Hive学习笔记

一、什么是Hive

Hive 是建立在Hadoop上的数据仓库基础构架。它提供了一系列的工具，可以用来进行数据提取转化加载（ETL ），这是一种可以存储、查询和分析存储在 Hadoop 中的大规模数据的机制。Hive 定义了简单的类SQL查询语言，称为 HQL，它允许熟悉SQL的用户查询数据。同时，这个语言也允许熟悉 MapReduce 开发者的开发自定义的 mapper 和 reducer 来处理内建的 mapper 和 reducer 无法完成的复杂的分析工作。

Hive在hadoop生态圈中属于数据仓库的角色。他能够管理**hadoop中的数据，同时可以查询**hadoop中的数据。

本质上讲，hive是一个SQL解析引擎。Hive可以把SQL查询转换为MapReduce中的job，然后在Hadoop上运行。

hive有一套映射工具，可以把SQL转换为MapReduce中的job，可以把SQL中的表、字段转换为HDFS中的文件(夹)以及文件中的列,按表名把文件夹分开,如果是分区表，则分区值是子文件夹，可以直接在M/R Job里使用这些数据。这套映射工具称之为metastore，一般存放在derby、mysql中。

hive**存储目录在hdfs中的默认位置**是/user/hive/warehouse，是由配置文件hive-site.xml中属性hive.metastore.warehouse.dir决定的。

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

二、为什么选择Hive？

基于Hadoop的大数据的计算/扩展能力
支持SQL like查询语言
统一的元数据管理
简单编程

三、Hive的系统架构

用户接口：包括 CLI，JDBC/ODBC，WebUI
CLI 即Shell命令行。
JDBC/ODBC 是 Hive 的Java实现接口，与使用传统数据库JDBC的方式类似。
WebGUI是通过浏览器访问 Hive。

元数据存储：通常是存储在关系数据库中，如mysql, derby 。
Hive 中的元数据包括表的名字，表的列和分区及其属性，表的属性（是否为外部表等），表的数据所在目录等。

驱动：解释器、编译器、优化器、执行器
解释器、编译器、优化器完成 HQL 查询语句从词法分析、编译、优化以及查询计划（plan）的生成。生成的查询计划存储在 HDFS 中，并在随后由 MapReduce 调用执行。
Hive 的数据存储在 HDFS 中，大部分的查询由 MapReduce 完成。
（包含 * 的查询，比如 select * from table 不会生成 MapRedcue 任务）

Hadoop：用 HDFS 进行存储，利用 MapReduce 进行计算

四、Hive的安装

1、解压缩、重命名、设置环境变量

vi /etc/profile

export HIVE_HOME=/usr/local/hive
export PATH=.:$HADOOP_HOME/bin:$HIVE_HOME/bin:$PIG_HOME/bin:$ZOOKEEPER_HOME/bin:$HBASE_HOME/bin:$JAVA_HOME/bin:$PATH

source  /etc/profile

2、在目录HIVE_HOME/conf/下，执行命令 mv hive-default.xml.template hive-site.xml 重命名

在目录HIVE_HOME/conf/下，执行命令 mv hive-env.sh.template hive-env.sh 重命名

3、修改hadoop的配置文件hadoop-env.sh，修改内容如下：

 export HADOOP_CLASSPATH=.:$CLASSPATH:$HADOOP_CLASSPATH:$HADOOP_HOME/bin

4、在目录$HIVE_HOME/bin下面，修改文件hive-config.sh，增加以下内容：

export JAVA_HOME=/usr/local/jdk
export HIVE_HOME=/usr/local/hive
export HADOOP_HOME=/usr/local/hadoop

执行命名：hive， 进入hive命令行。

查询数据库

show databases;

使用数据库

use default; 

查询表

show tables;

创建表

create table t1(id string);

查找数据

select * from t1;

退出

quit;

五、Hive的metastore

metastore是hive元数据的集中存放地。metastore**默认使用内嵌的derby数据库作为存储引擎**。
Derby引擎的缺点：derby 数据库在哪里运行就会在哪里创建，并且derby不支持共享读，只能有一个客服端打开，derby是独占式的。

