Hive简介
Hive基本概念
是一个基于hadoop的数据仓库工具，可以将结构化数据映射成一张数据表，并提供类SQL的查询功能。
Hive的意义是什么
背景：hadoop是个好东西，但是学习难度大，成本高，坡度陡。
意义（目的）：降低程序员使用hadoop的难度。降低学习成本。
Hive可以对数据进行存储与计算
存储使用HDFS存储
计算使用MapReduce进行计算。
Hive的特性
1、扩展性 ： Hive的扩展性与集群的扩展性相同
2、延展性：Hive支持用户自定义函数，编写符合自己业务需求的函数。
3、容错性：节点出现问题（宕机/断电）SQL仍可完成执行。
Hive缺点
每次的执行开销较大，任务运行时间较长，延时较高。
Hive的内部组成架构
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-uFnCeRc9-1574339077403)(C:\Users\Administrator\AppData\Roaming\Typora\typora-user-images\1574126259456.png)]
元数据：描述数据的数据（属性）
表名称、字段名，字段的数据类型。
内部执行流程
解释器 -> 编译器 -> 优化器 -> 执行器
数据格式：
Hive中没有定义专门的数据格式
数据格式部分自定义：
列分隔符（通常为空格、”\t”、”\x001″）
行分隔符（”\n”）
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）。
Hive在加载数据的过程就是拷贝数据的过程，不需要特定的转化。不会对数据本身进行任何修改，甚至不会对数据进行扫描。
Hive 中不支持对数据的改写和添加（对文本内数据的添加），
Hive 在加载数据的过程中不会对数据中的某些 Key 建立索引。所以Hive不适合在线数据查询（要求相应速度快）。
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。
hive支持的数据格式
可支持Text，
SequenceFile，
ParquetFile，
ORC格式
RCFILE等
Hive元数据
DB、数据库
Table，内部表
External Table，外部表
Partition，分区
Bucket，分桶
Hive安装部署
1、derby版hive直接使用
每个节点自己维护自己的元数据库（derby）,导致多个节点之间元数据不共享。
2、mysql共享hive元数据
2.1安装mysql
mysq不推荐使用RPM安装，建议使用yum进行安装
yum install -y mysql mysql-server mysql-devel
/etc/init.d/mysqld start
配置远程连接（root 只用123456密码）
grant all privileges on . to ‘root’@’%’ identified by ‘123456’ with grant option;
配置mysql用户 root 密码是123456
update user set password=password(‘123456’) where user=‘root’;
2.2 安装HIve
现在第一个节点解压hive的安装包。
在解压后的目录conf中修改配置文件
hive-env.sh
配置HADOOP_HOME
配置HIVE_CONF_DIR
hive-site.xml
添加连接Mysql的配置
将解压后的文件夹拷贝到其他节点
配置环境变量
将mysql-connector-java-5.1.38.jar 上传到HIVE的lib目录下。
Hive的访问方式
1、在Hive客户端，配置hive到环境变量的前提下，在节点的任意位置 直接数据hive + 回车
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-oTpfahRV-1574339077404)(C:\Users\Administrator\AppData\Roaming\Typora\typora-user-images\1574208461234.png)]
2、
启动hiveserver2 服务
hive --service hiveserver2
进行连接
进入beelin的shell窗口
连接hiveserver2服务
!connect jdbc:hive2://node01:10000
输入root 和密码 123456
0: jdbc:hive2://node01:10000>
0: jdbc:hive2://node01:10000>
0: jdbc:hive2://node01:10000> show databases;
±---------------±-+
| database_name |
±---------------±-+
| default |
| myhive |
±---------------±-+
Hive传选项
hive -e ‘操作命令’
hive -e ‘show databases;’
hive -f 文件名（文件内是操作命令）
hive -f test.sql
数据库的基本操作
1、数据库的增删改查
增 ： create database [ if not exists ] myhive ;
删 ： drop database myhive ; (数据库内没有表可以删除，有表不能删除)
改 :数据库不允许修改
查 ：show databases;
查看详细信息：
desc database myhive2;
desc database extended myhive2;
数据库的切换：
use myhive（数据库名）；
hive的数据库、表、分区在HDFS的表现形式是文件夹
数据库的默认路径：/user/hive/warehouse
自定义hive数据库的路径：create database myhive2 location ‘/myhive2’;
数据表的基本操作（增删改查）
创建基本数据表（内部表）：
create table tableName(字段名称 字段类型，字段名称 字段类型)
create table tableName(字段名称 字段类型，字段名称 字段类型)
ROW FORMAT DELIMITED IELDS TERMINATED BY char （char分隔符）
指定数据中字段与字段的分隔符 ‘\t’ 或 ‘,’ 或 ‘|’ 或其他
创建外部数据表：
create EXTERNAL table tableName(字段名称 字段类型，字段名称 字段类型)
建外部表需要指定数据的存储路径。通过LOCATION进行指定。
内部表与外部表的区别：
在删除内部表时：内部表删除将表的元数据和数据同时删除。
在删除外部表时：外部表的元数据被删除，数据本身不删除。
删除表
drop table tablename;
修改表
alter tablename ***
查询表
show tables;
desc tablename;
Hive的数据类型
基本数据类型
INT BIGINT FLOAT DOUBLE DEICIMAL STRING VARCHAR CHAR
