hive权威指南

一、ETL介绍：
　　数据抽取：把不同的数据源数据抓取过来，存到某个地方
　　数据清洗：过滤那些不符合要求的数据或者修正数据之后再进行抽取
　　　　不完整的数据：比如数据里一些应该有的信息缺失，需要补全后再写入数据仓库
　　　　错误的数据：比如字符串数据后面有一个回车操作、日期格式不正确、日期越界等，需要修正之后再抽取
　　　　重复的数据：重复数据记录的所有字段，需要去重
　　数据转换：不一致的数据转换，比如同一个供应商在结算系统的编码是XX0001,而在CRM中编码是YY0001，统一编码 实现有多种方法：
1、借助ETL工具(如Oracle的OWB、SQL Server的DTS、SQL Server的SSIS服务、Informatic等等)实现

　　OWB:Oracle Warehouse Builder
　　DTS:Data Transformation Service
　　SSIS:SQL Server Integration Services
2、SQL方式实现
3、ETL工具和SQL相结合-----》间接引出hive
　　借助工具可以快速的建立起ETL工程，屏蔽了复杂的编码任务，提高了速度，降低了难度，但是缺少灵活性。
　　SQL的方法优点是灵活，提高ETL运行效率，但是编码复杂，对技术要求比较高。
　　第三种是综合了前面二种的优点，会极大地提高ETL的开发速度和效率

二、大数据平台架构概述：
　　数据抽取：Canal/Sqoop（主要解决数据库数据接入问题）、还有大量的数据采用Flume解决方案
　　数据存储：HDFS（文件存储）、HBase（KV存储）、Kafka（消息缓存）
　　调度：采用了Yarn的统一调度以及Kubernetes的基于容器的管理和调度的技术
　　计算分析：MR、HIVE、Storm、Spark、Kylin以及深度学习平台比如Caffe、Tensorflow等等
　　应用平台：交互分析sql，多维分析：时间、地域等等，
　　可视化：数据分析tableau，阿里datav、hcharts、echarts
　　数据应用就是指数据的业务

三、hive概述：
由Facebook开源用于解决海量结构化日志的数据统计，后称为Apache Hive为一个开源项目
　　结构化数据：数据类型，字段，value---》hive
　　非结构化数据：比如文本、图片、音频、视频---》会有非关系型数据库存储，或者转换为结构化
　　结构化日志数据：服务器生成的日志数据,会以空格或者指表符分割的数据,比如：apache、nginx等等
Hive 是一个基于 Hadoop 文件系统之上的数据仓库架构，存储用hdfs，计算用mapreduce
Hive 可以理解为一个工具，不存在主从架构,不需要安装在每台服务器上，只需要安装几台就行了
hive还支持类sql语言，它可以将结构化的数据文件映射为一张数据库表，并提供简单的SQL查询功能
hive有个默认数据库：derby，默认存储元数据---》后期转换成关系型数据库存储mysql
　　hive的版本：apache-hive-1.2.1 、hive-0.13.1-cdh5.3.6
　　https://github.com/apache/ 主要查看版本的依赖
下载地址：
　　apache的：http://archive.apache.org/dist/hive/
　　cdh的：http://archive.cloudera.com/cdh5/cdh/5/
sql on hadoop的框架：
hive--》披着sql外衣的map-reduce
impala--》查询引擎，适用于交互式的实时处理场景
presto--》分布式的sql查询引擎，适用于实时的数据分析
spark sql
等等。。。。
https://www.cnblogs.com/tgzhu/p/7483422.html

四、Hive的体系结构

　　client：
　　　　命令行 -常用
　　　　JDBC

metastore元数据：存储在数据库
　　默认的数据库derby
　　改成mysql
元数据：表名，表的所属的数据库，表的拥有者，表的分区信息，表的类型，表数据的存储的位置
　　cli-》metastore
　　TBLS-》DBS-》hdfs的路径
Driver：
　　解析器：解析的HQL语句
　　编译器：把HQL翻译成mapreduce代码
　　优化器：优化
　　执行器：把代码提交给yarn

Hadoop：
　　使用mapreduce的计算模型
　　使用hdfs进行存储hive表数据

五、Hive安装及使用

请访问:http://www.cnblogs.com/xningge/p/8433792.html

 

