Hive框架学习

待我称王封你为后i 2021-09-26 04:58 397阅读 0赞

# 一、Hive #

1.1 什么是Hive

Hive 是**建立在 Hadoop 基础上**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**QL** ，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。

![142115573549147.jpg][]

Hive 是  **SQL解析引擎**，它 **将SQL语句转译成Map/Reduce Job然后在Hadoop执行**。Hive的表其实就是HDFS的目录， **按表名把文件夹分开**。如果是分区表，则分区值是子文件夹，可以直接在Map/Reduce Job里使用这些数据。

1.2 Hive的系统结构

![Center][]

由上图可知，**HDFS和Mapreduce是Hive架构的根基**。Hive架构包括如下组件：CLI（command line interface）、JDBC/ODBC、Thrift Server、WEB GUI、metastore和Driver(Complier、Optimizer和Executor)，这些组件可以分为两大类：**服务端组件**和**客户端组件**。

（1）客户端组件：

①**CLI**：command line interface，命令行接口。

②**Thrift客户端**：上面的架构图里没有写上Thrift客户端，但是Hive架构的许多客户端接口是建立在Thrift客户端之上，包括JDBC和ODBC接口。

③**WEBGUI**：Hive客户端提供了一种通过网页的方式访问Hive所提供的服务。这个接口对应Hive的hwi组件（hive web interface），使用前要启动hwi服务。

（2）服务端组件：

**　　**①**Driver组件**：该组件包括Complier、Optimizer和Executor，它的作用是将我们写的HiveQL（类SQL）语句进行解析、编译优化，生成执行计划，然后调用底层的mapreduce计算框架。

②**Metastore组件**：元数据服务组件，这个组件存储hive的元数据，hive的元数据存储在关系数据库里，hive支持的关系数据库有derby、mysql。元数据对于hive十分重要，因此hive支持把metastore服务独立出来，安装到远程的服务器集群里，**从而解耦hive服务和metastore服务，保证hive运行的健壮性**。

③**Thrift服务**：Thrift是facebook开发的一个软件框架，它用来进行可扩展且跨语言的服务的开发，hive集成了该服务，能让不同的编程语言调用hive的接口。

（3）底层根基：

Hive 的数据存储在 HDFS 中，大部分的查询由 MapReduce 完成（包含 \* 的查询，比如 select \* from table 不会生成 MapRedcue 任务）

# 二、Hive的基本安装 #

## 2.1 准备工作 ##

（1）下载hive安装包，这里使用的是0.9.0版本，已经上传到了网盘（[http://pan.baidu.com/s/1sj0qnpV][http_pan.baidu.com_s_1sj0qnpV]）；

（2）通过FTP工具上传到虚拟机hadoop-master中，可以是XShell、CuteFTP等工具；

## 2.2 开始安装 ##

（1）解压： **tar -zvxf hive-0.9.0.tar.gz** ，重命名：**mv hive-0.9.0 hive**

（2）加入环境变量配置文件中：**vim /etc/profile**

> export HIVE\_HOME=/usr/local/hive
> 
> export PATH=.:$HADOOP\_HOME/bin:$HIVE\_HOME/bin:$PIG\_HOME/bin:$HBASE\_HOME/bin:$ZOOKEEPER\_HOME/bin:$JAVA\_HOME/bin:$PATH

最后当然别忘了使环境变量生效：**source /etc/profile**

（3）简单配置Hive：进入$HIVE\_HOME/conf目录下，修改默认模板

> **Step 2.3.1：**
> 
> 在目录$HIVE\_HOME/conf/下，执行命令mv hive-default.xml.template hive-site.xml进行重命名  
> 在目录$HIVE\_HOME/conf/下，执行命令mv hive-env.sh.template hive-env.sh进行重命名
> 
> **Step 2.3.2：**
> 
> 修改hadoop的配置文件hadoop-env.sh，修改内容如下：  
> 　　export HADOOP\_CLASSPATH=.:$CLASSPATH:$HADOOP\_CLASSPATH:$HADOOP\_HOME/bin
> 
> 在目录$HIVE\_HOME/bin下面，修改文件hive-config.sh，增加以下内容：  
> 　　export JAVA\_HOME=/usr/local/jdk  
> 　　export HIVE\_HOME=/usr/local/hive  
> 　　export HADOOP\_HOME=/usr/local/hadoop

（4）简单安装MySQL：这里使用的版本是5.5.31，已经上传至了网盘（[http://pan.baidu.com/s/1gdJ78aB][http_pan.baidu.com_s_1gdJ78aB]）

> **Step 2.4.1：**　
> 
> 删除Linux上已经安装的mysql相关库信息: rpm  -e  xxxxxxx   --nodeps
> 
> 执行命令 **rpm -qa |grep mysql** 检查是否删除干净
> 
> **Step 2.4.2：**　
> 
> 执行命令 **rpm -i  MySQL-server-5.5.31-2.el6.i686.rpm**  安装mysql服务端
> 
> 启动 mysql 服务端，执行命令  **mysqld\_safe &**
> 
> **Step 2.4.3：**
> 
> 执行命令 **rpm -i   MySQL-client-5.5.31-2.el6.i686.rpm**  安装mysql客户端
> 
> 执行命令 **mysql\_secure\_installation** 设置root用户密码