使用Mysql作为外置存储引擎，可以多用户同时访问 。

修改hive的存储路径（可选，这里为了方便）

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

六、安装mysql

1、查看是否安装了mysql版本

[root@liguodong Documents]# rpm -qa | grep mysql

mysql-libs-5.1.66-2.el6_3.i686

2、删除linux上已经安装的mysql相关库信息。（–nodeps 忽略软件包的依赖关系强行执行）
rpm -e mysql-libs-5.1.66-2.el6_3.i686 --nodeps

执行命令rpm -qa | grep mysql 检查是否删除干净。

3、执行命令 rpm -i MySQL-server-5.5.31-2.el6.i686.rpm安装mysql服务端。

4、启动mysql 服务端，执行命令 mysqld_safe &

5、执行命令 rpm -i MySQL-client-5.5.31-2.el6.i686.rpm 安装mysql客户端。

6、执行命令mysql_secure_installation设置root用户密码。
默认密码为空。

Enter current password for root (enter for none):
OK, successfully used password, moving on...
Set root password? [Y/n] Y
Remove anonymous users? [Y/n] n
Disallow root login remotely? [Y/n] n
Remove test database and access to it? [Y/n] n
Reload privilege tables now? [Y/n] Y

进入mysql命令行

[root@liguodong Documents]# mysql -uroot -phadoop

七、使用mysql作为hive的metastore(默认是derby)

1、把mysql的jdbc驱动放置到hive的lib目录下

cp mysql-connector-java-5.1.10.jar /usr/local/hive/lib/

2、修改hive-site.xml文件，修改内容如下：
//属性值里面不允许为空，不然找不到。。。
javax.jdo.option.ConnectionURL：JDBC连接字符串，默认jdbc:derby:;databaseName=metastore_db;create=true；

<property>
        <name>javax.jdo.option.ConnectionURL</name>
        <value>jdbc:mysql://liguodong:3306/hive?createDatabaseIfNotExist=true</value>
    </property>
    <property>
        <name>javax.jdo.option.ConnectionDriverName</name>
        <value>com.mysql.jdbc.Driver</value>
    </property>

用户：

<property>
    <name>javax.jdo.option.ConnectionUserName</name>
    <value>root</value>
</property>

密码：

<property>
    <name>javax.jdo.option.ConnectionPassword</name>
    <value>hadoop</value>
</property>

3、授权远程登录用户root,密码hadoop

mysql> grant all on hive.* to 'root'@'%' identified by 'hadoop';

4、刷新
mysql> flush privileges;

八、基本操作

进入hive命令行

1、内部表
每一个 Table 在 Hive 中都有一个相应的目录存储数据。
例如，一个表 test，它在 HDFS 中的路径为：/hive/test。
warehouse是在 hive-site.xml 中由 ${hive.metastore.warehouse.dir} 指定的数据仓库的目录。
所有的 Table 数据（不包括 External Table）都保存在这个目录中。
删除表时，元数据与数据都会被删除。

hive> CREATE TABLE t1(id int);

hive> show tables;

加载数据

[root@liguodong usr]# mkdir documents
[root@liguodong usr]# cd documents/
[root@liguodong documents]# vi id
[root@liguodong documents]# more id
1
2
3
4
5

hive> LOAD DATA LOCAL INPATH '/usr/documents/id' INTO TABLE t1;

hive> select * from t1;

也可以使用put方式上传数据

hive> CREATE TABLE t2(id int, name string) ROW FORMAT DELIMITED FIELDS TERMINATED BY '\t';

[root@liguodong documents]# vi stu
[root@liguodong documents]# more stu
1   dsad
2   fdsf
3   dfsff
4   fdsfdd
5   dsf
[root@liguodong documents]# hadoop fs -put stu /hive/t2

查看数据
hive> select * from t2;

删除表
drop table t2;

2、分区表
Partition 对应于数据库的 Partition 列的密集索引。
在 Hive 中，表中的一个 Partition 对应于表下的一个目录，所有的 Partition 的数据都存储在对应的目录中。

例如：test表中包含 date 和 city 两个 Partition，
则对应于date=20130201,city=bj的HDFS子目录为：
/warehouse/test/date=20130201/city=bj
对应于date=20130202, city=sh 的HDFS 子目录为；
/warehouse/test/date=20130202/city=sh