六、Hive客户端的基础语句：
　　1、进入到hive的客户端：bin/hive;
　　2、查看数据库：show databases;
　　3、创建数据库：create database test;
　　4、进入到数据库：use test;
　　5、查看表：show tables;
　　6、数据类型：
　　　　tinyint、smallint、int、bigint -》int
　　　　float、double、date
　　　　string、vachar、char -》string
　　7、create table hive_table(
　　　　　　id int,
　　　　　　name string
　　　　);
　　8、加载数据：
　　　　　　load data local inpath '/opt/datas/hive_test.txt' into table hive_table;
　　　　　　local：指定本地的数据文件存放路径
　　　　　　不加local：指定数据在hdfs的路径
　　9、查询语句：
　　　　select * from hive_table;
　　10、hive的默认数据分隔符是\001,也就是^A ,分割符 " ", "," ,"\t"等等
　　　　如果说数据的分隔符与表的数据分隔符不一致的话，读取数据为null
　　　　　　按下crtl+v然后再按下crtl+a就会出来^A(\001)

　　　　create table row_table(
　　　　　　id int,
　　　　　　name string
　　　　　　)ROW FORMAT DELIMITED FIELDS TERMINATED BY " ";

　　　　　load data local inpath '/opt/datas/hive_test.txt' into table row_table;

七、hive在hdfs上的文件结构
　　    数据仓库的位置                数据库目录           表目录          表的数据文件
　　/user/hive/warehouse             /test.db             /row_table       /hive_test.txt
　　default默认的数据库：指的就是这个/user/hive/warehouse路径

八、修改元数据存储的数据库：
　　1、用bin/hive同时打开多个客户端会报错
　　　　java.sql.SQLException: Another instance of Derby may have already booted the database /opt/modules/apache/hive-1.2.1/metastore_db.

　　　　derby数据库默认只能开启一个客户端，这是一个缺陷，换个数据库存储元数据
　　　　数据库可选有这几种：derby mssql mysql oracle postgres
　　　　一般选择mysql元数据存储
　　2、安装mysql
　　　　查看自己虚拟机有没有mysql的安装包
　　　　sudo rpm -qa | grep mysql
　　　　卸载：sudo rpm -e --nodeps mysql-libs-5.1.66-2.el6_3.x86_64
　　　　卸载完成之后再查看一下，确保卸载完成

　　　　安装mysql服务：
　　　　sudo yum -y install mysql-server
　　　　(如果yum源有问题，那就更换一下yum源即可)
　　　　安装完成之后
　　　　sudo rpm -qa | grep mysql
　　　　mysql-server-5.1.73-8.el6_8.x86_64
　　　　mysql-5.1.73-8.el6_8.x86_64
　　　　mysql-libs-5.1.73-8.el6_8.x86_64
　　　　》查看mysql的服务
　　　　　　chkconfig | grep mysql
　　　　》开启mysqld的服务
　　　　启动：sudo service mysqld start
　　　　设置登陆密码：mysqladmin -u xningge password '????'
　　　　设置开机启动：sudo chkconfig mysqld on
　　　　进入mysql：
　　　　mysql -uxningge -p????
　　　　查询用户信息
　　　　mysql> select User,Host,Password from user;
　　　　设置远程登录权限
　　　　mysql> grant all privileges on *.* to 'xningge'@'%' identified by '????' with grant option;
　　　　删除用户信息
　　　　mysql> delete from user where user='root' and host='127.0.0.1';
　　　　刷新信息
　　　　mysql> flush privileges;
　　　　重启mysqld服务
　　　　service mysqld restart
　　　　退出mysql客户端
　　　　qiut+;或者crtl+C
　　　　重启mysqld服务
　　　　sudo service mysqld restart

　　　　可选项：用Windows工具操作linux上的mysql
　　　　授权：grant all privileges on *.* to 'root'@'192.168.111.1' identified by '123456' with grant option;
　　　　刷新信息
　　　　mysql> flush privileges;
　　3.配置hive-site.xml
　　　　1、修改hive-site.xml
　　　　　　https://cwiki.apache.org/confluence/display/Hive/AdminManual+MetastoreAdmin

　　　　
　　　　　　javax.jdo.option.ConnectionURL
　　　　　　jdbc:mysql://hadoop01.xningge.com/metastore?createDatabaseIfNotExist=true
　　　　

　　　　
　　　　　　javax.jdo.option.ConnectionDriverName
　　　　　　com.mysql.jdbc.Driver
　　　　

　　　　
　　　　　　javax.jdo.option.ConnectionUserName
　　　　　　xningge
　　　　

　　　　
　　　　　　javax.jdo.option.ConnectionPassword
　　　　　　????
　　　　

