Hive数据倾斜的表现（）

B.Hive可以实现在大规模数据集上实现低延迟快速的查询

C.Hive构建在基于静态批量处理的Hadoop之上，Hadoop通常有较高的延迟并且在作提交和调度的时候需要大量的开销

D.Hive查询操作过程严格遵循HadoopMapReduce的作用执行模型，Hive将用户的HiveQL语句通过解释器转换为MapReduceHadoop集群上

A.业务数据本身的特性

B.key分布不均匀

C.建表时考虑不周

D.某些SQL语句本身就有数据倾斜

A．数据在节点存储上分布不均

B．运算中Key值分布不均

C．业务数据本身存在分布不均

D．Hive中表数量的多少

A.Map join使用内存计算引擎，效率非常高，我们可以使用Map join来提高SQL效率

B.存储节点和计算节点放在一起，能提高SQL效率的主要原因是减少网络OI

C.reducer的个数不是越多越好，要根据Map的个数进行设置

D.128M以内（块的大小）的数据不会有数据倾斜的情况，超过128M需要注意数据倾斜问题

A.大小表进行join关联，小表key集中

B.大表join大表，关联字段null值过多

C.两表关联条件的字段为string类型，长度至少为1

D.进行CountDistinct计算时某些特殊值过多

A.查看此Reducertask的HDFS_BYTES_WRITTEN值是否比正常Reducertask大很多

B.查看此Reducertask输出到hdfs文件大小是否比正常Reducertask大很多

C.查看此task的FILE_BYTES_READ值是否比正常Reducertask大很多

D.查看此task的HDFS_BYTES_READ值是否比正常Reducertask大很多

A.分区表

B.分桶表

C.倾斜表

D.分区+分桶表

A./hive/warehouse

B./user/hive/warehouse

C./usr/hive/warehouse

D./usr/hive/

A.Hive使用HQL查询语言

B.Hive使用HDFS进行数据存储

C.RDBS数据规模较大

D.Hive硬件配置要求一般，RDBMS要求较高