CREATE TABLE tmp_table #表名
(
title   string, #字段名称 字段类型
minimum_bid     double,
quantity        bigint,
have_invoice    bigint
)
COMMENT '注释：XXX' #表注释
PARTITIONED BY(pt STRING) #分区表字段（如果你文件非常之大的话，采用分区表可以快过滤出按分区字段划分的数据）
ROW FORMAT DELIMITED 
FIELDS TERMINATED BY '\001' #字段是用什么分割开的
STORED AS SEQUENCEFILE; #用哪种方式存储数据，SEQUENCEFILE是hadoop自带的文件压缩格式

创建表

create table partition_table(rectime string,msisdn string) partitioned by(daytime string,city string) row format delimited fields terminated by '\t' stored as TEXTFILE;

加载数据

load data local inpath '/home/partition_table.dat' into table partition_table partition (daytime='2013-02-01',city='bj');

相关命令

SHOW TABLES; # 查看所有的表
SHOW TABLES '*TMP*'; #支持模糊查询
SHOW PARTITIONS TMP_TABLE; #查看表有哪些分区
DESCRIBE TMP_TABLE; #查看表结构

eg:

hive> CREATE TABLE t3(id int) PARTITIONED BY (day int);

hive> LOAD DATA LOCAL INPATH '/usr/documents/id' INTO TABLE t3 PARTITION (day='22');
Copying data from file:/usr/documents/id
Copying file: file:/usr/documents/id
Loading data to table default.t3 partition (day=22)
OK

hive> LOAD DATA LOCAL INPATH '/usr/documents/id' INTO TABLE t3 PARTITION (day='23');

hive> select * from t3 where day=22;
OK
1       22
2       22
3       22
4       22
5       22

hive> select * from t3 where id=1;
OK
1       22
1       23

3、桶表
桶表是对数据进行哈希取值，然后放到不同文件中存储。
数据加载到桶表时，会对字段取hash值，然后与桶的数量取模。把数据放到对应的文件中。
优点：1、加快表链接的速度；2、抽样统计。

eg：

create table t4(id int) clustered by(id) into 4 buckets;
set hive.enforce.bucketing = true;
insert into table t4 select id from t3;

抽样查询
select * from t4 tablesample(bucket 1 out of 4 on id);

4、外部表
指已经在 HDFS 中存在的数据，可以创建 Partition，
它和 内部表 在元数据的组织上是相同的，而实际数据的存储则有较大的差异。
内部表的创建过程和数据加载过程（这两个过程可以在同一个语句中完成），在加载数据的过程中，实际数据会被移动到数据仓库目录中；之后对数据的访问将会直接在数据仓库目录中完成。删除表时，表中的数据和元数据将会被同时删除。

外部表只有一个过程，加载数据和创建表同时完成，并不会移动到数据仓库目录中，只是与外部数据建立一个链接。当删除一个外部表时，仅删除该链接。

eg:
上传数据到hdfs中
[root@liguodong documents]# hadoop fs -put id /external/id

create external table t5(id int) location '/external';   

//删除表
drop table t5;

如果需要eclipse操作 ，命令行进行hive远程服务启动。

[root@liguodong documents]# hive --service hiveserver >/dev/null 2>/dev/null &
[1] 3484

查看具体函数的用法

descripbe function pi;

select sum(id) from t1;

视图的创建

CREATE VIEW v1 AS select * from t1;

表的修改

alter table target_tab add columns (cols,string)

九、Java客户端

Hive远程服务启动#hive –service hiveserver >/dev/null 2>/dev/null &

import java.sql.DriverManager;
import java.sql.ResultSet;
import java.sql.SQLException;
import java.sql.Statement;

public class hiveApp {
    public static void main(String[] args) throws SQLException, ClassNotFoundException {
        Class.forName("org.apache.hadoop.hive.jdbc.HiveDriver");
        Connection con = DriverManager.getConnection("jdbc:hive://liguodong:10000/default", "", "");
        Statement stmt = con.createStatement();
        String querySQL="SELECT * FROM default.t1";

        ResultSet res = stmt.executeQuery(querySQL); 

        while (res.next()) {
            System.out.println(res.getInt(1));
        }

    }
}

原文链接：https://blog.csdn.net/scgaliguodong123_/article/details/44926033

本站声明:网站内容来源于网络,如有侵权,请联系我们,我们将及时处理。