Hive架构及搭建方式

目录

• 前言
• hive的基础知识
  • 基本架构
  • metastore
    • 内嵌服务和数据库
    • 内嵌服务
    • 服务和数据库单独部署
  • hcatalog
  • 客户端
    • 客户端的本地模式
    • beeline
    • beeline的自动模式
    • jdbc
• 部署
  • 部署hiveserver2
    • 在hdfs中创建hive数据存放路径
    • 配置hive的环境变量
    • 配置日志输出路径
    • hive的临时文件配置
    • 配置metastore 的DB信息并初始化
    • 启动hiveserver2
  • 基本客户端部署
    • 软件包分发
    • 环境变量配置
    • 日志路径配置
    • 启动
  • hiveserver高可用部署
    • 服务端配置
    • 客户端连接
  • 认证
    • 使用了kerberos认证后的beeline链接方式
  • 基于hive-site.xml的客户端连接
  • 一些错误
    • 错误1 guava
    • 错误2，mysql驱动
    • 错误3
• 参考资料

前言

本文档基于hive 3.1.2编写

hive的基础知识

基本架构

• 整个hive由hiveserver2和hive 客户端组成
• hive客户端有三种，beeline 、使用jdbc链接hiveserver、或使用hive CLI(这个已经过时，hive官方已经不推荐，推荐beeline)
• hive server本身由hive server2和metastore组成
• metastore是hive的元数据管理组件
• hcatalog 架设在metastore上，暴露一组api，使得其它框架，比如Pig，FLink能够使用hive的元数据管理功能，从而以表视角去管理数据
• webchat 是在hcatalog基础上暴露restful接口
• hive 的实际数据存储在hadoop的hdfs中
• hue提供一个图形化的方式，方便用户做基于sql的开发，当然还有其他附加功能

metastore

hive的数据本质上存储在hdfs中的。如何以表的视角看到数据，这就是metastore的功劳，它存储了表的schema信息、序列化信息、存储位置信息等

metastore本身由两部分组成

• metastore server
• metatore db

这个经典的架构，像任何一个单体java应用一样，server是应用本身，db来存储数据。但具体metastore整体的部署模式上，有三种

内嵌服务和数据库

metastore server和metastore DB同hive server部署在一起，以内嵌的方式部署
其中metastore DB是启动了一个内嵌的Derby数据库

内嵌服务

metastore server还是跟hive一起部署。
但metastore DB使用独立的Mysql来承接

服务和数据库单独部署

除了数据库独立部署之外，metastore service本身也独立部署

hcatalog

hcatalog 架设在metastore上，暴露一组api，使得其它框架，比如Pig，FLink能够使用hive的元数据管理功能，从而以表视角去管理数据

demo

hadoop distcp file:///file.dat hdfs://data/rawevents/20100819/data

hcat "alter table rawevents add partition (ds='20100819') location 'hdfs://data/rawevents/20100819/data'"

上述命令先将文件拷贝到hdfs，然后通过hcatalog，将这份数据做为表rawevents的一个新分区

客户端

客户端的本地模式

上述介绍的metastore的嵌入或remote部署，都是以hiveserver的视角来说的。hiveserver本身是独立的部署。但在hive客户端来说，可以通过remote模式，连接到已经部署好的remote server 。 还可以启动客户端的时候，顺带起一个本地的hive server和其对应的metastore。这一点一定要搞清楚

beeline

做为hive推荐的新一代客户端。他使用Thrift 远程调用。 beeline的本地模式

$HIVE_HOME/bin/hiveserver2 #先独立部署hiveserver
$HIVE_HOME/bin/beeline -u jdbc:hive2://$HS2_HOST:$HS2_PORT # 然后以host加port的形式跟hiveserver链接

beeline的本地模式

$HIVE_HOME/bin/beeline -u jdbc:hive2://  #就是不加host和port，该操作会在同一个进程启动hiveserver 和metastore，以及beeline 。 不建议这样使用，只做单元测试

