离线数据系统之Hive原理及部署

一、Hive基本概念

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数据库表，并提供类SQL查询功能。

1.1、Hive的特点

1. 可扩展 -- Hive可以自由的扩展集群的规模，一般情况下不需要重启服务。
2. 延展性 -- 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。
3. 容错 -- 良好的容错性，节点出现问题SQL仍可完成执行。

1.2、 Hive架构

Jobtracker是hadoop1.x中的组件，它的功能相当于： Resourcemanager+AppMaster

TaskTracker 相当于：  Nodemanager  +  yarnchild

基本组成

• 用户接口：包括 CLI、JDBC/ODBC、WebGUI。
• 元数据存储：通常是存储在关系数据库如 mysql , derby中。
• 解释器、编译器、优化器、执行器。

各组件的基本功能

• 用户接口主要由三个：CLI、JDBC/ODBC和WebGUI。其中，CLI为shell命令行（最常用），CLI启动的时候，会同时启动一个Hive副本。JDBC/ODBC是Hive的JAVA的客户端实现，与传统数据库JDBC类似；做为Hive的客户端，用户连接至Hive Server；在启动 Client模式的时候，需要指出Hive Server所在节点，并且在该节点启动Hive Server。 WebGUI是通过浏览器访问Hive。
• 元数据存储：Hive将元数据存储在数据库中，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。
• 解释器、编译器、优化器完成 HQL 查询语句从词法分析、语法分析、编译、优化以及查询计划的生成。生成的查询计划存储在 HDFS 中，并在随后有 MapReduce 调用执行。
• Hive的数据存储在HDFS中，大部分的查询、计算由MapReduce完成（包含*的查询，比如select * from tbl不会生成MapRedcue任务）。作为数据仓库，不支持对数据的增删改，只支持查询。

二、Hive原理

2.1、Hive与Hadoop的关系

Hive利用HDFS存储数据，利用MapReduce查询数据

运行原理：

1. 编译器将一个Hive SQL转换操作符Operator
2. 操作符Operator是Hive的最小的处理单元
3. 每个操作符代表HDFS的一个操作或者一道MapReduce作业

Operator 操作符：

1. Operator都是hive定义的一个处理过程
2. Operator都定义有:                                                                                                                                                        protected List > childOperators;                                                                                protected List > parentOperators;                                                                              protected boolean done; // 初始化值为false

2.2、Hive与传统数据库对比

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。
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。

3. 数据格式。Hive 中没有定义专门的数据格式，数据格式可以由用户指定，用户定义数据格式需要指定三个属性：列分隔符（通常为空格、”\t”、”\x001″）、行分隔符（”\n”）以及读取文件数据的方法（Hive 中默认有三个文件格式 TextFile，SequenceFile 以及 RCFile）。由于在加载数据的过程中，不需要从用户数据格式到 Hive 定义的数据格式的转换，因此，Hive 在加载的过程中不会对数据本身进行任何修改，而只是将数据内容复制或者移动到相应的 HDFS 目录中。而在数据库中，不同的数据库有不同的存储引擎，定义了自己的数据格式。所有数据都会按照一定的组织存储，因此，数据库加载数据的过程会比较耗时。

4. 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中确定好的。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。
5. 索引。之前已经说过，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。
6. 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。
7. 执行延迟。之前提到，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。
8. 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（世界上最大的 Hadoop 集群在 Yahoo!，2009年的规模在 4000 台节点左右）。而数据库由于 ACID 语义的严格限制，扩展行非常有限。目前最先进的并行数据库 Oracle 在理论上的扩展能力也只有 100 台左右。
9. 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。

总结：hive具有sql数据库的外表，但应用场景完全不同，hive只适合用来做批量数据统计分析

2.3、Hive的数据存储

1、Hive中的数据都存储在 HDFS 中，没有专门的数据存储格式（可支持Text ，SequenceFile，ParquetFile，RCFILE等）

2、只需要在创建表的时候告诉 Hive 数据中的列分隔符和行分隔符，Hive 就可以解析数据。

3、Hive 中包含以下数据模型：DB、Table，External Table，Partition，Bucket。

• db：在hdfs中表现为${hive.metastore.warehouse.dir}目录下一个文件夹
• table：在hdfs中表现所属db目录下一个文件夹
• external table：与table类似，不过其数据存放位置可以在任意指定路径
• partition：在hdfs中表现为table目录下的子目录
• bucket：在hdfs中表现为同一个表目录下根据hash散列之后的多个文件

4、ANTLR词法语法分析工具解析hql ：https://baike.baidu.com/item/antlr/9368750?fr=aladdin

三、HIVE的安装部署

Hive官网上介绍了Hive的3种安装方式，分别对应不同的应用场景。（按照元数据存储方式）

3.1、内嵌模式

元数据保存在内嵌的derby种，允许一个会话链接，尝试多个会话链接时会报错，一般用于Unit Test

这种方式是最简单的存储方式，只需要在hive-site.xml做如下配置便可

  
   
  
  
  javax.jdo.option.ConnectionURL  
  jdbc:derby:;databaseName=metastore_db;create=true  
    
  
  javax.jdo.option.ConnectionDriverName  
  org.apache.derby.jdbc.EmbeddedDriver  
     
  
  hive.metastore.local  
  true  
  
  
  hive.metastore.warehouse.dir  
  /user/hive/warehouse  
  
  

3.2、本地模式

多用户的模式，使用MySQL来存储元数据。连接之前无需知道数据库的密码。这种方式一般作为公司内部同时使用Hive。

配置环境变量：

1. 修改~/share/hadoop/yarn/lib/jline-0.9.94.jar目录下的jline-*.jar 变成$HIVE_HOME\lib下的jline-2.12.jar。
2. 拷贝mysql驱动包到$HIVE_HOME\lib目录下
3. 修改hive-site.xml文件

