Hive学习笔记一

目录

• 一、Hive基本概念
  • 1.1 什么是Hive
  • 1.2 Hive的优缺点
  • 1.3 Hive结构原理
  • 1.4 Hive和数据库比较
• 二、Hive安装
  • 2.1 Hive安装地址
  • 2.2 Hive安装部署
  • 2.3 Hive基本操作
  • 2.4 MySql安装
  • 2.5 Hive元数据配置到MySql

一、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/SQL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 Hive的优缺点

• 1.2.1 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。

• 1.2.2 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。

  2）Hive的效率比较低
  （1）Hive自动生成的MapReduce作业，通常情况下不够智能化。
  （2）Hive调优比较困难，粒度较粗。

1.3 Hive结构原理

  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。

• 用户接口：Client
    CLI（hive shell）、JDBC/ODBC(java访问hive)、WEBUI（浏览器访问hive）

• 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

• Hadoop
    使用HDFS进行存储，使用MapReduce进行计算。

• 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。

• 1.4.1 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。

• 1.4.2 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。

• 1.4.3 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。

• 1.4.4 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。

• 1.4.5 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。

• 1.4.6 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。

• 1.4.7 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。

• 1.4.8 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。

二、Hive安装

2.1 Hive安装地址

• Hive官网地址：

http://hive.apache.org/

• Hive文档查看地址：

https://cwiki.apache.org/confluence/display/Hive/GettingStarted

• Hive下载地址：

http://archive.apache.org/dist/hive/

• Hive的github地址：

https://github.com/apache/hive

2.2 Hive安装部署

• 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

[itstar@bigdata111 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

[itstar@bigdata111 module]$ 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

[itstar@bigdata111 conf]$ mv hive-env.sh.template hive-env.sh

5）配置hive-env.sh文件

//1、配置HADOOP_HOME路径
export HADOOP_HOME=/opt/module/hadoop-2.8.4

//2、配置HIVE_CONF_DIR路径
export HIVE_CONF_DIR=/opt/module/hive/conf

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

//3、修改hive的log存放日志到/opt/module/hive/logs

//4、修改conf/hive-log4j.properties.template文件名称为hive-log4j.properties
[itstar@bigdata111conf]$ pwd
/opt/module/hive/conf
[itstar@bigdata111conf]$ mv hive-log4j.properties.template hive-log4j.properties

//5、在hive-log4j.properties文件中修改log存放位置
hive.log.dir=/opt/module/hive/logs

• Hadoop集群配置

1）必须启动hdfs和yarn

[itstar@bigdata111hadoop-2.8.4]$ sbin/start-dfs.sh
[itstar@bigdata112 hadoop-2.8.4]$ 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

[itstar@bigdata111hadoop-2.8.4]$ bin/hadoop fs -mkdir /tmp
[itstar@bigdata111hadoop-2.8.4]$ bin/hadoop fs -mkdir /user/hive/warehouse

[itstar@bigdata111hadoop-2.8.4]$ bin/hadoop fs -chmod g+w /tmp
[itstar@bigdata111hadoop-2.8.4]$ bin/hadoop fs -chmod g+w /user/hive/warehouse

2.3 Hive基本操作

1）启动hive

[itstar@bigdata111hive]$ 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(1001,"ss1");

9）查询表中数据

hive> select * from student;

10）退出hive

hive> quit;

2.4 MySql安装

安装教程链接：

2.5 Hive元数据配置到MySql

• 2.5.1 驱动拷贝

1）上传mysql-connector-java-5.1.27-bin.jar到/opt/module/hive/lib/

[root@bigdata111mysql-connector-java-5.1.27]# cp mysql-connector-java-5.1.27-bin.jar /opt/module/hive/lib/

• 2.5.2 配置Metastore到MySql

1）在/opt/module/hive/conf目录下创建一个hive-site.xml

[itstar@bigdata111conf]$ touch hive-site.xml
[itstar@bigdata111conf]$ vi 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://bigdata111:3306/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>

3）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）

4）在hive的bin目录下执行./schematool -dbType mysql -initSchema
元数据修改成功！