本地和远程的区别，就是是否指定远程的Host和port。没有的话，就是本地模式

beeline的自动模式

每次通过beeline连接远端的hiveserver时，需要指定很长一段的jdbc url，很麻烦，如果我们想敲击beeline命令，直接就连接远端的hiveserver2，则可以在hive的配置文件目录添加beeline-site.xml配置文件，文件内容大致如下

<?xml version="1.0"?>
<?xml-stylesheet type="text/xsl" href="configuration.xsl"?>
<configuration>
<property>
  <name>beeline.hs2.jdbc.url.tcpUrl</name>
  <value>jdbc:hive2://localhost:10000/default;user=hive;password=hive</value>
</property>
 
<property>
  <name>beeline.hs2.jdbc.url.httpUrl</name>
  <value>jdbc:hive2://localhost:10000/default;user=hive;password=hive;transportMode=http;httpPath=cliservice</value>
</property>
 
<property>
  <name>beeline.hs2.jdbc.url.default</name>
  <value>tcpUrl</value>
</property>
</configuration>

其中配置了beeline连接的两种方式，和具体的jdbc连接字符串。一种使用tcp，一种使用http。默认是用tcp

jdbc

jdbc链接hive也有两种模式

• For a remote server, the URL format is jdbc:hive2://<host>:<port>/<db>;initFile=<file> (default port for HiveServer2 is 10000).
• For an embedded server, the URL format is jdbc:hive2:///;initFile=<file> (no host or port).

部署

一个hive的完整部署涉及五个组件，主要需要部署前三个

1. metastore的部署
2. hiveserver2的部署
3. client的部署
4. hcatalog server 的部署(非必须)
5. webhcat server的部署(非必须)

其中1,2两部可以何在一起，即hiveserver2内嵌metastore, 只是将metastore的DB，外挂到Mysql。

具体到物理服务器上，上述三个组件，可以部署到三个不同机器上，当然hive client一般会在多个机器上。

三个组件对应的配置都可以是hive-site.xml，但配置内容不一定相同。比如hiveserver2需要配置，meta DB的连接信息，但client则不需要这些信息。

除了hive-site.xml之外，hive还支持在其它几个地方进行配置

• 在启动命令时 通过--hiveconf参数，指定定制化的配置，如bin/hive --hiveconf hive.exec.scratchdir=/tmp/mydir
• 在 hivemetastore-site.xml文件中指定，metastore相关的配置
• 在hiveserver2-site.xml中指定，hiveserver2独享的配置。

以上这些路径和配置文件中拥有相同配置时，hive识别优先级如下，从左至右，依次升高
hive-site.xml -> hivemetastore-site.xml -> hiveserver2-site.xml -> '-hiveconf'

所以，最佳的配置策略是：

1. 在hive-site.xml中配置，hiveserver2和hive client都共用的配置，这样方便该配置直接分发到多个机器
2. 将metastore相关的配置放到 hivemetastore-site.xml 中。meta数据库相关配置，只在metaserver部署的机器上存在，不会四处分发数据库密码
3. 将hiveserver2独有的配置放到hiveserver2-site.xml 中

部署hiveserver2

以下配置，采用内嵌metastore server , remote metastore DB的方式进行hiveserver 部署

在需要部署hive的机器上。创建一个hive账号，adduser hive 并将其加入hadoop组，所有后续配置和启动都以hive用户进行

下载hive安装包。将其中conf下的各template文件去掉，并按需进行配置。
hive-default.xml.template需要改成hive-site.xml

hive-default.xml.template包含了所有的hive各组件相关的默认配置。

详细部署文档：https://cwiki.apache.org/confluence/display/Hive/AdminManual+Configuration#AdminManualConfiguration-HiveMetastoreConfigurationVariables

在hdfs中创建hive数据存放路径

在hdfs中创建以下文件，并给hive所属组赋写权限

  $ $HADOOP_HOME/bin/hadoop fs -mkdir       /tmp
  $ $HADOOP_HOME/bin/hadoop fs -mkdir       /user/hive/warehouse
  $ $HADOOP_HOME/bin/hadoop fs -chmod g+w   /tmp
  $ $HADOOP_HOME/bin/hadoop fs -chmod g+w   /user/hive/warehouse