（5）使用 MySQL 作为 Hive 的 metastore：

> **Step 2.5.1:**
> 
> 把mysql的jdbc驱动放置到hive的lib目录下：**cp mysql-connector-java-5.1.10.jar /usr/local/hive/lib**
> 
> **Step 2.5.2:**
> 
> 修改hive-site.xml文件，修改内容如下： 
> 
> <property>  
> 　　<name>javax.jdo.option.ConnectionURL</name>  
> 　　<value>jdbc:mysql://hadoop-master:3306/hive?createDatabaseIfNotExist=true</value>  
> </property>  
> <property>  
> 　　<name>javax.jdo.option.ConnectionDriverName</name>  
> 　　<value>com.mysql.jdbc.Driver</value>  
> </property>  
> <property>  
> 　　<name>javax.jdo.option.ConnectionUserName</name>  
> 　　<value>root</value>  
> </property>  
> <property>  
> 　　<name>javax.jdo.option.ConnectionPassword</name>  
> 　　<value>admin</value>  
> </property>

# 三、Hive的基本使用 #

## 3.1 启动Hadoop ##

**HDFS和Mapreduce是Hive架构的根基**。因此，我们得先启动Hadoop，才能正确使用Hive。

![Center 1][]

## 3.2 Hive的CLI命令行接口 ##

**（1）内部表**：与数据库中的 Table 在概念上是类似，**每一个 Table 在 Hive 中都有一个相应的目录存储数据**。例如，一个表 test，它在 HDFS 中的路径为：/ warehouse/test。 warehouse是在 hive-site.xml 中由 $\{hive.metastore.warehouse.dir\} 指定的数据仓库的目录；

> **创建表**
> 
> hive>CREATE TABLE t1(id int); // 创建内部表t1，只有一个int类型的id字段
> 
> hive>CREATE TABLE t2(id int, name string) ROW FORMAT DELIMITED FIELDS TERMINATED BY '\\t'; // 创建内部表t2，有两个字段，它们之间通过tab分隔
> 
> **加载数据**  
> hive>LOAD DATA LOCAL INPATH '/root/id' INTO TABLE t1; // 从本地文件加载  
> hive>LOAD DATA INPATH '/root/id' INTO TABLE t1; // 从HDFS中加载
> 
> **查看数据**
> 
> hive>select \* from t1; // 跟SQL语法类似
> 
> hive>select count(\*) from t1; // hive也提供了聚合函数供使用
> 
> **删除表**
> 
> hive>drop table t1;

**（2）分区表**：所谓分区（Partition） 对应于数据库的 Partition 列的密集索引。在 Hive 中，**表中的一个 Partition 对应于表下的一个目录**，所有的 Partition 的数据都存储在对应的目录中。例如：test表中包含 date 和 city 两个 Partition，则对应于date=20130201, city = bj 的 HDFS 子目录为：/warehouse/test/date=20130201/city=bj。而对应于date=20130202, city=sh 的HDFS 子目录为：/warehouse/test/date=20130202/city=sh。

> **创建表**
> 
> hive>CREATE TABLE t3(id int) PARTITIONED BY (day int);
> 
> **加载表**  
> hive>LOAD DATA LOCAL INPATH '/root/id' INTO TABLE t1 PARTITION (day=22);

**（3）桶表**（Hash 表）：桶表是**对数据进行哈希取值，然后放到不同文件中存储**。数据加载到桶表时，会对字段取hash值，然后与桶的数量取模。把数据放到对应的文件中。

> **创建表**
> 
> hive>create table t4(id int) clustered by(id) into 4 buckets; // 创建一个桶表t4，根据id进行哈希取值，并设置4个桶来存储  
> 
> 
> **设置允许进行分桶**
> 
> hive>set hive.enforce.bucketing = true;
> 
> **插入数据**  
> hive>insert into table t4 select id from t3;

**（4）外部表**：它和 内部表 在元数据的组织上是相同的，而实际数据的存储则有较大的差异。外部表主要**指向已经在 HDFS 中存在的数据**，可以创建 Partition。

在HDFS中的external目录下创建一个数据文件：vim ids.txt

创建一个外部表：hive>create **external** table t5(id int) location '/external';

> **外部表与内部表的差异：**
> 
> ①内部表 的创建过程和数据加载过程（这两个过程可以在同一个语句中完成），在加载数据的过程中，实际数据会被移动到数据仓库目录中；之后对数据对访问将会直接在数据仓库目录中完成。删除表时，表中的数据和元数据将会被同时删除；
> 
> ②外部表 只有一个过程，加载数据和创建表同时完成，并不会移动到数据仓库目录中，只是与外部数据建立一个链接。当删除一个 外部表 时，仅删除该链接；

