[Hadoop]数据仓库基础与Apache Hive入门

目录

         大数据导论与Linux基础

Apache Hadoop、HDFS

大数据导论与Linux基础

数据仓库基本概念

数据仓库概念

数据仓库主要特征

数据仓库主流开发语言--SQL

Apache Hive入门

Apache Hive概述

场景设计：如何模拟实现Hive功能

Apache Hive架构、组件

Apache Hive安装部署

Apache Hive元数据

Hive3安装

Apache Hive客户端使用

Hive SQL 语言

---

数据仓库基本概念

数据仓库概念

• 数据仓库（简称DW、数仓），是一个用于存储、分析、报告的数据系统

• 数据仓库本身并不“生产”任何数据，其数据来源于不同外部系统

• 同时数据仓库自身也不需要“消费”任何的数据，其结果开放给各个外部应用使用

• 这也是为什么叫“仓库”，而不叫“工厂”的原因

• 数据仓库是为了分析数据而来，分析结果给企业决策提供支撑

数据仓库主要特征

• 面向主题：主题是一个抽象概念，是较高层次上数据综合、归类并进行分析利用的抽象

• 集成性：主题相关的数据通常分布在多个操作系统中，彼此分散、独立、异构，因此再数据进入数仓之前，必须要经过统一与综合，对数据进行抽取、清理、转换和汇总

• 非易失性、非易变性：

  • 数仓是分析数据的平台，而不是创造数据的平台。我们通过数仓去分析数据中的规律，而不是去创造修改其中的规律。因此数据进入数仓之后，它便稳定且不会改变

  • 数仓的数据反应的是一段相当长的时间内历史数据的内容，数仓的用户对数据的操作大多是数据查询或比较复杂的挖掘，一旦数据进入数仓之后，一般情况下被较长时间保留

  • 数仓一般有大量的查询操作，但修改和删除操作很少

• 时变性：数据仓库的数据需要随着时间更新，以适应决策的需要

数据仓库主流开发语言--SQL

• 结构化查询语言（简称SQL），是一种数据库查询和程序设计语言，用于存取数据以及查询、更新和管理数据

• 虽然SQL语言是针对数据库软件设计的，但是在数仓领域，尤其是大数据数仓领域，很多数仓软件都会去支持SQL语法。原因在于：用于学习SQL成本低，SQL语言对数据分析十分友好

• 结构化数据与非结构化数据

​

 

• SQL语法分类：

  • 数据定义语言（DDL），使我们有能力创建或删除表，以及数据库、索引等各种对象，但是不涉及表中具体数据操作：

    CREATE DATABASE - 创建新数据库
    CREATE TABLE - 创建新表

  • 数据操纵语言（DML），针对表中的数据进行增删改查：

    SELECT - 从数据库表中获取数据
    UPDATE - 更新数据库表中的数据
    DELETE - 从数据库表中删除数据
    INSERT - 向数据库表中插入数据

Apache Hive入门

Apache Hive概述

什么是Hive

• Hive是一款建立在Hadoop之上的开源的数仓系统，可以将存储在Hadoop文件中的结构化、半结构化数据文件映射为一张数据库表，基于表提供了一种类似SQL的查询模型，称为Hive查询语言（HQL），用于访问存储在Hadoop文件中的大型数据集