/user/hive/warehouse是hive中的表数据实际存储的地方。它是默认路径，你当然可以在hive-site.xml中通过设置hive.metastore.warehouse.dir属性来指定新的路径

配置hive的环境变量

export HIVE_HOME=/opt/apache-hive-3.1.2-bin/
export PATH=$HIVE_HOME/bin:$PATH

配置日志输出路径

hive的默认输出路径为/tmp/<user.name>/hive.log，如果我们以hive用户启动，那么该路径为/tmp/hive/hive.log

/tmp路径是linux用来存放各应用程序运行时的中间状态数据，一般会在操作系统重启后，自动进行清理。
当然你可以修改hive的log4j文件，来指定hive.log.dir=<other_location>路径

也可以在启动hiveserver2时，动态的去通过hiveconf参数指定路径bin/hiveserver2 --hiveconf hive.root.logger=INFO,DRFA

hive的临时文件配置

hive运行时也会在host本地，和hdfs中存放临时文件，称之为scratch文件。存放的文件路径为
hdfs ：/tmp/hive-<username>
本地：/tmp/<username>

值得说明的是，hive-site.xml模板中，有大量路径配置是 ${java.io.tmpdir}/${user.name}/，${java.io.tmpdir}表示该配置的默认值是取Java使用临时目录，一般在linux下也即/tmp，${user.name}表示取当前启动hive的用户。你如果不特殊指定，可删除对应的配置项。而不要直接配置中也写成${java.io.tmpdir}/${user.name}/，xml中是识别不了这些占位符的。

配置metastore 的DB信息并初始化

在hive-site.xml对应的目录下，创建一个hivemetastore-site.xml文件，用于配置metastore相关信息

初始化metastore db

$HIVE_HOME/bin/schematool -dbType <db type> -initSchema

其中dbType的取值可以是derby, oracle, mysql, mssql, postgres

参考资料
https://cwiki.apache.org/confluence/display/Hive/AdminManual+Metastore+Administration

启动hiveserver2

$HIVE_HOME/bin/hiveserver2

上述命令为前台运行，最好以no hang up 加后后台方式运行

nohup $HIVE_HOME/bin/hiveserver2 > /opt/apache-hive-3.1.2-bin/logs/hive_runtime_log.log < /dev/null &

启动后hive的web界面对应的端口是：10002

基本客户端部署

软件包分发

将上述hive发型包，同配置，拷贝到需要启动beeline的机器上，即完成客户端的配置。配置文件只需要hive-site.xml，可根据具体机器环境，去修改相应的路径配置信息，不需要hivemetastore-site.xml 和 hiveserver2-site.xml文件

环境变量配置

export HIVE_HOME=/opt/apache-hive-3.1.2-bin/
export PATH=$HIVE_HOME/bin:$PATH

日志路径配置

同hiveserver一样，根据具体情况，做一些路径配置修改

启动

使用$HIVE_HOME/bin/beeline -u jdbc:hive2://$HS2_HOST:$HS2_PORT即可连接hiveserver2。

由于hive在hdfs中使用的目录，默认是/user/hive/warehouse，所以为了避免权限相关的错，需要在通过beeline链接是加-n参数，用于指定当前客户端使用的用户。并且该用户要有/user/hive/warehouse和其下文件的相关权限，没有的话需要单独加。权限模型，同Linux类似。如果有权限问题，一般的错误类似

Error: Error while processing statement: FAILED: Execution Error, return code 1 from org.apache.hadoop.hive.ql.exec.DDLTask. MetaException(message:Got exception: org.apache.hadoop.security.AccessControlException Permission denied: user=yarn, access=WRITE, inode="/user/hive/warehouse/test.db":hive:hadoop:drwxr-xr-x

带用户名链接为形式为：

beeline -u jdbc:hive2://master:10000 -n hive

这里以hive用户链接到hiveserver

beeline整体使用文档：https://cwiki.apache.org/confluence/display/Hive/HiveServer2+Clients

hiveserver高可用部署

服务端配置

在所有需要启动hiverserver的机器上，配置hiveserver2-site.xml。在其中做如下配置

<!--启动高可用配置-->
<property>
    <name>hive.server2.support.dynamic.service.discovery</name>
    <value>true</value>
</property>
<!--配置在zk中的地址空间-->
<property>
    <name>hive.server2.zookeeper.namespace</name>
    <value>hiveserver2</value>
</property>
<!--配置在zk的地址-->
<property>
    <name>hive.zookeeper.quorum</name>
    <value>master:2181,slave1:2181,slave2:2181</value>
</property>

