一 Hive基本概念
1️⃣什么是
hive
Hive:由
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成为一张表,并提供类SQL查询功能.
本质是:将HQL转化成MapReduce程序1)Hive处理的数据存储在HDFS上;
2)Hive分析数据底层的实现是MapReduce;
3) 执行程序运行在Yarn上;
2️⃣
Hive的优缺点
1️⃣优点
1) 操作接口采用类SQL语法,提供快速开发的能力;
2) 避免了去写MapReduce,减少开发人员的学习成本;
3)Hive的执行延迟比较高,因此Hive常用于数据分析,对实时性要求不高的场景;
4)Hive优势在于处理大数据,对于处理小数据没有优势,因为Hive的执行延迟比较高.
5)Hive支持用户自定义函数,用户可以根据自己的需求来实现自己的函数.
2️⃣缺点
1)Hive的HQL表达能力有限
① 迭代式算法无法表达;
② 数据挖掘方面不擅长,由于MapReduce数据处理流程的限制,效率更高的算法却无法实现;
2)Hive的效率比较低
①Hive自动生成的MapReduce作业,通常情况下不够智能化;
②Hive调优比较困难,粒度比较粗;
3️⃣
Hive架构原理1) 用户接口Client:CLI（command-line interface）、JDBC/ODBC(jdbc访问hive)、WEBUI（浏览器访问hive）;
2) 元数据Metastore: 元数据包括 [表名、表所属的数据库（默认是default）、表的拥有者、列/分区字段、表的类型（是否是外部表）、表的数据所在目录等],默认存储在自带的derby数据库中，推荐使用MySQL存储Metastore;
3)Hadoop: 使用HDFS进行存储，使用MapReduce进行计算;
4) 驱动器Driver:
(1) 解析器SQL Parser：将SQL字符串转换成抽象语法树AST，这一步一般都用第三方工具库完成，比如antlr；对AST进行语法分析，比如表是否存在、字段是否存在、SQL语义是否有误;
(2) 编译器Physical Plan：将AST编译生成逻辑执行计划;
(3) 优化器Query Optimizer：对逻辑执行计划进行优化;
(4) 执行器Execution：把逻辑执行计划转换成可以运行的物理计划对于Hive来说，就是MR/Spark;Hive通过给用户提供的一系列交互接口，接收到用户的指令SQL，使用自己的Driver，结合元数据MetaStore，将这些指令翻译成MapReduce，提交到Hadoop中执行，最后，将执行返回的结果输出到用户交互接口;
4️⃣
Hive和数据库比较
由于Hive采用了类似SQL的查询语言HQL(Hive Query Language)，因此很容易将Hive理解为数据库。其实从结构上来看，Hive和数据库除了拥有类似的查询语言，再无类似之处。本文将从多个方面来阐述Hive和数据库的差异。数据库可以用在Online的应用中，但是Hive是为数据仓库而设计的，清楚这一点，有助于从应用角度理解Hive的特性;
1️⃣ 查询语言
由于SQL被广泛的应用在数据仓库中，因此，专门针对Hive的特性设计了类SQL的查询语言HQL。熟悉SQL开发的开发者可以很方便的使用Hive进行开发;
2️⃣ 数据存储位置
Hive是建立在Hadoop之上的，所有Hive的数据都是存储在HDFS中的。而数据库则可以将数据保存在块设备或者本地文件系统中;
3️⃣ 数据更新
由于Hive是针对数据仓库应用设计的，而数据仓库的内容是读多写少的。因此，Hive中不建议对数据的改写，所有的数据都是在加载的时候确定好的。而数据库中的数据通常是需要经常进行修改的，因此可以使用INSERT INTO … VALUES添加数据，使用UPDATE … SET修改数据;
4️⃣ 执行
Hive中大多数查询的执行是通过Hadoop提供的MapReduce来实现的。而数据库通常有自己的执行引擎;
5️⃣ 执行延迟
Hive在查询数据的时候，由于没有索引，需要扫描整个表，因此延迟较高。另外一个导致Hive执行延迟高的因素是MapReduce框架。由于MapReduce本身具有较高的延迟，因此在利用MapReduce执行Hive查询时，也会有较高的延迟。相对的，数据库的执行延迟较低。当然，这个低是有条件的，即数据规模较小，当数据规模大到超过数据库的处理能力的时候，Hive的并行计算显然能体现出优势;
6️⃣ 可扩展性
由于Hive是建立在Hadoop之上的，因此Hive的可扩展性是和Hadoop的可扩展性是一致的（世界上最大的Hadoop集群在Yahoo!，2009年的规模在4000台节点左右）。而数据库由于ACID语义的严格限制，扩展行非常有限。目前最先进的并行数据库Oracle 在理论上的扩展能力也只有100台左右;
7️⃣ 数据规模
由于Hive建立在集群上并可以利用MapReduce进行并行计算，因此可以支持很大规模的数据；对应的，数据库可以支持的数据规模较小
二 Hive安装
1️⃣
Hive相关资源地址
1. Hive官网地址 : http://hive.apache.org/
2. 文档查看地址 : https://cwiki.apache.org/confluence/display/Hive/GettingStarted
3. 下载地址 : http://archive.apache.org/dist/hive/
4. github地址 : https://github.com/apache/hive
2️⃣
Hive安装部署
