其次，Hive 中所有的数据都存储在 HDFS 中，Hive 中包含以下数据模型：Table，External Table，Partition，Bucket。

十、全面解析：大数据Hive面试题及答案解析

在当今的科技行业中，大数据成为了一个不可忽视的重要领域。随着数据的快速增长，数据分析的需求也日益增大。这使得各种与大数据相关的技术和工具应运而生，而Hive正是一个使用广泛的关键技术。本文将为您系统整理一些常见的Hive面试题及其答案，帮助您更好地准备相关的面试，提升成功的几率。

一、Hive的基础知识

在进入具体的面试题目之前，我们首先了解一下Hive的基本概念和特性。

Apache Hive是一个数据仓库基础设施，构建在Hadoop生态系统之上，用于处理和查询存储在Hadoop分布式文件系统（HDFS）中的大型数据集。Hive为数据分析人员提供了一个简化的SQL查询接口，允许用户使用类SQL语言HiveQL进行数据处理。

二、常见Hive面试题

1. Hive的核心概念是什么？

在Hive中，有几个核心概念，包括：

• 数据库：Hive中的数据库用于组织和管理表。
• 表：表是Hive存储数据的基本单位，类似于关系型数据库中的表。
• 分区：分区是Hive用于提高查询效率的机制，将数据根据某个列值分块存储。
• 桶：使用哈希函数将数据分散到多个存储桶中，以优化查询性能。
• 文件格式：Hive支持多种数据文件格式，如TextFile、ORC、Parquet等。

2. Hive与传统关系型数据库的区别是什么？

Hive和传统关系型数据库有以下几方面的区别：

• 数据模型：传统关系型数据库采用的是行存储模型，而Hive是列存储模型。
• 查询方式：Hive使用HiveQL，类SQL语言进行数据查询，而关系型数据库使用标准SQL。
• 数据处理：Hive主要用于处理批量数据，而关系型数据库在OLTP（在线事务处理）方面表现更佳。
• 扩展性：Hive基于Hadoop，支持海量数据的横向扩展，而传统数据库的扩展能力较弱。

3. Hive的分区和分桶是什么？

分区是Hive对表数据进行物理划分的一种方式。它把数据按照某个字段（如日期、地区等）拆分到不同的目录中。这种方式能显著提高查询性能，因为在进行查询时，可以只读取某些分区的数据，而不是扫描整个表。

分桶是对数据进行进一步的细分。这是通过哈希函数将数据均匀分配到多个桶中。此机制可提高连接查询的性能。

4. Hive中如何实现数据的去重？

在Hive中，可以通过使用DISTINCT关键字来实现数据去重。例如：

SELECT DISTINCT column_name FROM table_name;

这种方式会返回不重复的列值；此外，还可以使用GROUP BY语句进行去重。

5. Hive支持哪些文件格式？

Hive支持多种文件格式，包括：

• TextFile：最基本的文本格式。
• SequenceFile：二进制格式，适合进行高效的存储和访问。
• ORC：优化列式存储格式，适用于大数据集。
• Parquet：列式存储格式，支持多种数据处理工具。

三、Hive的高级特性

1. 什么是Hive的UDF？

Hive的User Defined Function（UDF）是用户自定义函数，允许用户扩展Hive的功能。用户可以使用Java编写UDF，并在Hive中调用它们。例如，可以创建一个用于字符串处理的UDF，以实现更复杂的数据分析功能。

2. Hive中如何实现数据导入和导出？

Hive提供了多种方法来实现数据的导入和导出，包括：

• LOAD DATA：将数据文件加载到Hive表中。
• INSERT INTO：将查询结果插入到另一个表。
• INSERT OVERWRITE：覆盖已有表的数据。

四、Hive的优化技巧

在使用Hive进行大数据处理时，可以采取以下优化措施：

• 合理使用分区：根据查询的列进行分区，减少扫描的数据量。
• 使用合适的文件格式：如ORC和Parquet，这两种格式通常性能更优。
• 调优内存配置：为Hive配置适当的内存，以提高查询性能。
• 避免使用SELECT *：只选择需要的列，减少传输数据量。

五、总结

通过以上对Hive面试题的解析，您应该对Hive的基础知识和相关概念有了更深入的了解。在大数据领域，Hive作为一种关键的分析工具，广泛应用于数据仓库和数据分析的场景中。掌握这些面试题，将为您应对面试提供有力支持。

感谢您阅读本文，希望这篇文章能为您在大数据相关的面试中提供帮助，助您顺利通过面试，找到理想的岗位。