同时记住，需要部署的hiverserver的机器，都要有相同metastore的配置，保证他们连得时同一个mysql，可将hivemetastore-site.xml配置拷贝至多个需要启动hiveserver的机器

参考资料：http://lxw1234.com/archives/2016/05/675.htm

客户端连接

用beeline的连接方式如下：

beeline -u "jdbc:hive2://master:2181,slave1:2181,slave2:2181/;serviceDiscoveryMode=zooKeeper;zooKeeperNamespace=hiveserver2" -n hive

注意其中的jdbc url一定要加引号

认证

这里选择Kerberos作为认证选项。其需要配置的三个配置项如下：

Authentication mode:

hive.server2.authentication – Authentication mode, default NONE. Options are NONE (uses plain SASL), NOSASL, KERBEROS, LDAP, PAM and CUSTOM.

Set following for KERBEROS mode:

hive.server2.authentication.kerberos.principal – Kerberos principal for server.

hive.server2.authentication.kerberos.keytab – Keytab for server principal.

使用了kerberos认证后的beeline链接方式

beeline -u "jdbc:hive2://master:2181,slave1:2181,slave2:2181/;serviceDiscoveryMode=zooKeeper;zooKeeperNamespace=hiveserver2"

上述命令使用前，一定保证已经通过kinit实现了当前机器的kerberos认证。否者beeline命令会报错，因为没有取到kerberos认证票据。

该命令会自动去读取，当前登录的kerberos用户信息，在执行的命令的时候带上

INFO  : Executing with tokens: [Kind: HDFS_DELEGATION_TOKEN, Service: ha-hdfs:haixue-hadoop, Ident: (token for test: HDFS_DELEGATION_TOKEN owner=test, renewer=yarn, realUser=hive/master@HAIXUE.COM, issueDate=1594627135369, maxDate=1595231935369, sequenceNumber=66, masterKeyId=27)]

比如当前kerberos的tgt是test用户，那么该hivesql 对应的owner就是test。实际组件之间的通信认证是使用的hive/master@HAIXUE.COM 用户。但授权粒度会控制到test上。

这个特性是hive配置的的hive.server2.enable.doAs 属性来控制的，该属性为true时，表示运行以提交用户作为最终sql执行的用户

另外，最好我们在hiveserver的配置文件中，将hive.server2.allow.user.substitution关闭为false. 因为该选项，会允许用户以-n参数指定一个用户。这样会导致一个用户以自己的kerberos凭证，操作别人的库表。但禁用后，hue就无法将其登录用户做为提交job的人。

基于hive-site.xml的客户端连接

上述记录的连接hiveserver2的方式，是通过jdbc来实现的。但有些依赖hive的程序，则只能通过hive-site.xml 这种方式连接hiveserver。典型的就是hue

hue会去${HIVE_CONF_DIR}环境变量或者/etc/hive/conf路径下找hive-site.xml和beeline-hs2-connection.xml两个配置文件，读取其中的信息，实现对hiveserver的连接。

如果集群配置了kerberos，那么需要在hive-site.xml中配置，跟hiveserver2-site.xml一样的kerberos认证配置，例如

<property>
	<name>hive.server2.authentication</name>
	<value>KERBEROS</value>
</property>
<property>
	<name>hive.server2.authentication.kerberos.principal</name>
	<value>hive/master@HAIXUE.COM</value>
</property>
<property>
	<name>hive.server2.authentication.kerberos.keytab</name>
	<value>/opt/keytab_store/hive.service.keytab</value>
</property>

像hue 是使用beeline连接，还可以配置beeline-hs2-connection.xml，在其中指定一些些连接hiveserver2的代理用户信息，不过目前发现不配置依然可以使用。如下：