1.Hive安装及配置（1）把apache-hive-1.2.1-bin.tar.gz上传到linux的/opt/software目录下; （2）解压apache-hive-1.2.1-bin.tar.gz到/opt/module/目录下面 : tar -zxvf apache-hive-1.2.1-bin.tar.gz -C /opt/module/; （3）修改apache-hive-1.2.1-bin.tar.gz的名称为hive : mv apache-hive-1.2.1-bin/ hive; （4）修改/opt/module/hive/conf目录下的hive-env.sh.template名称为hive-env.sh : mv hive-env.sh.template hive-env.sh; （5）配置hive-env.sh文件 （a）配置HADOOP_HOME路径 : export HADOOP_HOME=/opt/module/hadoop-2.7.2; （b）配置HIVE_CONF_DIR路径 : export HIVE_CONF_DIR=/opt/module/hive/conf;2.
Hadoop集群配置（1）必须启动hdfs和yarn （a）sbin/start-dfs.sh （b）sbin/start-yarn.sh （2）在HDFS上创建/tmp和/user/hive/warehouse两个目录并修改他们的同组权限可写 （a）bin/hadoop fs -mkdir /tmp （b）bin/hadoop fs -mkdir -p /user/hive/warehouse （c）bin/hadoop fs -chmod g+w /tmp （d）bin/hadoop fs -chmod g+w /user/hive/warehouse3.
Hive基本操作（1）启动hive : bin/hive （2）查看数据库 : hive> show databases; （3）打开默认数据库 : hive> use default; （4）显示default数据库中的表 : hive> show tables; （5）创建一张表 : hive> create table student(id int, name string); （6）显示数据库中有几张表 : hive> show tables; （7）查看表的结构 : hive> desc student; （8）向表中插入数据 : hive> insert into student values(1000,"ss"); （9）查询表中数据 : hive> select * from student; （10）退出hive : hive> quit; 说明：（查看hive在hdfs中的结构） 数据库：在hdfs中表现为${hive.metastore.warehouse.dir}目录下一个文件夹 表：在hdfs中表现所属db目录下一个文件夹，文件夹中存放该表中的具体数据
3️⃣将本地文件导入
Hive案例
需求 : 将本地/opt/module/datas/student.txt这个目录下的数据导入到hive的student(id int, name string)表中。
1．数据准备在/opt/module/datas这个目录下准备数据 （1）在/opt/module/目录下创建datas : mkdir datas （2）在/opt/module/datas/目录下创建student.txt文件并添加数据 （a）touch student.txt （b）vi student.txt 1001 zhangshan 1002 lishi 1003 zhaoliu 注意以tab键间隔。
Hive实际操作（1）启动hive : bin/hive; （2）显示数据库 : show databases; （3）使用default数据库 : use default; （4）显示default数据库中的表 : show tables; （5）删除已创建的student表 : drop table student; （6）创建student表, 并声明文件分隔符’\t’ : create table student(id int, name string) ROW FORMAT DELIMITED FIELDS TERMINATED BY '\t'; （7）加载/opt/module/datas/student.txt 文件到student数据库表中 : load data local inpath '/opt/module/datas/student.txt' into table student; （8）Hive查询结果 : select * from student; 1001 zhangshan 1002 lishi 1003 zhaoliu Time taken: 0.266 seconds, Fetched: 3 row(s)3．遇到的问题 : 再打开一个客户端窗口启动
hive，会产生java.sql.SQLException异常Exception in thread "main" java.lang.RuntimeException: java.lang.RuntimeException: Unable to instantiate org.apache.hadoop.hive.ql.metadata.SessionHiveMetaStoreClient at org.apache.hadoop.hive.ql.session.SessionState.start(SessionState.java:522) at org.apache.hadoop.hive.cli.CliDriver.run(CliDriver.java:677) at org.apache.hadoop.hive.cli.CliDriver.main(CliDriver.java:621) at