本文为官方文档译文。仅限交流使用。
系列目录
概述
使用 Presto 查询Hive中的数据恐怕是最常用的了。Hive 连接器就允许查询在 Hive 数据仓库中的数据。Hive 由下面三个组件组成:
- 存储在 HDFS 或者 Amazon S3 中的各种各样格式的数据文件。
- 用于映射模式与表的元数据。这些元数据被存储在一个数据库中,比如 MySQL, 并且可以用过 Hive 的元数据服务尽情存取。
- 叫做 HiveQL 的查询语言。
Presto 仅仅使用前两个组件:数据与元数据。而不使用 HiveSQL 或者 Hive 的任何执行环境。
支持的文件格式
现在(0.183)的 Hive 连接器支持的文件格式如下:
- ORC
- Parquet
- Avro
- RCFile
- SequenceFile
- JSON
- Text
配置
Hive 连接器支持 Apache Hadoop 2.x 与从其衍生出来的平台,比如 CDH 5 与 Hortonworks。
在 etc/catalog/hive.properties
中配置如下内容来挂载 hive-hadoop2
连接器作为 hive
catalog。其中的 hive.metastore.uri
就是指定 Hive 元数据的地址,请很据实际情况修改。
connector.name=hive-hadoop2
hive.metastore.uri=thrift://example.net:9083
多个 Hive 集群
如果你需要更多的 catalogs,你可以再次在 etc/catalog 添加另一个 Hive 连接器的相关配置文件,且配置文件的的名字要与其他不同。
HDFS 配置
在最基础的设置中,Presto 会自动配置 HDFS 的客户端,不需要任何的配置文件。但是在一些情况下,比如使用同盟 HDFS 或者 NameNode 高可用,为了能够正常存取 HDFS 集群,就需要另外配置 HDFS 客户端选项。为了达到目的,就需要设置 hive.config.resources
属性来引用你的 HDFS 配置文件:
hive.config.resources=/etc/hadoop/conf/core-site.xml,/etc/hadoop/conf/hdfs-site.xml
最好只在需要配置文件的时候才进行配置,并且尽量精简配置文件中中的属性,额外的属性可能会造成问题。
而且在所有的 Presto 节点中都要存在该配置文件。如果你直接引用的 hadoop 的配置文件,别忘了将配置文件拷贝到没有 Hadoop 存在的节点上。
HDFS 用户名
如果 HDFS 没有使用 Kerberos, Presto进程将会使用系统用户来存取 HDFS。你可以通过配置 JVM 系统属性 HADOOP_USER_NAME
来指定用户名。比如当前使用 hdfs_user 作为存取 HDFS 的用户名:
-DHADOOP_USER_NAME=hdfs_user
Presto 中的数据类型转换
- varchar 可以和 tinyint, smallint, integer, bigint 互相转换。
- real 可以转成 double。(real 是什么)
- 整型的可以扩大范围转换,比如 tinyint 转 smallint。
如果类型转换失败,就会返回 null。
一些例子
一般的查询语法与 HiveQL 都是相同的,下面介绍些操作模式(数据库)与表的例子。
创建一个名叫 web 的模式(数据库),并存储在 S3 中:
CREATE SCHEMA hive.web
WITH (location = 's3://my-bucket/')
在 web 中创建一个名叫page_views 的表,使用 ORC 的格式进行存储;添加分区 ds, country;使用 user_id 进行分桶,且数目为 50 个。
CREATE TABLE hive.web.page_views (
view_time timestamp,
user_id bigint,
page_url varchar,
ds date,
country varchar
)
WITH (
format = 'ORC',
partitioned_by = ARRAY['ds', 'country'],
bucketed_by = ARRAY['user_id'],
bucket_count = 50
)
删除一个分区中的数据:
DELETE FROM hive.web.page_views
WHERE ds = DATE '2016-08-09'
AND country = 'US'
创建一个外部表,名叫 request_logs
:
CREATE TABLE hive.web.request_logs (
request_time timestamp,
url varchar,
ip varchar,
user_agent varchar
)
WITH (
format = 'TEXTFILE',
external_location = 's3://my-bucket/data/logs/'
)
删除这个外部表,且只会删除元数据,不会删除表的数据。
DROP TABLE hive.web.request_logs
删除一整个模式:
DROP SCHEMA hive.web
Hive 连接器的限制
Delete 仅仅在 where 语句中指定的是分区字段的时候才可用。
End!!