hive详解

一、Hive简介

hive的设计就是让精通SQL技能但对编写传统MapReduce程序生疏的分析师，也能对hdfs中存储的大规模数据集运行查询。但是SQL并不适合开发复杂的机器学习算法，但对很多分析任务非常有用。

hive把SQL查询转换为一系列的在Hadoop集群上运行的MapReduce作业。

Hive把数据组织为表，将数据存储到HDFS中，并把元数据存储到名为metastore的数据库中。

Metastore默认运行在本地服务器上，此时hive表的定义存储在本地机器上，因此无法和其他用户共享这些定义。Hive的元数据也可以存储到关系型数据库中，这时hive就可以和其它用户共享这些定义。而且在后期开发中，我们还会接触到hcatelog组件，通过该组件我们能够实现hive与pig、MapReduce、stream开发过程中的元数据共享。

二、hive配置方式

1、全局级别配置：Hive的配置文件为---hive-site.xml，他在hive的conf目录下。这个目录中还包括hive-default.xml，记录着hive运行的选项和默认值。并且还可以通过两种方式，指定hive-site.xml配置文件的位置，分别是：①通过-config选项给hive重新定义hive查找hive-site.xml文件的目录：hive –config /usr/tom/dev/hive-conf；②也可以设置HIVE_CONF_DIR环境变量来指定配置文件目录。注意，这个是指定包含配置文件的目录，而不是配置文件hive-site.xml本身。

2、会话级别配置：Hive还允许通过hive指令为单个会话设置属性：hive –hiveconf ds.default.name=localhost –hiveconf mapred.job.tracker=localhost:8021。

3、会话内局部配置：Hive还可以在一个会话中使用set指令更改设置，这对于某个特定的查询修改hive或者mapReduce作业非常有用：hive> SET hive.enforce.bucketing=true

注意：Hive的设置属性有一个优先层次，如下：①hive set 命令；②命令行-hiveconf选项；③hive-site.xml；④hive-default.xml;⑤hadoop-site.xml;⑥hadoop-default.xml；

      4、hive日志配置

      通过对hive日志的配置，主要用来指定日志的输出级别和其他日志的相关设置。并且Hive的错误日志保存在【本地文件系统/tmp/$USER/hive.log中】。日志具体的配置方式如下：

①通过配置文件对日志配置，配置文件路径为：conf/hive-log4j.properties

②通过hive会话对日志配置，例如：hive –hiveconf hive.root.logger=DEBUG,console

三、hive服务简介

hive能够提供一系列服务，可通过hive命令指定运行那项服务。在运行hive命令时通过-service选项指定使用哪项服务。还可以键入hive –service help查看hive可用服务列表。默认情况下启动hive外壳环境（即cli服务）。下面分别介绍一下hive的服务：

     1、cli：hive的命令行接口（外壳环境）。这是默认的服务。

2、hiveserver：让hive可以提供Thrift服务的服务器形式运行，允许用不同语言编写的客户端进行访问。使用Thrift、JDBC和ODBC连接器的客户端需要运行hive服务器来和hive进行通讯。通过设置HIVE_PORT环境变量来指明服务器所监听的端口号（默认为10 000）

3、hwi：hive的web接口。

4、jar：与hadoopjar等价的hive的接口。这是运行类路径中同时包含hadoop和hive类的java应用程序的便捷方法。

5、metastore：默认情况下，metastore和hive服务运行在同一个进程里。使用这个服务，可以让metastore作为一个单独的进程运行。通过设置METASTORE_PORT环境变量可以指定服务器监听的端口号。

四、hive交互方式

1、hive外壳环境（cli）：

是我们和hive进行交互、发出hiveQL命令的主要方式。在启动hive客户端的时候，默认就是启动该服务。进入hive外壳环境的方式是，直接键入hive指令即可。

2、非交互模式运行hive外壳：

     ①使用-f选项可以运行指定文件中的指令：hive –f script.q

     ②对于短脚本可使用-e选项运行命令：hive –e ‘select * from test’；

3、编写相应程序与hive服务器交互：

如果以服务器方式运行hive（hive –service hiveserver），就可以编写多种程序以不同机制连接到服务器。hive客户端与服务之间的联系如下：

     ① Thrift客户端：简化了在多种编程语言中运行hive命令。Hive的thrift绑定支持C++、java、php、python和ruby。并且可以在hive安装目录的hive/lib下找到对应语言的Thrift绑定