sun.reflect.NativeMethodAccessorImpl.invoke0(Native Method) at sun.reflect.NativeMethodAccessorImpl.invoke(NativeMethodAccessorImpl.java:57) at sun.reflect.DelegatingMethodAccessorImpl.invoke(DelegatingMethodAccessorImpl.java:43) at java.lang.reflect.Method.invoke(Method.java:606) at org.apache.hadoop.util.RunJar.run(RunJar.java:221) at org.apache.hadoop.util.RunJar.main(RunJar.java:136) Caused by: java.lang.RuntimeException: Unable to instantiate org.apache.hadoop.hive.ql.metadata.SessionHiveMetaStoreClient at org.apache.hadoop.hive.metastore.MetaStoreUtils.newInstance(MetaStoreUtils.java:1523) at org.apache.hadoop.hive.metastore.RetryingMetaStoreClient.<init>(RetryingMetaStoreClient.java:86) at org.apache.hadoop.hive.metastore.RetryingMetaStoreClient.getProxy(RetryingMetaStoreClient.java:132) at org.apache.hadoop.hive.metastore.RetryingMetaStoreClient.getProxy(RetryingMetaStoreClient.java:104) at org.apache.hadoop.hive.ql.metadata.Hive.createMetaStoreClient(Hive.java:3005) at org.apache.hadoop.hive.ql.metadata.Hive.getMSC(Hive.java:3024) at org.apache.hadoop.hive.ql.session.SessionState.start(SessionState.java:503) ... 8 more
Metastore默认存储在自带的derby数据库中而derby不支持此操作推荐使用MySQL存储Metastore;
4️⃣
MySql安装
- 安装包准备
1．查看mysql是否安装，如果安装了，卸载mysql （1）查看 : rpm -qa|grep mysql mysql-libs-5.1.73-7.el6.x86_64 （2）卸载 : rpm -e --nodeps mysql-libs-5.1.73-7.el6.x86_64 2．解压mysql-libs.zip文件到当前目录 （1）unzip mysql-libs.zip 3．进入到mysql-libs文件夹下 : ll 总用量 76048 -rw-r--r--. 1 root root 18509960 3月 26 2015 MySQL-client-5.6.24-1.el6.x86_64.rpm -rw-r--r--. 1 root root 3575135 12月 1 2013 mysql-connector-java-5.1.27.tar.gz -rw-r--r--. 1 root root 55782196 3月 26 2015 MySQL-server-5.6.24-1.el6.x86_64.rpm
- 安装
MySql服务器1．安装mysql服务端 : rpm -ivh MySQL-server-5.6.24-1.el6.x86_64.rpm 2．查看产生的随机密码 : cat /root/.mysql_secret OEXaQuS8IWkG19Xs 3．查看mysql状态 : service mysql status 4．启动mysql : service mysql start
- 安装
MySql客户端1．安装mysql客户端 : rpm -ivh MySQL-client-5.6.24-1.el6.x86_64.rpm 2．链接mysql : mysql -uroot -pOEXaQuS8IWkG19Xs 3．修改密码 : SET PASSWORD=PASSWORD('000000'); 4．退出mysql : exit
- 修改
MySql中user表的主机配置(配置只要是root用户+密码，在任何主机上都能登录MySQL数据库)1．进入mysql : mysql -uroot -p000000 2．显示数据库 : show databases; 3．使用mysql数据库 : use mysql; 4．展示mysql数据库中的所有表 : show tables; 5．展示user表的结构 : desc user; 6．查询user表 : select User, Host, Password from user; 7．修改user表，把Host表内容修改为% : update user set host='%' where host='localhost'; 8．删除root用户的其他host delete from user where Host='hadoop102'; delete from user where Host='127.0.0.1'; delete from user where Host='::1'; 9．刷新 : flush privileges; 10．退出 : quit;