• Hive核心是将HQL转化为MapReduce程序，然后将程序提交到Hadoop集群执行

​

为什么使用Hive

• 使用MapReduce直接处理数据所面临的问题

  • 人员学习成本太高，需要掌握

  • MapReduce实现复杂查询逻辑开发难度太大

• 使用Hive处理数据的好处

  • 操作接口采用类SQL语法，提供快速开发的能力（简单、容易上手）

  • 避免直接写MapReduce，减少开发人员的学习成本

  • 支持自定义函数，功能扩展很方便

  • 背靠Hadoop，擅长存储分析海量数据集

Hive和Hadoop关系

• Hive利用HDFS存储数据，利用MapReduce查询分析数据

场景设计：如何模拟实现Hive功能

• Hive能将数据文件映射成为一张表，这个映射是什么？

  • 映射信息专业的叫法称之为元数据信息，它包含：

    • 表对应着哪个文件（位置信息）

    • 表的列对应着文件哪一个字段（顺序信息）

    • 文件字段之间的分隔符是什么

​

• Hive软件本身到底承担了什么功能职责？

  • SQL语法校验、解析、编译成为MapReduce

• 最终效果

​

Apache Hive架构、组件

​

Apache Hive安装部署

Apache Hive元数据

• 元数据是描述数据的数据，主要是描述数据属性的信息

• Hive Metadata即Hive的元数据，包含用Hive创建的database、table、表的位置、类型、属性、字段顺序类型等元信息

• 元数据存储在关系型数据库中。如hive内置的Derby或者第三方如MySQL等

• Hive Metastore即元数据服务。Metastore服务的作用是管理metadata元数据，对外暴露服务地址，让各种客户端通过连接matestore服务，由metastore再去连接MySQL数据库来存取元数据

​

• metastore服务配置有3张模式：内嵌模式、本地模式、远程模式

​

• 在生产环境中，建议用远程模式来配置Hive Metastore。在这种情况下，其他依赖hive的软件都可以通过Metastore访问hive。由于还可以完全屏蔽数据库层，因此这也带来了更好的可管理性/安全性。

Hive3安装

---

安装前准备

• 服务器基础环境：集群时间同步、防火墙关闭、主机Host映射、免密登录、JDK安装

• Hadoop集群健康可用：启动Hive之前必须先启动Hadoop集群。特别要注意，需等待HDFS安全模式关闭之后再启动运行Hive

Hadoop与Hive整合

• 因为Hive需要把数据存储在HDFS上，并且通过MapReduce作为执行引擎处理数据；

• 因此需要在Hadoop中添加相关配置属性，以满足Hive在Hadoop上运行。

• 修改Hadoop中core-site.xml，并且Hadoop集群同步配置文件，重启生效。

hadoop.proxyuser.root.hosts
*


hadoop.proxyuser.root.groups
*

Mysql安装

• 卸载Centos7自带的mariadb

  [root@node3 ~]# rpm -qa|grep mariadb
  mariadb-libs-5.5.64-1.el7.x86_64
  ​
  [root@node3 ~]# rpm -e mariadb-libs-5.5.64-1.el7.x86_64 --nodeps
  [root@node3 ~]# rpm -qa|grep mariadb                            
  [root@node3 ~]# 

• 安装mysql

  mkdir /export/software/mysql
  ​
  #上传mysql-5.7.29-1.el7.x86_64.rpm-bundle.tar 到上述文件夹下  解压
  tar xvf mysql-5.7.29-1.el7.x86_64.rpm-bundle.tar
  ​
  #执行安装
  yum -y install libaio
  ​
  [root@node3 mysql]# rpm -ivh mysql-community-common-5.7.29-1.el7.x86_64.rpm mysql-community-libs-5.7.29-1.el7.x86_64.rpm mysql-community-client-5.7.29-1.el7.x86_64.rpm mysql-community-server-5.7.29-1.el7.x86_64.rpm 
  ​
  warning: mysql-community-common-5.7.29-1.el7.x86_64.rpm: Header V3 DSA/SHA1 Signature, key ID 5072e1f5: NOKEY
  Preparing...                          ################################# [100%]
  Updating / installing...
     1:mysql-community-common-5.7.29-1.e################################# [ 25%]
     2:mysql-community-libs-5.7.29-1.el7################################# [ 50%]
     3:mysql-community-client-5.7.29-1.e################################# [ 75%]
     4:mysql-community-server-5.7.29-1.e################                  ( 49%)

• mysql初始化设置

  #初始化
  mysqld --initialize
  ​
  #更改所属组
  chown mysql:mysql /var/lib/mysql -R
  ​
  #启动mysql
  systemctl start mysqld.service
  ​
  #查看生成的临时root密码
  cat  /var/log/mysqld.log
  ​
  [Note] A temporary password is generated for root@localhost: o+TU+KDOm004

