12 Hive的理解

一、HIve的概念

1 Hive基本概念

1.1 什么是Hive

• Hive：由Facebook开源用于解决海量结构化日志的数据统计。
• 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
  • 2）Hive分析数据底层的实现是MapReduce
  • 3）执行程序运行在YARN上

1.2 为什么使用Hive

• 直接使用hadoop所面临的问题
  • （1）人员学习成本太高
  • （2）项目周期要求太短
  • （3）MapReduce实现复杂查询逻辑开发难度太大
• Hive的好处
  • （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）扩展功能很方便。

1.3 Hive架构概述原理

• 
• 如图中所示，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。
  • 1）用户接口：Client
    • CLI（hive shell）、JDBC/ODBC(java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/TEZ/Spark。

1.4 Hive 的特点

• 1）操作接口采用类SQL语法，提供快速开发的能力（简单、容易上手）
• 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合；
• 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。

1.5 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。

• 1.5.1 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。
• 1.5.2 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。
• 1.5.3 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中不支持对数据的改写和添加，所有的数据都是在加载的时候中确定好的。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。
• 1.5.4 索引
  • Hive在加载数据的过程中不会对数据进行任何处理，甚至不会对数据进行扫描，因此也没有对数据中的某些Key建立索引。Hive要访问数据中满足条件的特定值时，需要暴力扫描整个数据，因此访问延迟较高。由于 MapReduce 的引入， Hive 可以并行访问数据，因此即使没有索引，对于大数据量的访问，Hive 仍然可以体现出优势。数据库中，通常会针对一个或者几个列建立索引，因此对于少量的特定条件的数据的访问，数据库可以有很高的效率，较低的延迟。由于数据的访问延迟较高，决定了 Hive 不适合在线数据查询。
• 1.5.5 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。
• 1.5.6 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。
• 1.5.7 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。
• 1.5.8 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。

2 Hive常用命令

• hive -help查看命令
  • 
• 进入默认数据库，创建一个student表，并且插入一条数据
  • 
• hive -e不进入互交命令查询表
  • 
• hive -f执行sql脚本
  • 创建一个hsql.sql文件内容为select * from student;
  • 
• 查看50070端口
  • 

3 Hive其他命令

• 退出命令
  • exit 和 quit
• hive cli下查看hdfs文件系统dfs -ls /;
  • 
• hive cli下查看hdfs本地系统(linux)!ls /usr/local/src;查看历史hive命令(在用户目录下执行): [root@master ~]# cat .hivehistory
  • 

3 Hive常见属性配置

3.1 参数配置方式

• 1）查看当前所有的配置信息（hive下输入命令）: set;
• 2）参数的配置三种方式及优先级
  • 2.1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。
  • 2.2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：hive -hiveconf mapred.reduce.tasks=10; 注意：仅对本次hive启动有效
    • 查看参数设置：hive (default)> set mapred.reduce.tasks;
  • 2.3参数声明方式
    • 可以在HQL中使用SET关键字设定参数
    • 例如：hive (default)> set mapred.reduce.tasks=100; 注意：仅对本次hive启动有效。
    • 查看参数设置：hive (default)> set mapred.reduce.tasks;

4 Hive数据类型

二、HIVE环境安装

1 安装MySQL

• 1.1 yum上mysql的资源有问题，所以不能仅仅之用yum。在使用yum之前还需要用其他命令获取mysql社区版

cd /usr/local/src
mkdir mysql5
cd mysql5
wget http://repo.mysql.com/mysql-community-release-el7-5.noarch.rpm  
rpm -ivh mysql-community-release-el7-5.noarch.rpm  

