16.Hive基础

一、Hive简介

1.1 Hive概述

Hive是由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，可以将结构化的文件数据映射为一张表，并提供类SQL查询功能。

Hive本质就是将HQL转换为MapReduce程序，其处理的数据存储在HDFS，分析数据底层的实现是MapReduce，执行程序运行在Yarn上。

1.2 Hive的优缺点

优点：

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

缺点：

1. Hive的HQL表达能力有限：迭代式算法无法表达；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：Hive自动生成的MapReduce作业，通常情况下不够智能化；Hive调优比较困难，粒度较粗。

1.3 Hive架构原理

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（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。

1.4 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。

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。

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。

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。

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。

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。

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。

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

2.1 Hive安装部署

①前提

启动Hadoop集群，并在在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

[root@hadoop100 hadoop-2.7.2]$ bin/hadoop fs -mkdir /tmp
[root@hadoop100 hadoop-2.7.2]$ bin/hadoop fs -mkdir -p /user/hive/warehouse
[root@hadoop100 hadoop-2.7.2]$ bin/hadoop fs -chmod g+w /tmp
[root@hadoop100 hadoop-2.7.2]$ bin/hadoop fs -chmod g+w /user/hive/warehouse

②解压apache-hive-1.2.1-bin.tar.gz

[root@hadoop100 software]$ 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-1.2.1

[root@hadoop100 software]$ mv apache-hive-1.2.1-bin/ hive-1.2.1

④复制conf文件夹下的hive-env.sh.template为hive-env.sh

[root@hadoop100 conf]$ cp hive-env.sh.template hive-env.sh

⑤配置hive-env.sh

配置HADOOP_HOME路径：export HADOOP_HOME=/opt/module/hadoop-2.7.2
配置HIVE_CONF_DIR路径：export HIVE_CONF_DIR=/opt/module/hive-1.2.1/conf

⑥启动Hive

[root@hadoop100 hive-1.2.1]$ bin/hive

查看所有数据库：hive> show databases;

2.2 遇到的问题

打开第二个客户端窗口启动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 

原因：Metastore默认存储在自带的Derby数据库中，推荐使用MySQL存储Metastore。

2.3 配置Metastore到MySql

前提：MySQL数据库的安装完成

①复制MySQL驱动到Hive下lib文件夹下

[root@hadoop100 software]$ cp mysql-connector-java-5.1.27-bin.jar
 /opt/module/hive-1.2.1/lib/

②在conf文件夹下新建hive-site.xml

[root@hadoop100 conf]$ vim hive-site.xml

配置内容为：

<?xml version="1.0"?>
<?xml-stylesheet type="text/xsl" href="configuration.xsl"?>
<configuration>
	<property>
	  <name>javax.jdo.option.ConnectionURL</name>
	  <value>jdbc:mysql://hadoop100:3306/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>1234</value>
	  <description>password to use against metastore database</description>
	</property>

</configuration>

③重启Hive，此时已能多窗口访问

2.4 HiveJDBC访问

HiveServer2:

1. 为Hive提供了一种允许客户端远程访问的服务
2. 基于thrift协议，支持跨平台，跨编程语言对Hive经常访问
3. 允许远程访问

Beeline：HiveServer2支持的新的命令行，基于SQLLine Cli的JDBC客户端

①启动hiveserver2服务

[root@hadoop100 hive-1.2.1]$ bin/hiveserver2

②动beeline

[root@hadoop100 hive-1.2.1]$ bin/beeline
Beeline version 1.2.1 by Apache Hive
beeline>

③连接hiveserver2

beeline> !connect jdbc:hive2://hadoop100:10000（回车）
Connecting to jdbc:hive2://hadoop100:10000
Enter username for jdbc:hive2://hadoop100:10000: rooot（回车）
Enter password for jdbc:hive2://hadoop100:10000: 1234（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://hadoop100:10000> show databases;
+----------------+--+
| database_name  |
+----------------+--+
| default        |
+----------------+--+

2.5 Hive常见属性配置

①Hive数据仓库位置配置

Default数据仓库的最原始位置是在hdfs上的：/user/hive/warehouse路径下。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。

修改数据仓库位置：配置hive-site.xml

<property>
	<name>hive.metastore.warehouse.dir</name>
	<value>/user/hive/warehouse</value>
	<description>location of default database for the warehouse</description>
</property>

记得给该文件夹配置同组用户有执行权限：bin/hdfs dfs -chmod g+w /user/hive/warehouse

②查询后信息显示配置

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>

③Hive运行日志信息配置

Hive的log默认存放在/tmp/root/hive.log目录下（当前用户名下）

修改日志位置：配置hive-log4j.properties

hive.log.dir=/opt/module/hive/logs

三、Hive常用交互命令

[root@hadoop100 hive]$ 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

[root@hadoop100 hive]$ bin/hive -e "select * from student;"

②执行文件中的sql语句

[root@hadoop100 hive]$ 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

[root@hadoop100 hive]$ bin/hive -f /opt/module/datas/hivef.sql  > /opt/module/datas/hive_result.txt

④查看在hive中输入的所有历史命令

进入到当前用户的根目录/root，查看. hivehistory文件

[root@hadoop100 root]$ bin/cat .hivehistory