5️⃣
Hive元数据配置到MySql
- 驱动拷贝
1．在/opt/software/mysql-libs目录下解压mysql-connector-java-5.1.27.tar.gz驱动包 tar -zxvf mysql-connector-java-5.1.27.tar.gz 2．拷贝/opt/software/mysql-libs/mysql-connector-java-5.1.27目录下的mysql-connector-java-5.1.27-bin.jar到/opt/module/hive/lib/ cp mysql-connector-java-5.1.27-bin.jar /opt/module/hive/lib/
- 配置
Metastore到MySql1．在/opt/module/hive/conf目录下创建一个hive-site.xml : vim hive-site.xml 2．根据官方文档配置参数，拷贝数据到hive-site.xml文件中 https://cwiki.apache.org/confluence/display/Hive/AdminManual+MetastoreAdmin <?xml version="1.0"?> <?xml-stylesheet type="text/xsl" href="configuration.xsl"?> <configuration> <property> <name>javax.jdo.option.ConnectionURL</name> <value>jdbc:mysql://hadoop102:3306/metastore?createDatabaseIfNotExist=true</value> <description>JDBC connect string for a JDBC metastore</description> </property> <property> <name>javax.jdo.option.ConnectionDriverName</name> <value>com.mysql.jdbc.Driver</value> <description>Driver class name for a JDBC metastore</description> </property> <property> <name>javax.jdo.option.ConnectionUserName</name> <value>root</value> <description>username to use against metastore database</description> </property> <property> <name>javax.jdo.option.ConnectionPassword</name> <value>000000</value> <description>password to use against metastore database</description> </property> </configuration>
- 配置完毕后，如果启动
hive异常，可以重新启动虚拟机。（重启后，别忘了启动hadoop集群）- 多窗口启动
Hive测试1．先启动MySQL : mysql -uroot -p000000 2．查看有几个数据库 : show databases; +--------------------+ | Database | +--------------------+ | information_schema | | mysql | | performance_schema | | test | +--------------------+ 2．再次打开多个窗口，分别启动hive : bin/hive 3．启动hive后，回到MySQL窗口查看数据库，显示增加了metastore数据库 : show databases; +--------------------+ | Database | +--------------------+ | information_schema | | metastore | | mysql | | performance_schema | | test | +--------------------+
6️⃣
HiveJDBC访问1. 启动hiveserver2服务 : bin/hiveserver2 2. 启动beeline : bin/beeline 3. 连接hiveserver2 beeline> !connect jdbc:hive2://hadoop102:10000（回车） Connecting to jdbc:hive2://hadoop102:10000 Enter username for jdbc:hive2://hadoop102:10000: atguigu（回车） Enter password for jdbc:hive2://hadoop102:10000: （直接回车） Connected to: Apache Hive (version 1.2.1) Driver: Hive JDBC (version 1.2.1) Transaction isolation: TRANSACTION_REPEATABLE_READ 0: jdbc:hive2://hadoop102:10000> show databases; +----------------+--+ | database_name | +----------------+--+ | default | | hive_db2 | +----------------+--+