• 1.2 通过yum命令开始安装

yum install mysql mysql-server mysql-devel -y

• 1.3 启动

#启动命令
systemctl start mysql.service
#停止命令
systemctl stop mysql.service

• 1.4 验证
  启动后会占用3306端口。 使用如下命令查看3306端口是否启动，如果启动了则表示mysql处于运行状态。

netstat -anp | grep 3306

• 1.5 设置密码

#这里设置为root了
mysqladmin -u root password root

• 1.6 进入mysql

mysql -u root -p

• 1.7 查询是否有数据库

show databases;

• 1.8MySql中user表中主机配置(配置远程可以访问)

进入mysql库，查询user表

添加一个权限控制

grant all privileges on *.* to 'root'@'%' identified by 'root' with grant option;

再次查询user表

删除其他的再次查询确定

delete from user where host!='%';

刷新

mysql>flush privileges;

2 Hive源码包(操作master节点)

下载http://mirror.bit.edu.cn/apache/hive/上传至master
或者

wget http://mirror.bit.edu.cn/apache/hive/hive-1.2.2/apache-hive-1.2.2-bin.tar.gz
tar zxvf apache-hive-1.2.2-bin.tar.gz

3 修改Hive配置文件

• hive-site.xml

cd apache-hive-1.2.2-bin/conf
cp hive-default.xml.template hive-site.xml
vim hive-site.xml

批量修改:

#将${system:java.io.tmpdir}统一换成  /hive
#将${system:user.name}统一换成  root
#在vim命令行模式下的 ：后面输入如下命令进行统一替换
%s/${system:java.io.tmpdir}/\/hive/g
%s/${system:user.name}/root/g

将以下部分贴在配置文件尾部：

  <property>
      <name>javax.jdo.option.ConnectionURL</name>
      <value>jdbc:mysql://localhost:3306/hive?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>root</value>
      <description>password to use against metastore database</description>
  </property>

配置hive显示当前数据库，和查询表头显示：

• hive-env.sh

cp hive-env.sh.template hive-env.sh
#指定hadoop路径

• hive-log4j.properties

cp hive-log4j.properties.template hive-log4j.properties
vim hive-log4j.properties

修改log日志目录

4 增加环境变量

vim ~/.bashrc

添加如下代码:

#hive
export HIVE_HOME=/usr/local/src/apache-hive-1.2.2-bin
export PATH=$HIVE_HOME/bin:$PATH

#刷新环境变量
source ~/.bashrc

5 安装MySQL连接工具

#下载安装包
cd mysql5
wget http://mirrors.ustc.edu.cn/mysql-ftp/Downloads/Connector-J/mysql-connector-java-5.1.46.tar.gz
tar zxvf mysql-connector-java-5.1.46.tar.gz
#复制连接库文件到hive的lib下
cp mysql-connector-java-5.1.46/mysql-connector-java-5.1.46.jar /usr/local/src/apache-hive-1.2.2-bin/lib/

6 拷贝安装包(可以先把步骤7的bug修复了)

scp -r /usr/local/src/apache-hive-1.2.2-bin root@slave1:/usr/local/src/apache-hive-1.2.2-bin
scp -r /usr/local/src/apache-hive-1.2.2-bin root@slave2:/usr/local/src/apache-hive-1.2.2-bin

7 启动报错

[ERROR] Terminal initialization failed; falling back to unsupported
java.lang.IncompatibleClassChangeError: Found class jline.Terminal, but interface was expected

原因是hadoop目录下存在老版本jline---->解决：将hive下的新版本jline的JAR包拷贝到hadoop下,删除老的

cp /usr/local/src/apache-hive-1.2.2-bin/lib/jline-2.12.jar /usr/local/src/hadoop-2.6.5/share/hadoop/yarn/lib/
rm -rf /usr/local/src/hadoop-2.6.5/share/hadoop/yarn/lib/jline-0.9.94.jar 

注意需要重启hadoop集群

8 启动Hive服务（需要hadoop集群）

hive

9 观察mysql

显示增加了hive数据库

show databases;

10 观察hdfs

在hive中创建一个表

hdfs上多了文件

三、Hive思维导图