**（5）视图操作**：和关系数据库中的视图一个概念，可以向用户集中展现一些数据，屏蔽一些数据，提高数据库的安全性。

> **创建视图**
> 
> hive> create view v1 as select \* from t1;
> 
> **查询视图**
> 
> hive> select \* from v1;

**（6）查询操作**：在Hive中，查询分为三种：基于Partition的查询、LIMIT Clause查询、Top N查询。

①基于Partition的查询：一般 SELECT 查询是全表扫描。但如果是分区表，查询就可以利用分区剪枝（input pruning）的特性，类似“分区索引“”，只扫描一个表中它关心的那一部分。Hive 当前的实现是，只有分区断言（Partitioned by）出现在离 FROM 子句最近的那个WHERE 子句中，才会启用分区剪枝。例如，如果 page\_views 表（按天分区）使用 date 列分区，以下语句只会读取分区为‘2008-03-01’的数据。

SELECT page\_views.\*    FROM page\_views    WHERE page\_views.date >= '2013-03-01' AND page\_views.date <= '2013-03-01'

②LIMIT Clause查询：Limit 可以限制查询的记录数。查询的结果是随机选择的。下面的查询语句从 t1 表中随机查询5条记录：

SELECT \* FROM t1 LIMIT 5

③Top N查询：和关系型数据中的Top N一样，排序后取前N个显示。下面的查询语句查询销售记录最大的 5 个销售代表：

SET mapred.reduce.tasks = 1

SELECT \* FROM sales SORT BY amount DESCLIMIT 5

**（7）连接操作**：和关系型数据库中的各种表连接操作一样，在Hive中也可以进行表的内连接、外连接一类的操作：

> **导入ac信息表**
> 
> hive> create table acinfo (name string,acip string)  row format delimited fields terminated by '\\t' stored as TEXTFILE;
> 
> hive> load data local inpath '/home/acinfo/ac.dat' into table acinfo;
> 
> **内连接**
> 
> select b.name,a.\* from dim\_ac a join acinfo b  on (a.ac=b.acip) limit 10;
> 
> **左外连接**
> 
> select b.name,a.\* from dim\_ac a left outer join acinfo bon a.ac=b.acip limit 10;

## 3.3 Hive的Java API接口 ##

（1）准备工作

①在服务器端启动Hive外部访问服务（不是在hive命令行模式下，而是普通模式下）：**hive --service hiveserver >/dev/null  2>/dev/null &**

②导入Hive的相关jar包集合：

（2）第一个Hive程序：读取我们刚刚创建的内部表t1

package hive;
    
    import java.sql.Statement;
    import java.sql.Connection;
    import java.sql.DriverManager;
    import java.sql.ResultSet;
    
    public class HiveApp {
    
        /**
         * 第一个hive java api程序
         * @throws Exception 
         */
        public static void main(String[] args) throws Exception {
            Class.forName("org.apache.hadoop.hive.jdbc.HiveDriver");
            Connection con = DriverManager.getConnection(
                    "jdbc:hive://hadoop-master/default", "", "");
            Statement stmt = con.createStatement();
            String querySQL = "SELECT * FROM default.t1";
    
            ResultSet res = stmt.executeQuery(querySQL);
    
            while (res.next()) {
                System.out.println(res.getString(1));
            }
        }
    
    }

调试结果：

![Center 2][]

# 四、Hive的执行流程 #

![Center 3][]

# 参考资料 #

（1）吴超，《深入浅出Hadoop》：[http://www.superwu.cn/][http_www.superwu.cn]

（2）夏天的森林，《大数据时代的技术Hive：Hive介绍》：[http://www.cnblogs.com/sharpxiajun/archive/2013/06/02/3114180.html][http_www.cnblogs.com_sharpxiajun_archive_2013_06_02_3114180.html]

（3）哥不是小萝莉，《那些年使用Hive踩过的坑》：[http://www.cnblogs.com/smartloli/p/4288493.html][http_www.cnblogs.com_smartloli_p_4288493.html]

[142115573549147.jpg]: /images/20210923/2d7dccfe53e74972bd9daeebe6ac2f3b.png
[Center]: /images/20210923/601b082ea3b6418f89ffb192ecea69e3.png
[http_pan.baidu.com_s_1sj0qnpV]: http://pan.baidu.com/s/1sj0qnpV
[http_pan.baidu.com_s_1gdJ78aB]: http://pan.baidu.com/s/1gdJ78aB
[Center 1]: /images/20210923/f523aa3a8eb54b6d9b59845c328ff871.png
[Center 2]: /images/20210923/e3a094f20a964569918972c20dd7bca9.png
[Center 3]: /images/20210923/c62866a020914d5c9b31ce5c74a593c5.png
[http_www.superwu.cn]: http://www.superwu.cn/
[http_www.cnblogs.com_sharpxiajun_archive_2013_06_02_3114180.html]: http://www.cnblogs.com/sharpxiajun/archive/2013/06/02/3114180.html
[http_www.cnblogs.com_smartloli_p_4288493.html]: http://www.cnblogs.com/smartloli/p/4288493.html