7️⃣
Hive常用交互命令bin/hive -help usage: hive -d,--define <key=value> Variable subsitution to apply to hive commands. e.g. -d A=B or --define A=B --database <databasename> Specify the database to use -e <quoted-query-string> SQL from command line -f <filename> SQL from files -H,--help Print help information --hiveconf <property=value> Use value for given property --hivevar <key=value> Variable subsitution to apply to hive commands. e.g. --hivevar A=B -i <filename> Initialization SQL file -S,--silent Silent mode in interactive shell -v,--verbose Verbose mode (echo executed SQL to the console)1．“-e”不进入hive的交互窗口执行sql语句 : bin/hive -e "select id from student;" 2．“-f”执行脚本中sql语句 （1）在/opt/module/datas目录下创建hivef.sql文件 : touch hivef.sql （a）文件中写入正确的sql语句 : select *from student; （2）执行文件中的sql语句 : bin/hive -f /opt/module/datas/hivef.sql （3）执行文件中的sql语句并将结果写入文件中 : bin/hive -f /opt/module/datas/hivef.sql > /opt/module/datas/hive_result.txt
8️⃣
Hive其他命令操作1．退出hive窗口：exit/quit; 在新版的hive中没区别了，在以前的版本是有的： exit:先隐性提交数据，再退出； quit:不提交数据，退出； 2．在hive cli命令窗口中如何查看hdfs文件系统 : dfs -ls /; 3．在hive cli命令窗口中如何查看本地文件系统 : ! ls /opt/module/datas; 4．查看在hive中输入的所有历史命令 （1）进入到当前用户的根目录/root或/home/atguigu （2）查看. hivehistory文件 : cat .hivehistory
9️⃣
Hive常见属性配置
Hive数据仓库位置配置1）Default数据仓库的最原始位置是在hdfs上的：/user/hive/warehouse路径下。 2）在仓库目录下，没有对默认的数据库default创建文件夹。如果某张表属于default数据库，直接在数据仓库目录下创建一个文件夹。 3）修改default数据仓库原始位置（将hive-default.xml.template如下配置信息拷贝到hive-site.xml文件中）。 <property> <name>hive.metastore.warehouse.dir</name> <value>/user/hive/warehouse</value> <description>location of default database for the warehouse</description> </property> 4) 配置同组用户有执行权限 : bin/hdfs dfs -chmod g+w /user/hive/warehouse
- 查询后信息显示配置
1）在hive-site.xml文件中添加如下配置信息，就可以实现显示当前数据库，以及查询表的头信息配置; <property> <name>hive.cli.print.header</name> <value>true</value> </property> <property> <name>hive.cli.print.current.db</name> <value>true</value> </property> 2）重新启动hive，对比配置前后差异;
Hive运行日志信息配置1．Hive的log默认存放在/tmp/atguigu/hive.log目录下（当前用户名下） 2．修改hive的log存放日志到/opt/module/hive/logs （1）修改/opt/module/hive/conf/hive-log4j.properties.template文件名称为hive-log4j.properties mv hive-log4j.properties.template hive-log4j.properties （2）在hive-log4j.properties文件中修改log存放位置 : hive.log.dir=/opt/module/hive/logs
- 参数配置方式