　　2、将驱动jar包拷贝到hive的lib目录下
　　　　mysql-connector-java-5.1.27-bin.jar
　　3、完成，可以启动hive bin/hive

　　4、在mysql的metastore数据库中找到信息
　　　　DBS：database 存储的hive数据库的信息
　　　　TBLS：table 存储hive表的信息

九、Hive操作命令
　　1、描述表信息
　　　　desc tablename;
　　　　desc extended 表名;
　　　　desc formatted 表名;
　　2、修改表名
　　　　alter table table_oldname rename to new_table_name;
　　3、给表增加一个列
　　　　alter table new_table add columns(age int);
　　　　alter table new_table add columns(sex string comment 'sex');添加注释
　　4、修改列的名字以及类型
　　　　create table test_change(a int,b int,c int);
　　　　修改列名 a -> a1
　　　　alter table test_change change a a1 int;
　　　　a1改a2，数据类型改成String，并且放在b的后面；
　　　　alter table test_change change a1 a2 string after b int;
　　　　将c改成c1，并放在第一列
　　　　alter table test_change change c c1 int first;

　　5、替换列（不能删除列，但是可以修改和替换，）是全表替换
　　　　ALTER TABLE table_name ADD|REPLACE COLUMNS (col_name data_type [COMMENT col_comment], ...)
　　　　alter table test_change replace columns(foo int , too string);

　　6、清除表数据truncate
　　　　只清除表数据，元数据信息还是存在的，表的结构已经表还是在的
　　　　truncate table row_table;
　　7、删除表数据drop
　　　　drop table row_table;
　　　　清除数据，表以及表的结构清除，元数据也清除
　　8、删除数据库
　　　　drop database test_db CASCADE;
　　　删除数据库的信息，如果数据库不为空的话，则要加CASCADE字段
　　9、查看hive自带的函数： show functions;
　　　　desc function when;
　　　　desc function extended when; ->查看详细的用法

十、hive的常用配置
　　1、hive的日志文件log4j：默认是在${java.io.tmpdir}/${user.name}也就是/tmp/hadoop/hive.log
　　　　修改 hive-log4j.properties.template 修改为hive-log4j.properties
　　　　修改 hive.log.dir=/opt/modules/apache/hive-1.2.1/logs
　　2、显示数据库和列名，添加配置信息到hive-site.xml
　　　　
　　　　　　hive.cli.print.header
　　　　　　true
　　　　
　　　　
　　　　　　hive.cli.print.current.db
　　　　　　true
　　　　

十一、hive常用的linux命令选项
　　查看帮助信息 bin/hive -help
　　　　1、--database指定登陆到哪个database 下面去
　　　　　　bin/hive --database mydb;

　　　　2、指定一条sql语句，必须用引号包裹
　　　　　　bin/hive -e 'show databses'
　　　　　　bin/hive -e 'select * from mydb.new_table'

　　　　3、指定写sql语句的文件，执行sql
　　　　　　bin/hive -f hivesql
　　　　　　指定一些较为的sql语句，周期性的执行

　　　　4、查看sql语句文件
　　　　　　bin/hive -i hivesql
　　　　　　执行文件的sql语句并进入到hive的客户端
　　　　　　用来初始化一些操作

　　　　5、bin/hive -S hivesql
　　　　　　静默模式

　　　　6、在当前回话窗口修改参数的属性，临时生效
　　　　　　bin/hive --hiveconf hive.cli.print.header=false;

　　　　7、在hive的客户端中使用set修改参数属性(临时生效),以及查看参数的属性
　　　　　　set hive.cli.print.header -》查看参数的属性
　　　　　　set hive.cli.print.header=true; -》修改参数属性

　　　　8、常用的shell : ! 和 dfs
　　　　　　-》！ 表示访问的linux本地的文件系统 ->! ls /opt/modules/apache/
　　　　　　-》dfs表示访问的是hdfs的文件系统 -> dfs -ls /;

　　　　9、CREATE database_name[LOCATION hdfs_path]
　　　　　　create database hive_test LOCATION "/location";
　　　　　　自定义数据库在hdfs上的路径，把指定/location当成默认的数据库，
　　　　　　所以这边数据库的名字不显示

　　　　

 

转载于:https://www.cnblogs.com/xningge/p/8439970.html