BINARY TIMESTAMP DATE INTERVAL ARRAY
复杂数据类型
MAP STRUCT UNION
create table stu3 as select * from stu2; 复制数据复试表结构
create table stu4 like stu2; 不复制数据复试表结构。
加载数据
从linux中加载数据到hive
load data local inpath ‘数据路径’ into table 表名；
从hdfs中加载数据到hive,并覆盖
load data inpath ‘数据路径’ overwrite into table 表名；
外部表
create external table techer (t_id string,t_name string) row format delimited fields terminated by ‘\t’;
加载数据
load data local inpath ‘/export/servers/hivedatas/techer .csv’ into table techer ;
在hdfs查看表中的数据
hadoop fs -ls /user/hive/warehouse/myhive.db/techer
在hive中查询
select * from techer
删除数据表techer
drop table techer;
再次查看
hadoop fs -ls /user/hive/warehouse/myhive.db/techer（数据依然存在）
内部表
create table student(t_id string,t_name string) row format delimited fields terminated by ‘\t’;
加载数据
load data local inpath ‘/export/servers/hivedatas/student .csv’ into table student;
在hdfs查看表中的数据
hadoop fs -ls /user/hive/warehouse/myhive.db/student
在hive中查询
select * from student
删除数据表techer
drop table student;
再次查看
hadoop fs -ls /user/hive/warehouse/myhive.db/student（数据不存在）
分区表
企业常见的分区规则：按天进行分区（一天一个分区）
创建分区表的语句
create table score(s_id string,c_id string,s_score int) partitioned by (month string) row format delimited fieldsterminated by ‘\t’;
create table score2 (s_id string,c_id string,s_score int) partitioned by (year string,month string,day string) row formatdelimited fields terminated by ‘\t’;
数据加载
load data local inpath ‘/opt/hive/score.csv’ into table score partition (month=‘201806’);
load data local inpath ‘/opt/hive/score.csv’ into table score2 partition(year=‘2018’,month=‘06’,day=‘02’);
特别强调：
分区字段绝对不能出现在数据表以有的字段中。
作用：
将数据按区域划分开，查询时不用扫描无关的数据，加快查询速度。
分桶表
是在已有的表结构之上新添加了特殊的结构
开启hive的桶表功能
set hive.enforce.bucketing=true;
设置桶(reduce)的个数
set mapreduce.job.reduces=3;
建分桶表
create table course (c_id string,c_name string,t_id string) clustered by(c_id) into 3 buckets row format delimited fields terminated by ‘\t’;
创建基本表
create table course_common (c_id string,c_name string,t_id string) row format delimited fields terminated by ‘\t’;
基本表添加数据
load data local inpath ‘/export/servers/hivedatas/course.csv’ into table course_common;
在基本表中查询数据插入到分桶表
insert overwrite table course select * from course_common cluster by(c_id);
确认分桶内的数据
[root@node01 hive]# hadoop fs -cat /user/hive/warehouse/course/000000_0
03 英语 03
[root@node01 hive]# hadoop fs -cat /user/hive/warehouse/course/000001_0
01 语文 02
[root@node01 hive]# hadoop fs -cat /user/hive/warehouse/course/000002_0
02 数学 01
特别强调：
分桶字段必须是表中的字段。
分桶逻辑：
对分桶字段求哈希值，用哈希值与分桶的数量取余，余几，这个数据就放在那个桶内。
分桶的作用和好处
1、对于join的需求，能够起到优化加速的作用。（前提是，join字段设置为分桶字段）
2、用于数据取样（获取/提取数据样本）
将数据编号作为分桶字段。这样每个桶内各种“级别”的数据都有。
Hive的自定义函数
函数查看
show functions；
show function 函数名 ；
desc function extended upper;
UDF UDAF UDTF
一进一出 多进一出 一进多出
UDF
1、创建一个class 继承UDF
2 编写evaluate函数，在这里编写业务需求需要的代码
3 打成jar包，并上传
4 将jar包添加到hive
在hive shell 内 add jar 路径+jar包
5 创建临时函数（永久的函数将temporary 删掉）
create temporary function 新的函数的名称 as 业务代码所在的包名-类名；
6 调用 验证；
使用纯 java 代码创建临时函数
- 使用纯java代码编写业务逻辑, 并打包上传
- 将jar 包添加到hive
在 hive shell 内 add jar 路径 + jar 包 - 调用
select reflect('第一个参数','第二个参数','第三个参数');
第一个参数: java代码包名加类名
第二个参数: java代码方法名
第三个参数: 需要传递的参数