     ②JDBC驱动：hive提供了纯java的jdbc驱动，在以jdbc:hive://host:port/dbname形式配置JDBCURI以后，java应用程序就可以在指定的主机和端口连接到在另一个进程中运行的hive服务器。

     ③ODBC驱动：hive的ODBC驱动允许支持ODBC协议的应用程序连接到hive。

4、hadoop监控管理页面交互

     在该模式下就是采用hive web interface与hive服务进行交互的。指令执行过程与hive cli下非常相似。

五、Metastore详解

Metastore是hive元数据的集中存放地，metastore包括两部分：服务和后台数据的存储。当前metastore支持多种形式，分别为：内嵌metastore、本地metastore、远程metastore。默认情况下是内嵌metastore。

1、内嵌metastore：meatstore服务和hive服务运行在同一个JVM中，包含一个内嵌的以本地磁盘作为存储的Derby数据库实例。内嵌metastore只使用一个内嵌derby数据库每次只能访问一个磁盘上的数据库文件，因此一次只能为每个metastore打开一个hive会话。如果开启第二个会话，当需要连接metastore时，就会报错。

2、本地metastore：Metastore服务仍然和hive服务运行在同一台机器上或在远程机器上，但是不在使用内嵌derby数据库，而是使用一个独立的数据库，能够支持多回话。并且任何JDBC兼容的数据库都可以通过设置供metastore使用。常用的是mysql数据库。

3、远程metastore：一个或多个metastore服务器和hive服务运行在不同的进程内，这样一来，数据库层可以完全配置于防火墙后，客户端则不需要数据库凭证（用户名和密码），从而提供更好的可管理性和安全。通过把hive.metastore.local设置为false,hive.metastore.uris设为metastore服务器URI,来把hive服务设置为远程metastore。

六、hive与传统数据库进行比较

hive在很多方面和传统数据库类似，但是它底层对HDFS和MapReduce的依赖意味着它的体系结构有别于传统数据库。

      1、读时模式vs写时模式

传统数据库：表的模式是在数据加载时强制确定的。如果加载数据时发现数据不符合模式，则拒绝加载数据。因为数据在写入数据库时对照模式进行检查。称为“写时模式”；

Hive数据仓储：hive对数据的验证并不在加载数据时进行，而在查询时进行。称为“读时模式”；

      2、更新、事务和索引

Hive不支持这些特性，hive被设计用MapReduce操作HDFS数据，采用“全表扫描”的操作，而表更新则是通过把数据变换后放入新表实现的。

Hbase和HDFS相比，有着不同的存储特性，例如更新和列索引，因此希望hive可以利用这些hbase的特性。Hbase和hive的集成还处于早期的开发阶段。

七、hive表介绍

CREATE [EXTERNAL] TABLE [IF NOT EXITSTS] table_name
(col_name data_type,…)
[PARTITIONED BY (col_name data_type,…)]
[CLUSTERED BY (col_name,col_name,…)]
[SORTED BY (col_name,col_name,..)]
[ROW FORMAT row_format]
[STORED AS file_format]
[LOCATION hdfs_path]
[AS select_statement]

1、hive表的组成：Hive表格逻辑上有存储在HDFS上的数据和存储在关系型数据库中的元数据组成。

2、EXTERNAL：Hive中的表分为两大类型---托管表和外部表。默认Hive采用托管表，即hive把数据移入“仓储目录（/usr/hive/warehouse/..）”，并在删除该表时元数据和数据都会被删除;而外部表就是让hive到仓储目录以外的位置访问数据，删除时只会删除掉元数据。使用EXTERNAL关键字后，hive就知道创建外部表。

注意：加载操作只是文件系统的文件移动，因此它的执行速度很快，但是即使是托管表，hive也并不会检查表目录中的文件是否符合为表所声明的模式，如有数据和模式不匹配，只有在查询时才会知道。

使用法则：如果所有处理都有Hive完成，应该使用托管表；但如果要用hive和其他工具来处理同一个数据集，应该使用外部表。普遍的用法是把存放在hdfs的原始数据集用作外部表使用，然后用hive的切换功能把数据移到托管的hive表。