1．查看当前所有的配置信息 : set; 2．参数的配置三种方式 （1）配置文件方式 默认配置文件：hive-default.xml 用户自定义配置文件：hive-site.xml 注意：用户自定义配置会覆盖默认配置。另外， Hive也会读入Hadoop的配置，因为Hive是作为 Hadoop的客户端启动的，Hive的配置会覆盖 Hadoop的配置。配置文件的设定对本机启动的 所有Hive进程都有效。 （2）命令行参数方式 启动Hive时，可以在命令行添加-hiveconf param=value来设定参数。 例如：bin/hive -hiveconf mapred.reduce.tasks=10; 注意：仅对本次hive启动有效 查看参数设置：mapred.reduce.tasks; （3）参数声明方式 可以在HQL中使用SET关键字设定参数 例如：set mapred.reduce.tasks=100; 注意：仅对本次hive启动有效。 3. 查看参数设置 : set mapred.reduce.tasks; 上述三种设定方式的优先级依次递增。即配置文件< 命令行参数<参数声明。注意某些系统级的参数，例 如log4j相关的设定，必须用前两种方式设定，因为 那些参数的读取在会话建立以前已经完成了。
三 Hive数据类型
1️⃣基本数据类型
对于Hive的String类型相当于数据库的varchar类型，该类型是一个可变的字符串，不过它不能声明其中最多能存储多少个字符，理论上它可以存储2GB的字符数;
2️⃣集合数据类型
Hive有三种复杂数据类型ARRAY、MAP和STRUCT。ARRAY和MAP与Java中的Array和Map类似，而STRUCT与C语言中的Struct类似，它封装了一个命名字段集合，复杂数据类型允许任意层次的嵌套;案例实操
- 假设某表有如下一行，我们用
JSON格式来表示其数据结构。在Hive下访问的格式为{ "name": "songsong", "friends": ["bingbing" , "lili"] , //列表Array, "children": { //键值Map, "xiao song": 18 , "xiaoxiao song": 19 } "address": { //结构Struct, "street": "hui long guan" , "city": "beijing" } }
- 基于上述数据结构，我们在
Hive里创建对应的表，并导入数据。
创建本地测试文件test.txtsongsong,bingbing_lili,xiao song:18_xiaoxiao song:19,hui long guan_beijing yangyang,caicai_susu,xiao yang:18_xiaoxiao yang:19,chao yang_beijing注意：
MAP，STRUCT和ARRAY里的元素间关系都可以用同一个字符表示，这里用“_”。
Hive上创建测试表testcreate table test( name string, friends array<string>, children map<string, int>, address struct<street:string, city:string> ) row format delimited fields terminated by ',' collection items terminated by '_' map keys terminated by ':' lines terminated by '\n'; 字段解释： row format delimited fields terminated by ',' -- 列分隔符 collection items terminated by '_' -- MAP STRUCT 和 ARRAY 的分隔符(数据分割符号) map keys terminated by ':' -- MAP中的key与value的分隔符 lines terminated by '\n'; -- 行分隔符
- 导入文本数据到测试表
load data local inpath ‘/opt/module/datas/test.txt’into table test- 访问三种集合列里的数据，以下分别是
ARRAY，MAP，STRUCT的访问方式select friends[1],children['xiao song'],address.city from test where name="songsong"; OK _c0 _c1 city lili 18 beijing Time taken: 0.076 seconds, Fetched: 1 row(s)
3️⃣类型转化
Hive的原子数据类型是可以进行隐式转换的，类似于Java的类型转换，例如某表达式使用INT类型，TINYINT会自动转换为INT类型，但是Hive不会进行反向转化，例如，某表达式使用TINYINT类型，INT不会自动转换为TINYINT类型，它会返回错误，除非使用CAST操作;
1．隐式类型转换规则如下
（1）任何整数类型都可以隐式地转换为一个范围更广的类型，如TINYINT可以转换成INT，INT可以转换成BIGINT;
（2）所有整数类型、FLOAT和STRING类型都可以隐式地转换成DOUBLE;
（3）TINYINT、SMALLINT、INT都可以转换为FLOAT;
（4）BOOLEAN类型不可以转换为任何其它的类型;
2．可以使用CAST操作显示进行数据类型转换
例如CAST('1' AS INT)将把字符串'1'转换成整数1；如果强制类型转换失败，如执行CAST('X' AS INT)，表达式返回空值NULL。0: jdbc:hive2://hadoop102:10000> select '1'+2, cast('1'as int) + 2; +------+------+--+ | _c0 | _c1 | +------+------+--+ | 3.0 | 3 | +------+------+--+