• 修改root密码 授权远程访问 设置开机自启动

  [root@node2 ~]# mysql -u root -p
  Enter password:     #这里输入在日志中生成的临时密码
  Welcome to the MySQL monitor.  Commands end with ; or \g.
  Your MySQL connection id is 3
  Server version: 5.7.29
  ​
  Copyright (c) 2000, 2020, Oracle and/or its affiliates. All rights reserved.
  ​
  Oracle is a registered trademark of Oracle Corporation and/or its
  affiliates. Other names may be trademarks of their respective
  owners.
  ​
  Type 'help;' or '\h' for help. Type '\c' to clear the current input statement.
  ​
  mysql> 
  ​
  ​
  #更新root密码  设置为hadoop
  mysql> alter user user() identified by "hadoop";
  Query OK, 0 rows affected (0.00 sec)
  ​
  ​
  #授权
  mysql> use mysql;
  ​
  mysql> GRANT ALL PRIVILEGES ON *.* TO 'root'@'%' IDENTIFIED BY 'hadoop' WITH GRANT OPTION;
  ​
  mysql> FLUSH PRIVILEGES; 
  ​
  #mysql的启动和关闭 状态查看 （这几个命令必须记住）
  systemctl stop mysqld
  systemctl status mysqld
  systemctl start mysqld
  ​
  #建议设置为开机自启动服务
  [root@node2 ~]# systemctl enable  mysqld                             
  Created symlink from /etc/systemd/system/multi-user.target.wants/mysqld.service to /usr/lib/systemd/system/mysqld.service.
  ​
  #查看是否已经设置自启动成功
  [root@node2 ~]# systemctl list-unit-files | grep mysqld
  mysqld.service                                enabled 
  ​
  #退出mysql登陆
  Ctrl+d

• Centos7 干净卸载mysql 5.7

  #关闭mysql服务
  systemctl stop mysqld.service
  ​
  #查找安装mysql的rpm包
  [root@node3 ~]# rpm -qa | grep -i mysql      
  mysql-community-libs-5.7.29-1.el7.x86_64
  mysql-community-common-5.7.29-1.el7.x86_64
  mysql-community-client-5.7.29-1.el7.x86_64
  mysql-community-server-5.7.29-1.el7.x86_64
  ​
  #卸载
  [root@node3 ~]# yum remove mysql-community-libs-5.7.29-1.el7.x86_64 mysql-community-common-5.7.29-1.el7.x86_64 mysql-community-client-5.7.29-1.el7.x86_64 mysql-community-server-5.7.29-1.el7.x86_64
  ​
  #查看是否卸载干净
  rpm -qa | grep -i mysql
  ​
  #查找mysql相关目录 删除
  [root@node1 ~]# find / -name mysql
  /var/lib/mysql
  /var/lib/mysql/mysql
  /usr/share/mysql
  ​
  [root@node1 ~]# rm -rf /var/lib/mysql
  [root@node1 ~]# rm -rf /var/lib/mysql/mysql
  [root@node1 ~]# rm -rf /usr/share/mysql
  ​
  #删除默认配置 日志
  rm -rf /etc/my.cnf 
  rm -rf /var/log/mysqld.log

---

Hive的安装

• 上传安装包到/export/server 解压

  tar zxvf apache-hive-3.1.2-bin.tar.gz

• 解决Hive与Hadoop之间guava版本差异

  cd /export/server/apache-hive-3.1.2-bin/
  rm -rf lib/guava-19.0.jar
  cp /export/server/hadoop-3.3.0/share/hadoop/common/lib/guava-27.0-jre.jar ./lib/

• 修改配置文件

  • hive-env.sh

    cd /export/server/apache-hive-3.1.2-bin/conf
    mv hive-env.sh.template hive-env.sh
    ​
    vim hive-env.sh
    export HADOOP_HOME=/export/server/hadoop-3.3.0
    export HIVE_CONF_DIR=/export/server/apache-hive-3.1.2-bin/conf
    export HIVE_AUX_JARS_PATH=/export/server/apache-hive-3.1.2-bin/lib

  • hive-site.xml

    vim hive-site.xml
    
    
    
        javax.jdo.option.ConnectionURL
        jdbc:mysql://node1:3306/hive3?createDatabaseIfNotExist=true&useSSL=false&useUnicode=true&characterEncoding=UTF-8
    
    ​
    
        javax.jdo.option.ConnectionDriverName
        com.mysql.jdbc.Driver
    
    ​
    
        javax.jdo.option.ConnectionUserName
        root
    
    ​
    
        javax.jdo.option.ConnectionPassword
        hadoop
    
    ​
    
    
        hive.server2.thrift.bind.host
        node1
    
    ​
    
    
        hive.metastore.uris
        thrift://node1:9083
    
    ​
     
    
        hive.metastore.event.db.notification.api.auth
        false
    
    