3、data_type：hive支持原子和复杂数据类型，原子数据类型包括数值型、布尔型、字符串类型；复杂数据类型包括数组、映射和结构。

         基本数据类型：tinyint—1个字节；smallint—2个字节；int—4个字节；bigint—8个字节；

Float—4个字节；double—8个字节；boolean—true/false；string—字符串。

         复杂数据类型：Array—一组有序字段，字段的类型必须相同；Map—一组无序的键/值对。键的类型必须是原子的；值可以是任何类型，但同一个映射的键类型必须相同，值的类型也必须相同；Struct—一组命名的字段，字段类型可以不同。复杂数据类型允许任意层次的嵌套，但是复杂数据类型声明必须使用尖括号指明其中的数据字段类型。

         注：Hive只提供了一种存储文本的数据类型String，该类型是一个变长字符串，理论上最大可以存储2G字符数，但是存储那么大的值，效率会很低。Sqoop提供了大对象的支持。

         类型转换：①任何数据类型都能隐式转换为一个范围更广的类型。②采用cast操作显示进行数据类型转换。

4、PARTITIONED BY：Hive可以对表进行分区，根据“分区列”的值对表进行策略划分的机制。使用分区可以加快数据分片的查询速度。一个表可以以多个维度进行分区。

注：如果在创建表时使用分区，则在加载数据时，需要指定把数据加载到指定分区中。

5、CLUSTERED BY：hive可以对表或分区进一步分为“桶”。理由有2，第一个可获得更高的查询处理效率，例如连接两个在相同列上划分了桶的表，可以使用map端连接高效实现；第二个是取样更高效。（例如：create table user(id int,name string) CLUSTERED BY(id) INTO 4 BUCKETS）。

注：每个桶就是表目录里的一个文件，分桶的常用方式是把分桶字段进行hash处理，所得的哈希值除以桶数，将数据分布到对应的桶中。

6、ROW FORMAT和STORED AS：在创建hive表时，如果没有用这连个子句，那么hive所使用的默认格式分割文本，每行（line）存储一个数据行（row）。

默认的各行间的分隔符是换行符（\n）；

默认的行内分隔符不是制表符，而是ASCII控制码集合中的Control-A(它的ASCII码为1)；

默认的集合元素分隔符是字符Control-B，它用于分割ARRAY和STRUCT的元素或MAP的键值对；

默认的映射建（map key）分隔符是Control-C，它用于分割MAP的键和值。

默认情况下的建表语句为：

create table ….
Row format delimited
Fields terminared by ‘\001’
Collection items terminated by ‘\002’
map keys terminated by ‘\003’
lines teminated by ‘\n’
stored as textfile;

         注意：hive表中的数据存储在hdfs中，而且hdfs只支持utf8编码格式，所以我们在处理中文的过程中，最好将中文处理为utf8格式编码进行存储，查看起来也特别方便。

八、HQL简介

1、常用database操作指令：

     ①  查看表空间：show databases;

     ② 选择对应的表空间：use database_name;

③ 创建表空间：create database database_ame;

④删除表空间：这个比较复杂，如果要直接删除表空间下面的数据，执行：dfs –rm –r /user/hive/warehouse/database_name就可以；但是如果要删除元数据中database的定义，则首先需要删除database中的table，然后再执行drop database database_name才可以，否则会抛出异常。

2、常用table操作指令：

     ①  查看已有的表：show tables;

② 创建表：请查看第七部分hive表的介绍。

③ 查看表的字段信息：desc table_name;

④ 查看表的create语句：show create table table_name;

⑤ 查看分区：show partitions table_name;

3、表的常用操作：

     ① 加载数据：LOAD DATA [LOCAL] INPATH ‘/mfs/logs/warehouse/项目名/业务名/数据文件’ [OVERWRITE] INTO TABLE test;

这个操作是把本地文件加载到hive仓储目录中，但是并不解析文件或把文件存储为内部数据库格式。在hive中仓储目录（warehouse directory）是由选项hive.metastore.warehouse.dir控制，默认为/user/hive/warehouse.

LOCAL关键字：是加载本地文件到hive仓储中，即加载文件到hdfs中；如果没有该关键字，hive则认为把hdfs中已经存在的文件加载到hive对应的仓储目录中

OVERWRITE关键字：告诉hive删除表中对应目录中已有的所有文件；如果省去该关键字，hive就简单的把新的文件加入目录（除非目录下正好有同名的文件，否则将替换掉原有的同名文件）

     ② Insert overwrite table---表明目标表内的内容会被替换掉

     ③多表插入：from table_name insert overwrite table table_name1…. Insert overwrite table table_name2….