<?xml version="1.0"?>
<?xml-stylesheet type="text/xsl" href="configuration.xsl"?>
<configuration>
<property>
  <name>beeline.hs2.connection.user</name>
  <value>hive</value>
</property>
<property>
  <name>beeline.hs2.connection.password</name>
  <value>hive</value>
</property>
</configuration>

一些错误

错误1 guava

初始化metastore schema是报错

Exception in thread "main" java.lang.NoSuchMethodError: com.google.common.base.Preconditions.checkArgument(ZLjava/lang/String;Ljava/lang/Object;)V

原因是hadoop路径share/hadoop/common/lib/下的guava包同hive的lib下的guava包版本不一致。

解决办法，删除hive的guava包，将hadoop的对应guava包拷贝过来

错误2，mysql驱动

[hive@master bin]$ ./schematool -dbType mysql -initSchema
SLF4J: Class path contains multiple SLF4J bindings.
SLF4J: Found binding in [jar:file:/opt/apache-hive-3.1.2-bin/lib/log4j-slf4j-impl-2.10.0.jar!/org/slf4j/impl/StaticLoggerBinder.class]
SLF4J: Found binding in [jar:file:/opt/hadoop-3.2.1/share/hadoop/common/lib/slf4j-log4j12-1.7.25.jar!/org/slf4j/impl/StaticLoggerBinder.class]
SLF4J: See http://www.slf4j.org/codes.html#multiple_bindings for an explanation.
SLF4J: Actual binding is of type [org.apache.logging.slf4j.Log4jLoggerFactory]
Metastore connection URL:	 jdbc:mysql://xxx.xx.xx.xx:3306/hive?createDatabaseIfNotExist=true
Metastore Connection Driver :	 com.mysql.jdbc.Driver
Metastore connection User:	 root
org.apache.hadoop.hive.metastore.HiveMetaException: Failed to load driver
Underlying cause: java.lang.ClassNotFoundException : com.mysql.jdbc.Driver
Use --verbose for detailed stacktrace.
*** schemaTool failed ***

问题原因，hive缺乏mysql的驱动

解决办法，下载一个mysql的驱动，安装到hive的lib下

错误3

当使用beeline客户端：beeline -u jdbc:hive2://master:10000链接，hiveserver2时，报以下错误

Error: Could not open client transport with JDBC Uri: jdbc:hive2://master:10000: Failed to open new session: java.lang.RuntimeException: org.apache.hadoop.ipc.RemoteException(org.apache.hadoop.security.authorize.AuthorizationException): User: hive is not allowed to impersonate anonymous (state=08S01,code=0)
Beeline version 3.1.2 by Apache Hive

我们是以hive用户，启动的hiveserver2。所以，所有客户端，无论以书面用户链接到hiveserver2，最终hiveserver2去访问hadoop集群时，都是以hive的用户去访问的。

但如果你没在hadoop中，做相关的配置，那hadoop默认是不允许hive这个用户作为其他用户的代理用户使用集群的，所以需要在hadoop的core-site.xml中，做以下配置

   <!--基础权限控制，允许来之master,slave1,slave2上的所有组的用户，以hive用户身份使用Hadoop集群，这里hive也是一个用户-->
	<property>
		<name>hadoop.proxyuser.hive.hosts</name>
		<value>master,slave1,slave2</value>
	</property>
	<property>
		<name>hadoop.proxyuser.hive.groups</name>
		<value>*</value>
	</property>
	<!--以下配置跟hadoop.proxyuser.hive.groups二选一，不用两个都配置。用于指定hadoop.proxyuser.hive.hosts机器上，具体哪些用户可以代理到hive上-->
	<property>
		 <name>hadoop.proxyuser.super.users</name>
		 <value>user1,user2</value>
   </property>

参考资料

https://cwiki.apache.org/confluence/display/Hive/GettingStarted
https://cwiki.apache.org/confluence/display/Hive/HCatalog+InstallHCat
https://stackoverflow.com/questions/22533814/what-is-use-of-hcatalog-in-hadoop
https://cwiki.apache.org/confluence/display/Hive/HiveServer2+Clients

欢迎关注我的个人公众号"西北偏北UP"，记录代码人生，行业思考，科技评论