Hive 如何快速拉取大批量数据

用hive来做数仓类操作，或者大数据的运算，是没有疑问的，至少在你没有更多选择之前。

当我们要hive来做类似于大批量数据的select时，也许问题就会发生了变化。

1. 通用解决方案之分页

首先，我们要基于一个事实，就是没有哪个数据库可以无限制的提供我们select任意数据量的数据。比如常用的 mysql, oracle, 一般你select 10w左右的数据量时已经非常厉害了。而我们的解决方法也比较简单，那就是分页获取，比如我一页取1w条，直到取完为止。同样，因为hive基于都支持sql92协议，所以你也可以同样的方案去解决大数据量的问题。

分页的解决方案会有什么问题？首先，我们要明白分页是如何完成的，首先数据库server会根据条件运算出所有或部分符合条件的数据（取决是否有额外的排序），然后再根据分页偏移信息，获取相应的数据。所以，一次次的分页，则必定涉及到一次次的数据运算。这在小数据量的情况下是可以接受的，因为计算机的高速运转能力。但是当数据量大到一定程序时，就不行了。比如我们停滞了许多年的大数据领域解决方案就是很好的证明。

本文基于hive处理数据，也就是说数据量自然也是大到了一定的级别，那么用分页也许就不好解决问题了。比如，单次地运算也许就是3-5分钟（基于分布式并行计算系统能力），当你要select 100w数据时，如果用一页1w的运算，那么就是100次来回，1次3-5分钟，100次就是5-8小时的时间，这就完全jj了。谁能等这么长时间？这样处理的最终结果就是，业务被砍掉，等着财务结账了。

所以，我们得改变点什么！

2. 使用hive-jdbc

jdbc本身不算啥，只是一个连接协议。但它的好处在于，可以维持长连接。这个连接有个好处，就是server可以随时输出数据，而client端则可以随时处理数据。这就给了我们一个机会，即比如100w的数据运算好之后，server只需源源不断的输出结果，而client端则源源不断地接收处理数据。

所以，我们解决方案是，基于hive-jdbc, 不使用分页，而全量获取数据即可。这给我们带来莫大的好处，即一次运算即可。比如1次运算3-5分钟，那么总共的运算也就是3-5分钟。

看起来不错，解决了重复运算的问题。好似万事大吉了。

具体实现就是引入几个hive-jdbc的依赖，然后提交查询，依次获取结果即可。样例如下：

<!-- pom 依赖 -->
<!-- https://mvnrepository.com/artifact/org.apache.hive/hive-jdbc -->
<dependency>
    <groupId>org.apache.hive</groupId>
    <artifactId>hive-jdbc</artifactId>
    <version>2.3.4</version>
</dependency>

--

// 测试hive-jdbc
import java.sql.Connection;
import java.sql.PreparedStatement;
import java.sql.ResultSet;
import java.sql.SQLException;
import java.sql.Statement;

import java.sql.DriverManager;
 
public class HiveJdbcTest {
    private static Connection conn = getConnnection();
    private static PreparedStatement ps;
    private static ResultSet rs;
    // 获取所有数据
    public static void getAll(String tablename) {
        String sql="select * from " + tablename;
        System.out.println(sql);
        try {
            ps = prepare(conn, sql);
            rs = ps.executeQuery();
            int columns = rs.getMetaData().getColumnCount();
            while(rs.next()) {
                for(int i=1;i<=columns;i++) {
                    System.out.print(rs.getString(i));  
                    System.out.print("\t\t");
                }
                System.out.println();
            }
        } 
        catch (SQLException e) {
            e.printStackTrace();
        }
 
    }
    // 测试
    public static void main(String[] args) { 
        String tablename="t1";
        HiveJdbcTest.getAll(tablename);
    }
 
    private static String driverName = "org.apache.hive.jdbc.HiveDriver";
    private static String url = "jdbc:hive2://127.0.0.1:10000/";
    private static Connection conn;
    // 连接hive库
    public static Connection getConnnection() {
        try {
            Class.forName(driverName);
            conn = DriverManager.getConnection(url, "hive", "123");
        }
        catch(ClassNotFoundException e) {
            e.printStackTrace();
        }
        catch (SQLException e) {
            e.printStackTrace();
        }
        return conn;
    }
    public static PreparedStatement prepare(Connection conn, String sql) {
        PreparedStatement ps = null;
        try {
            ps = conn.prepareStatement(sql);
        } 
        catch (SQLException e) {
            e.printStackTrace();
        }
        return ps;
    }
}

样例代码，无需纠结。简单的jdbc操作样板。总体来说就是，不带分页的接收全量数据。

但是，这个会有什么问题？同样，小数据量时无任何疑问，但当数据量足够大时，每一次的数据接收，都需要一次网络通信请示，且都是单线程的。我们假设接受一条数据花费1ms, 那么接收1000条数就是1s, 6k条数据就是1min。36w条数据就是1h, 额，后面就无需再算了。同样是不可估量的时间消耗。（实际情况也许会好点，因为会有buffer缓冲的存在）