     ④Hive查询：SELECT year,MAX(temperature)

 FROM test

 WHERE temperature != 9999

 AND (quality = 0 OR quality = 1 OR quality = 4)

 GROUP BY year;

         注意：order by能够产生完全排序的结构，但是它通常只是一个reducer来做到的，所以对于大规模的数据集，效率非常低。很多情况下，并不需要结果是全局排序的，此时可以用hive的非标准扩展sort by，sort by 为每个reducer产生一个排序文件。

4、表的修改

    ①重命名表：alter table table_name1 rename to table_name2;

    ②添加新的列：alter table table_name add columns(col1 string);

5、删除表

    ① 删除表：drop table table_name1(外表只删除元数据)

    ② 只删除表的数据：dfs –rmr /usr/hive/warehouse/table_name1;

6、使用MapReduce脚本

    使用hadoop streaming，transform，map，reduce子句这样的方法，便可以在hive中调用外部脚本。例如：add file /*.py；from table_name1 select transform(year,temperature,quality) using ‘*.py’ as year,temperature;

7、连接

     ①内连接：select table_name1.*,table_name2.* from table_name1 join table_name2 on(table_name1.col1 = table_name2.col3)

     ②查看连接中MapReduce作业实现：EXPLAIN select …. From …join ….on();

     ③外连接：select sales.*,things.* from sales left outer join things on (sales.id = things.id)

注：hive还支持右链接和全连接。

     ④半连接：由于hive不支持in子查询，但可以用left semi join来达到同样的效果—select * from things left semi join sales on(sales.id=things.id)等价于select * from things where things.id in (select id from sales).

     注：left semi join 查询时必须遵循一个限制：右表（sales）只能在on子句中出现。

     ⑤Map连接：如果有一个连接表小到足以放入内存，hive就可以把较小的表放入每个mapper的内存来执行连接操作。如果要指定使用map连接，需要在sql中使用c语言风格的注释：select /*+ mapjoin（things）*/ sales.*,things.* from sales join things on (sales.id=things.id)

注：执行这个查询不使用reducer，因此这个查询对right或full outer join无效。

     ⑥子查询：hive对子查询支持有限，它只允许子查询出现在select语句的from子句中。

8、视图

     在hive中，创建视图时并不把视图“物化”存储到磁盘上。相反，视图的select语句只是在执行引用视图的语句时才执行。

九、访问hiveserver实例

     在hiveserver中，当前已经出现两个版本，分别是hiveserver和hiveserver2.其中hiveserver2新增加了权限管理和多进程进行。针对这两个版本，他们对应的客户端client程序不在相同，需要注意。

     1、hiveserver python client实例：

#!/usr/bin/python2.7
#hive --service hiveserver >/dev/null 2>/dev/null&
#/usr/lib/hive/lib/py
import sys
from hive_service import ThriftHive
from hive_service.ttypes import HiveServerException
from thrift import Thrift
from thrift.transport import TSocket
from thrift.transport import TTransport
from thrift.protocol import TBinaryProtocol
 
def hiveExe(sql):
    try:
        transport = TSocket.TSocket('10.6.219.214', 10000)
        transport = TTransport.TBufferedTransport(transport)
        protocol = TBinaryProtocol.TBinaryProtocol(transport)
        client = ThriftHive.Client(protocol)
        transport.open()
 
        client.execute(sql)
 
        print"The return value is : "
        print client.fetchAll()
        print"............"
        transport.close()
    except Thrift.TException, tx:
        print'%s' % (tx.message)
 
if __name__ == '__main__':
    #alter table startevent add if not exists partition(dateline=20131231)
    hiveExe("select * from yidong.startevent")
2、  hiveserver2 python client 实例
#!/usr/bin/python2.7
#hive --service hiveserver2 >/dev/null 2>/dev/null&
#install pyhs2,first install cyrus-sasl-devel,gcc,libxml2-devel,libxslt-devel
#hiveserver2 is different from hiveserver on authority
 
import pyhs2
 
conn = pyhs2.connect(host='10.6.219.215',port=10000,authMechanism="PLAIN", user='hive', password='', database='yidong')
cur = conn.cursor()
cur.execute("select * from startevent limit 10")
for i in cur.fetch():
        print i
cur.close()
 
conn.close()