大数据之Hive

Hive入门

Hive是FaceBook开源，基于Hadoop的一个数据仓库工具，可以将结构化的数据映射为一张表，并提供类SQL查询功能。

1. 结构化数据是指没有表名和列名的数据文件，映射为一张表就是给这个数据添加表名和列名，让开发人员后续实现需求时只需使用类似SQL的代码来查询数据。

2. Hive本质是一个Hadoop客户端，将HQL转化成MapReduce程序。底层都是hadoop实现的，Hive的主要工作有点类似编译器。

3. Hive架构原理

   • 解析：检查语法是否正确，表名列名是否存在
   • 编译：将执行SQL代码的步骤列处理，生成逻辑计划
   • 优化：将执行步骤优化，降低去除冗余操作，生成物理计划
   • 执行：执行物理计划，即底层的MR操作

4. 特点：执行延迟比较高，只支持追加写，不能实现update和delete.

5. Hive和数据库的比较：

   • Hive达到PB级别，mysql单表一般百万左右
   • Hive计算引擎是MapReduce/spark, MySQL引擎是InnoDB
   • Hive执行延迟高，MySQL执行延迟低

6. 官网地址：hive.apache.org

安装Hive

1. 修改core-site.xml，允许其他主机登录连接
2. 打开端口号为10000的连接服务hive servervice2
   • vim conf/hive-site.xml
   • hive --service hiveservice2
   • 当前窗口会停止在当前界面
3. 从datagrip中连接，由于自己是在window环境中，使用atguigu登录，这个身份是造假的，hadoop无法核实，必须在第一步开放权限才行。
4. 也可以使用hive/bin目录下的beeline命令来连接hive。进入后可以使用!quit退出。

metastore独立服务模式

各个主机不直接连接MySQL数据，先连接metastore数据库，在metastore服务来设置账号密码，增加安全性，降低MySQL服务器的压力。

1. hive-site.xml文件中添加指定metastore服务的地址
2. 启动该独立服务hive --servie metastore
3. 再启动hive --service hiveservice2

目前来说，这些服务进程都是前台进程，不是很安全，希望变成后台进程，自己运行。

编写hive启动脚本

脚本命令解析:

1. nohup: 将前台进程输出的内容输入当当前路径的nohup.out文件中，关闭终端进程也继续保持运行状态
2. nohup hive --service hiveserver2 & : 打印pid, 并且变成后台进程
3. 符号含义
   • > 覆盖写
   • >> 追加写
   • >& 合并
4. linux系统的三种流
   • 标准输入流： 键盘输入 代表数字为0
   • 标准正确输出流： 控制台输出 代表数字为1
   • 标准错误输出流：控制台输出 代表数字为2
5. 2>&1：将报错的日志和正常的日志合并到一起
6. /dev/null 黑洞，执行代码但是不打印输出结果
7. grep -v 参数 ：过滤掉结果中带有参数的。grep -i 参数，过滤时忽略大小写
8. awk 按照空格切割时会忽略无效值, awk -F 按照自定义的进行分割
9. - z 参数 ： 判断参数是否存在

Hive的两个常用调用

1. hive -e 命令行输入SQL命令
2. hive -f 文件输入SQL命令

Hive日志参数配置方式

1. 查看：进入hive后，使用set;命令查看
2. 修改：
   • 修改hive-site.xml文件
   • 命令行：hive --hiveconf 参数值 = 修改值; 修改的值是临时且独立的
   • 进入hive: set mapreduce.job.reduces=10;
3. set 参数名; ：查看参数

其他参数配置

1. 显示表名和库名： header
2. 修改日志存放路径：vim hive/conf/hive-log4j2.properties
3. 修改hive申请的内存大小 vim hive-env.sh. 打开HADOOP_HEAPSIZE=2048

使用Hive的map和struct结构

create table tch(
    name string,                    --姓名
    friends array<string>,        --朋友
    students map<string, int>,   --学生
    address struct<street:string,city:string,email:int> --地址
)
row format delimited fields terminated by ','
collection items terminated by '_'
map keys terminated by ':'
lines terminated by '\n';

MySQL和Hive类型转换的区别

1. 转换方向：
   • mysql：字符串向int进行转换
   • hive：字符串向double进行转换
2. 转换失败时：
   • mysql: 结果变成0
   • hive：结果变成null

Hive语法

DDL数据定义语言

数据库操作

1. 数据库增加操作

   • create database [if not exists] database_name: 创建库
     • 默认路径在/user/hive/warehouse
     • 库文件夹有.db后缀

2. 数据库查询操作

   • show databases; 打印所有的库
   • show databases like ‘db_hive*’
   • desc database extended database_name： 查看库的信息和注释

3. 数据库删除操作

   • drop database database_name; 删除空库
   • drop database database_name cascade; 删除非空库

4. 数据库修改操作

   • alter database databasename set dbproperties(‘xx’ = ‘bbb’);
   • 其他属性无法修改，可以在MySQL中进行修改，但是不建议修改

表的操作

内部表（管理表）

1. 表的创建
   • create table table_name(属性名， 属性类型...)
   • external 在table字段添加，表示为外部表
   • partitioned by 分区表
   • clustered by 分桶表
   • sorted by into n buckets: 桶内排序字段和分成几个桶
   • row format row_format 行分隔符默认值
     • FIELDS TERMINATED BY char字段分割符号 ^A ctrl+v ctrl+a
     • 集合元素分隔符 ^B ctrl+v ctrl+b
     • map元素分割符 ^C ctrl+v ctrl+c
     • 行分割符 ‘\n’
   • 表对应的文件存储格式 textfile
   • LOCATION 表对应的hdfs路径
   • TBLPROPERTIES(property_name=property_value,..)表的属性
2. 根据查询结果创建一张表，不带原表的分隔符create table if not exists student2 as select id, name from student;
3. 根据表结构创建表，带表的分隔符create table if not exists student3 like student;

外部表

外部表删除时只会删除hive中的元数据，不会删除HDFS中的文件。而内部表删除时会将元数据和HDFS中的文件信息一并删除。在公司中大部分都是外部表，内部表一般用于测试和中间表。

如何区分内部表和外部表？
desc formatted table_name 查看表的类型区分内外部表
是否可以将内部表转换为外部表？
alter table tablename set tblproterties('EXTERNAL' = 'TRUE'); 外部表
alter table tablename set tblproterties('EXTERNAL' = 'FALSE'); 内部表

2. 表的查询操作

show tables; 查询所有表
desc table; 查询表的粗略信息
desc formatted table; 查询表的详细信息

3. 表的删除操作

drop table table_name; 
truncate table table_name;清空表中数据，不能清空外部表

4. 表的修改操作
   • 修改表名：alter table old_name rename to new_name;
   • 修改列名：alter table_name change id ids int;
   • 增加列：alter table table_name add columns(…);
   • 替换列：alter table table_name replace columns(…);

DML数据操作语言

数据导入

1. 向表中装载数据Load
   • load data [local] inpath '数据的path' [overwrite] into table table_name [partition (partcol1=val1,…)];
2. 根据查询结果插入数据，插入的数据列数必须和被插入表一样。
   • insert into table student (查询语句) :追加写
   • insert overwrite student (查询语句)：覆盖写

数据导出insert

1. 导出到本地：insert overwrite local director ‘本地路径’ （查询语句），分隔符是默认的，可以进行指定分隔符
2. 导出到HDFS系统中，insert overwrite director ‘本地路径’ （查询语句）