为什么会这样呢？运算量已经减小了，但是这网络通信量，我们又能如何？实际上，问题不在于网络通信问题，而在于我们使用这种方式，使我们从并行计算转到了串行计算的过程了。因为只有单点的数据接收，所以只能将数据汇集处理。从而就是一个串行化的东西了。

所以，我们更多应该从并行这一层面去解决问题。

3. 基于临时表实现

要解决并行变串行的问题，最根本的办法就是避免一条条读取数据。而要避免这个问题，一个很好想到的办法就是使用临时表，绕开自己代码的限制。让大数据集群自行处理并行计算问题，这是个不错的想法。

但具体如何做呢？我们面临至少这么几个问题：

1. 如何将数据写入临时表？

2. 写入临时表的数据如何取回？是否存在瓶颈问题？

3. 临时表后续如何处理？

我们一个个问题来，第1个，如何写临时表问题：我们可以选择先创建一个临时表，然后再使用insert into select ... from ... 的方式写入，但这种方式非常费力，首先你得固化下临时表的数据结构，其次你要处理多次写入问题。看起来不是最好的办法。幸好，hive中或者相关数据库产品都提供了另一种更方便的建临时表的方法: create table xxx as select ... from ...  你只需要使用一个语句就可以将结果写入到临时表了。但需要注意的是，我们创建时，需要指定好我们需要的格式，否则最终结果也许不是我们想要的，比如我们需要使用','分隔数据而非tab, 我们需要使用 text 形式的数据，而非压缩的二进制格式。

以下是个使用样例：

-- 外部使用 create table 包裹
CREATE TABLE tmp_2020110145409001 
    ROW FORMAT DELIMITED
    FIELDS TERMINATED BY ','
    STORED AS TEXTFILE as 
        -- 具体的业务select sql
        select t1.*, t2.* from test t1 left join test2 t2 on t1.id = t2.t_id
    ;

如此，我们就得到所需的结果了。以上结果，在hive中表现为一个临时表。而其背后则是一个个切分的文件，以','号分隔的文本文件，且会按照hive的默认存储目录存放。（更多具体语法请查询官网资料）

接下来，我们要解决第2个问题：如何将数据取回？这个问题也不难，首先，现在结果已经有了，我们可以一行行地读取返回，就像前面一样。但这时已经没有了数据运算，应该会好很多。但明显还是不够好，我们仍然需要反复的网络通信。我们知道，hive存储的背后，是一个个切分的文件，如果我们能够将该文件直接下载下来，那将会是非常棒的事。不错，最好的办法就是，直接下载hive的数据文件，hive会存储目录下，以类似于 part_0000, part_0001... 之类的文件存放。

那么，我们如何才能下载到这些文件呢？hive是基于hadoop的，所以，很明显我们要回到这个问题，基于hadoop去获取这些文件。即 hdfs 获取，命令如下：

// 查看所有分片数据文件列表
hdfs dfs -ls hdfs://xx/hive/mydb.db/*
// 下载所有数据文件到 /tmp/local_hdfs 目录
hdfs dfs -get hdfs://xx/hive/mydb.db/* /tmp/local_hdfs

我们可以通过以上命令，将数据文件下载到本地，也可以hdfs的jar包，使用 hdfs-client 进行下载。优缺点是：使用cli的方式简单稳定但依赖于服务器环境，而使用jar包的方式则部署方便但需要自己写更多代码保证稳定性。各自选择即可。

最后，我们还剩下1个问题：如何处理临时表的问题？hive目前尚不支持设置表的生命周期（阿里云的maxcompute则只是一个 lifecycle 选项的问题），所以，需要自行清理文件。这个问题的实现方式很多，比如你可以自行记录这些临时表的创建时间、位置、过期时间，然后再每天运行脚本清理表即可。再简单点就是你可以直接通过表名进行清理，比如你以年月日作为命令开头，那么你可以根据这日期删除临时表即可。如：

-- 列举表名
show tables like 'dbname.tmp_20201101*';
-- 删除具体表名
drop table dbname.tmp_2020110100001 ; 

至此，我们的所有问题已解决。总结下：首先使用临时表并行地将结果写入；其次通过hdfs将文件快速下载到本地即可；最后需要定时清理临时表；这样，你就可以高效，无限制的为用户拉取大批量数据了。

不过需要注意的是，我们的步骤从1个步骤变成了3个步骤，增加了复杂度。（实际上你可能还会处理更多的问题，比如元数据信息的对应问题）复杂度增加的最大问题就在于，它会带来更多的问题，所以我们一定要善于处理好这些问题，否则将会带来一副作用。