    ​

• 上传mysql jdbc驱动到hive安装包lib下

  mysql-connector-java-5.1.32.jar

• 初始化元数据

  cd /export/server/apache-hive-3.1.2-bin/
  ​
  bin/schematool -initSchema -dbType mysql -verbos
  #初始化成功会在mysql中创建74张表

• 在hdfs创建hive存储目录（如存在则不用操作）

  hadoop fs -mkdir /tmp
  hadoop fs -mkdir -p /user/hive/warehouse
  hadoop fs -chmod g+w /tmp
  hadoop fs -chmod g+w /user/hive/warehouse

• ==启动hive==

  • 1、启动metastore服务

    #前台启动  关闭ctrl+c
    /export/server/apache-hive-3.1.2-bin/bin/hive --service metastore
    ​
    #前台启动开启debug日志
    /export/server/apache-hive-3.1.2-bin/bin/hive --service metastore --hiveconf hive.root.logger=DEBUG,console  
    ​
    #后台启动 进程挂起  关闭使用jps+ kill -9
    nohup /export/server/apache-hive-3.1.2-bin/bin/hive --service metastore &

Apache Hive客户端使用

• HiveServer2通过Metastore服务读写元数据。所以在远程模式下，启动HiveServer2之前必须先启动metastore服务

• 远程模式下，Beeline客户端只能通过HiveServer2服务访问Hive。而bin/hive是通过Metastore服务访问的

​

bin/beeline客户端使用

• 在hive安装的服务器上(node1)，首先启动metastore服务，然后启动hiveserver2服务

nohup /export/server/apache-hive-3.1.2-bin/bin/hive --service metastore &
nohup /export/server/apache-hive-3.1.2-bin/bin/hive --service hiveserver2 &

• 在node3上使用beeline客户端进行连接访问。需要注意hiveserver2服务启动之后需要稍等一会才可以对外提供服务

  • beeline客户端连接

    • 拷贝node1安装包到beeline客户端机器上（node3）

      scp -r /export/server/apache-hive-3.1.2-bin/ node3:/export/server/

    • 错误

      Error: Could not open client transport with JDBC Uri: jdbc:hive2://node1:10000: Failed to open new session: java.lang.RuntimeException: org.apache.hadoop.ipc.RemoteException(org.apache.hadoop.security.authorize.AuthorizationException): User: root is not allowed to impersonate root (state=08S01,code=0)

      • 修改

        在hadoop的配置文件core-site.xml中添加如下属性：
        
                hadoop.proxyuser.root.hosts
              *
        
        
                hadoop.proxyuser.root.groups
                *
        

      • 连接访问

        /export/server/apache-hive-3.1.2-bin/bin/beeline
        ​
        beeline> ! connect jdbc:hive2://node1:10000
        beeline> root
        beeline> 直接回车

​

Hive SQL 语言

• 在Hive中，默认的数据库叫做default，存储数据位位于HDFS的/user/hive/warehouse下

• 用户自己创建的数据库存储位置是/user/hive/warehouse/database_name.db下

• Hive最常用的数据类型是string和int

• 分隔符指定语法

  • row format delimited 语法用于指定字段之间等相关的分隔符，这样Hive才能正确的读取解析数据

  • ​

  • Hive建表时如果没有 row format语法指定分隔符，则采用默认分隔符'\001',使用ASCII编码的值，键盘是打不出来的

  • 在vim中，连续按下Ctrl+v/Ctril+a即可输入'\001'，显示^A

• ​

• • 在一些文本编辑器上以SOH的形式显示

  • ​

练习

​

--创建数据库并切换使用
create database if not exists itheima;
use itheima;
--ddl create table
create table t_archer(
id int comment "ID",
name string comment "英雄名称",
hp_max int comment "最大生命",
mp_max int comment "最大法力",
attack_max int comment "最高物攻",
defense_max int comment "最大物防",
attack_range string comment "攻击范围",
role_main string comment "主要定位",
role_assist string comment "次要定位"
) comment "王者荣耀射手信息"
row format delimited
fields terminated by "\t";

建表成功之后，在Hive的默认存储路径下就生成了表对应的文件夹，将archer.txt文件上传到对应的文件夹下。

#在node机器上进行操作
cd ~
mkdir hivedata
cd hivedata/
#把文件从课程资料中首先上传到node1 linux系统上
#执行命令把文件上传到HDFS表所对应的目录下
hadoop fs -put archer.txt /user/hive/warehouse/itheima.db/t_archer

结果验证

​