 
    
	  hive.metastore.warehouse.dir
	  /usr/hive_remote/warehouse
	
    
	  javax.jdo.option.ConnectionURL
	  jdbc:mysql://node02/hive_remote?createDatabaseIfNotExist=true
	
	
	  javax.jdo.option.ConnectionDriverName
	  com.mysql.jdbc.Driver
	
	
	  javax.jdo.option.ConnectionUserName
	  root
	
	
	  javax.jdo.option.ConnectionPassword
	  123
	
  

本地元存储和远程元存储的区别：本地元存储不需要单独起metastore服务，用的是跟hive在同一个进程里的metastore服务。远程元存储需要单独起metastore服务，然后每个客户端都在配置文件里配置连接到该metastore服务。远程元存储的metastore服务和hive运行在不同的进程里。

3.3、远程模式，即server模式

这种模式需要使用hive安装目录下提供的beeline+hiveserver2配合使用才可以。

其原理就是将metadata作为一个单独的服务进行启动。各种客户端通过beeline来连接，连接之前无需知道数据库的密码。

将hive-site.xml配置文件拆为如下两部分

         1）、服务端配置文件

  
  
  hive.metastore.warehouse.dir  
  /user/hive/warehouse  
  
  
  javax.jdo.option.ConnectionURL  
  jdbc:mysql://192.168.57.6:3306/hive?createDatabaseIfNotExist=true  
  
  
  javax.jdo.option.ConnectionDriverName  
  com.mysql.jdbc.Driver  
     
  
  javax.jdo.option.ConnectionUserName  
  root  
  
  
  javax.jdo.option.ConnectionPassword  
  123456  
  
  

         2）、客户端配置文件

  
  
  hive.metastore.warehouse.dir  
  /user/hive/warehouse  
  
  
  hive.metastore.local  
  false  
  
  
  hive.metastore.uris  
  thrift://192.168.57.5:9083  
  
  

启动hive服务端程序： hive --service metastore   (或者 hive --service metastore 2>&1 >> /dev/null & )

客户端直接使用hive命令即可

root@my188:~$ hive   
Hive history file=/tmp/root/hive_job_log_root_201301301416_955801255.txt  
hive> show tables;  
OK  
test_hive  
Time taken: 0.736 seconds  
hive> 

客户端启动的时候要注意：[ERROR] Terminal initialization failed; falling back to unsupportedjava.lang.IncompatibleClassChangeError: Found class jline.Terminal, but interface was expected at jline.TerminalFactory.create(TerminalFactory.java:101)错误的原因： Hadoop jline版本和hive的jline不一致

四、使用方式

4.1、本地metastore，直接通过hive命令启动

• 使用以下命令开启：$HIVE_HOME/bin/hive
• hive命令默认是启动client服务，相当于以下命令：$HIVE_HOME/bin/hive --service cli
• 也可以不进入命令行，直接执行脚本文件：hive  -e  ‘sql’

不需要启动server，使用本地的metastore，可以直接做一些简单的数据操作和测试。

4.3、使用远程的metastore

metastore可以和hive客户端不在一个机器上。

• 服务器1启动metastore服务（端口号默认9083）：  $HIVE_HOME/bin/hive --service metastore
• 也可以通过-p指定端口号：$HIVE_HOME/bin/hive --service metastore -p 9088
• 服务器2直接启动cli即可：$HIVE_HOME/bin/hive

同样不需要启动server，只需要启动元数据服务，即可使用远程的metastore

4.4、使用Hive thrift服务

远端启动方式，（假如是在服务器1上）：

• 启动为前台：bin/hiveserver2
• 启动为后台：nohup bin/hiveserver2 1>/var/log/hiveserver.log 2>/var/log/hiveserver.err &
• 启动成功后，可以在别的节点上用beeline去连接

方式（1）-- hive/bin/beeline  回车，进入beeline的命令界面

输入命令连接hiveserver2： beeline> !connect jdbc:hive2//mini1:10000

（mini1是hiveserver2所启动的那台服务器1，端口默认是10000）

方式（2）-- 或者启动就连接：bin/beeline -u jdbc:hive2://mini1:10000 -n hadoop

扩展：以前Hive Cli 服务器是HiveServer，而beeline Cli服务器是HiveServer2。HiveServer不能处理多个客户端的并发请求，所以产生了HiveServer2。但是，从hive1.0.0开始，HiveServer已经不存在了，从Hive代码中删除了，Hive Cli 也使用的是HiveServer2了，这对用户来说是透明的。（Hive社区一直建议使用Beeline + HiveServer2配置，由于Hive CLI的广泛使用，所以Hive CLI的实现已被替换）

方式（3）--  使用客户端软件$HIVE_HOME/bin/hive --service hiveserver2

4.5、启动hiveWebInterface，通过网页访问hive

hive提供网页GUI来访问Hive数据仓库 ，可以通过以下命令启动hwi，默认端口号9999

$HIVE_HOME/bin/hive --service hwi

从Hive 2.2.0开始不再支持hwi，故此处不再赘述。

4.6、cli和beeline区别

hiveserver2 也可以用来访问元数据的，他和metastoreServer是访问元数据的二种不同服务。

1. cli是通过metaServer访问元数据的：$HIVE_HOME/bin/hive --service metastore
2. beeline是通过hiverserver2访问元数据的：$HIVE_HOME/bin/hive --service hiveserver2