SQL on Hadoop | Lostgreen

SQL_on_Hadoop

SQL on Hadoop 概述

Hadoop 提供了一种分布式存储和计算的平台，为了解决传统关系型数据库无法处理海量数据的问题，通过扩展 SQL 的方式在 Hadoop 上执行分布式查询，称之为 SQL on Hadoop。根据架构的不同，分为四种主要类型：

Outside Hadoop
- 借助连接器实现 SQL 直接访问 Hadoop 数据。
- SQL 引擎通常运行在 Hadoop 系统外部，作为一个桥梁查询 HDFS 数据。
Alongside Hadoop
- 通过混合架构，在修改后的 SQL 中结合 MapReduce 引擎分担查询任务。
- 一部分查询交由 SQL 执行，另一部分通过 MapReduce 完成。
On Hadoop
- Hadoop 提供集中式 SQL 功能。实现方式：
  - 将 SQL 转化为 MapReduce 动作来执行。
  - 或基于 HDFS 上的执行计划树，分发任务到各节点，不依赖 MapReduce。
In Hadoop
- 深度整合关系型数据库技术与 Hadoop 的存储与计算能力。
- Hadoop 系统完全吸收关系数据库功能，直接提供查询服务。

SQL on Hadoop: HiveQL

HiveQL 简介

HiveQL 是 Apache Hive 提供的一种类似 SQL 的查询语言，专为在 Hadoop 上对大规模数据进行管理和查询设计。
HiveQL 支持以下主要操作：

查询（SELECT、FROM、WHERE）
分组（GROUP BY）
排序（ORDER BY）
限制（LIMIT）

HiveQL 的特点

分区与排序：
- Distribute By：
  类似 MapReduce 中的分区（partition），决定数据在不同分区中的分布。
- Sort By：
  在每个分区中局部排序。
- Order By：
  全局排序，需经过一次 reduce 操作。
- Cluster By：
  将 Distribute By 和 Sort By 结合，同时按字段分区和排序。

HiveQL 示例语法

SELECT [ALL | DISTINCT] select_expr, select_expr, ...
FROM table_reference
[WHERE where_condition]
[GROUP BY col_list]
[HAVING having_condition]
[CLUSTER BY col_list | DISTRIBUTE BY col_list [SORT BY col_list]]
[LIMIT number];

HiveQL 示例

下面是一个基于 HiveQL 的查询示例：

数据模型

假设有以下表：

customer：客户信息。
orders：订单信息。
lineitem：订单详情。

示例查询

SELECT 
    l_orderkey, 
    SUM(l_extendedprice * (1 - l_discount)) AS revenue,
    o_orderdate, 
    o_shippriority
FROM customer c
JOIN orders o ON c.c_custkey = o.o_orderkey
WHERE 
    c.c_mktsegment = 'BUILDING'
    AND o_orderdate < '1995-03-15'
    AND l_shipdate > '1995-03-15'
GROUP BY 
    l_orderkey, o_orderdate, o_shippriority
ORDER BY 
    revenue DESC, o_orderdate;

关键操作解析

JOIN：
- 将 customer 表与 orders 表按指定条件进行关联。
过滤（WHERE）：
- 限制在满足市场细分和日期范围的记录中操作。
聚合（SUM）：
- 对订单详情表按 l_orderkey 进行汇总计算。
分组（GROUP BY）：
- 按订单键、订单日期和优先级分组。
排序（ORDER BY）：
- 按收入降序排序，同时对日期进行次序排序。

这个例子展示了 HiveQL 如何通过 MAP 和 REDUCE 关键字直接调用用户自定义的 MapReduce 程序（如 Python 脚本）来实现复杂的逻辑。以下是这个例子的详细解析：

例子说明

目标

利用 HiveQL 嵌入自定义 MapReduce 程序来完成 词频统计。

数据

表 docs：包含两列，docid 和 doctext。
- docid：文档的唯一标识符。
- doctext：文档的正文。

语法分解

1. FROM docs

FROM docs

从 Hive 表 docs 中读取数据，提取所需字段（这里是 doctext）。

2. MAP 操作

MAP doctext
USING 'python wordcount_mapper.py' AS (word, cnt)

MAP doctext：将 docs 表中的 doctext 列传递给自定义的 Mapper 脚本。
USING：指定执行 Map 操作的脚本，这里是 python wordcount_mapper.py。
AS (word, cnt)：定义 Mapper 脚本的输出字段：
- word：从文本中提取的单词。
- cnt：对应的计数（通常是 1，表示每个单词出现了一次）。

3. CLUSTER BY

CLUSTER BY word

CLUSTER BY：对 Mapper 的输出按照 word 字段进行分区，相同的 word 会被分配到同一个 Reducer。
这是 MapReduce Shuffle 阶段的关键步骤，用于确保 Reducer 能处理分组后的数据。

4. REDUCE 操作

REDUCE it.word, it.cnt
USING 'python wordcount_reduce.py'

REDUCE it.word, it.cnt：定义 Reducer 的输入。
- 这里 it.word 和 it.cnt 是 Map 阶段输出的字段。
USING：指定执行 Reduce 操作的脚本，这里是 python wordcount_reduce.py。
Reducer 的任务是对每个单词的计数进行汇总。

5. 嵌套子查询（FROM 子查询）

FROM (
  FROM docs
  MAP doctext
  USING 'python wordcount_mapper.py' AS (word, cnt)
  CLUSTER BY word
) it

这是一个嵌套子查询，命名为 it。
子查询的结果（Mapper 的输出经过分区）会作为输入提供给 Reduce 阶段。

完整 HiveQL 查询

FROM (
  FROM docs
  MAP doctext
  USING 'python wordcount_mapper.py' AS (word, cnt)
  CLUSTER BY word
) it
REDUCE it.word, it.cnt
USING 'python wordcount_reduce.py';

使用场景

复杂数据处理：如果 HiveQL 无法表达特定的逻辑（如自定义统计、数据转换），可以通过嵌入 MapReduce 程序扩展功能。
使用已有代码：将现有的 MapReduce 脚本直接集成到 Hive 查询中，减少开发工作量。
文本处理：例如日志解析、自然语言处理中的预处理步骤。

总结

HiveQL 调用 MapReduce 是扩展 Hive 功能的重要方式。通过 MAP 和 REDUCE 关键字，用户可以嵌入自己的自定义程序，将复杂的计算逻辑集成到 Hive 的查询流程中。这种机制不仅保持了 HiveQL 的简洁性，还提供了 MapReduce 的强大计算能力，非常适合处理大规模的非结构化和半结构化数据。