hive 知识总结
编辑
- 社区
- 公告
- 教程
- 下载
- 分享
- 问答
- JD
- 登 录 注册
01 hive 介绍与安装
1 hive介绍与原理分析
Hive是一个基于Hadoop的开源数据仓库工具，用于存储和处理海量结构化数据。它是Facebook 2008年8月开源的一个数据仓库框架，提供了类似于SQL语法的HQL（hiveSQL）语句作为数据访问接口。
1.1 hive的优缺点#
优点：
1）Hive 使用类SQL 查询语法, 最大限度的实现了和SQL标准的兼容，大大降低了传统数据分析人员处理大数据的难度
2）使用JDBC 接口，开发人员更易开发应用；
3）以MR 作为计算引擎、HDFS 作为存储系统，为超大数据集设计的计算/ 扩展能力；
4）统一的元数据管理（Derby、MySql等），并可与Pig 、spark等共享；
元数据：hive表所对应的字段、属性还有表所对应存储的HDFS目录。
缺点：
1）Hive 的HQL 表达的能力有限，比如不支持UPDATE、非等值连接、DELETE、INSERT单条等；
insert单条代表的是 创建一个文件。
2）由于Hive自动生成MapReduce 作业， HQL 调优困难；
3）粒度较粗，可控性差，是因为数据是读的时候进行类型的转换，mysql关系型数据是在写入的时候就检查了数据的类型。
4）hive生成MapReduce作业，高延迟，不适合实时查询。
1.2 与关系数据库的区别#
1）hive和关系数据库存储文件的系统不同，hive使用的是hadoop的HDFS（hadoop的分布式文件系统），关系数据库则是服务器本地的文件系统；
2）hive使用mapreduce做运算，与传统数据库相比运算数据规模要大得多；
3）关系数据库都是为实时查询的业务进行设计的，而hive则是为海量数据做数据统计分析的，实时性很差；实时性差导致hive的应用场景和关系数据库有很大的区别；
4）Hive很容易扩展自己的存储能力和计算能力，这个是继承hadoop的，而关系数据库在这个方面要比Hive差很多。
| Hive | 关系型数据库 | |
|---|---|---|
| 查询语言 | HQL | SQL |
| 数据存储 | HDFS | Raw Device or Local FS |
| 执行 | MapReduce spark | 数据库引擎 |
| 数据存储校验 | 存储不校验 | 存储校验 |
| 可扩展性 | 强 | 有限 |
| 执行延迟 | 高 | 低 |
| 处理数据规模 | 大 | 小 |
1.3 hive架构#
服务端组件：
Driver组件：该组件包括Complier（编译）、Optimizer（优化）和Executor（执行），它的作用是将HiveQL（类SQL）语句进行解析、编译优化，生成执行计划，然后调用底层的MapReduce计算框架。
Metastore组件：元数据服务组件，这个组件存取Hive的元数据，Hive的元数据存储在关系数据库里，Hive支持的关系数据库有Derby和Mysql。作用是：客户端连接metastore服务，metastore再去连接MySQL数据库来存取元数据。
HiveServer2服务：HiveServer2是Facebook开发的一个软件框架，它用来进行可扩展且跨语言的服务的开发，Hive集成了该服务，能让不同的编程语言调用Hive的接口。还可以做权限管理。
客户端组件：
CLI：Command Line Interface，命令行接口。
JDBC/ODBC：Hive架构的JDBC和ODBC接口是建立在HiveServer2客户端之上。
WEBGUI：Hive客户端提供了一种通过网页的方式访问Hive所提供的服务。这个接口对应Hive的HWI组件（Hive Web Interface），使用前要启动HWI服务。
1.4 Hive查询的执行过程#
1）Execute Query：hive界面如命令行或Web UI将查询发送到Driver(任何数据库驱动程序如JDBC、ODBC,等等)来执行。
2）Get Plan:Driver根据查询编译器解析query语句,验证query语句的语法,查询计划或者查询条件。
3）Get Metadata：编译器将元数据请求发送给Metastore(数据库)。
4）Send Metadata：Metastore将元数据作为响应发送给编译器。
5）Send Plan：编译器检查要求和重新发送Driver的计划。到这里，查询的解析和编译完成。
6）Execute Plan：Driver将执行计划发送到执行引擎。
6.1）Execute Job:hadoop内部执行的是mapreduce工作过程，任务执行引擎发送一个任务到资源管理节点(resourcemanager)，资源管理器分配该任务到任务节点，由任务节点上开始执行mapreduce任务。
6.1）Metadata Ops：在执行引擎发送任务的同时，对hive的元数据进行相应操作。
7）Fetch Result：执行引擎接收数据节点(data node)的结果。
8）Send Results:执行引擎发送这些合成值到Driver。
9）Send Results：Driver将结果发送到hive接口。
2 hive 安装
安装hive可以使用已经搭建好的hadoop集群，或者海牛实验室的公用hadoop组件
薪牛老师的hadoop完全分布式镜像环境http://cloud.hainiubl.com/#/privateImageDetail?id=2919&imageType=private，可以直接添加镜像使用。
2.1 在nn1节点上安装MYSQL#
下载地址：MySQL :: Download MySQL Community Server (Archived Versions)
# 由于网络原因，本课程采用离线安装方式
# 解压安装包
mkdir -p /opt/tools/mysql
tar -xf mysql-5.7.22-1.el7.x86_64.rpm-bundle.tar -C /opt/tools/mysql
# 删除系统自带的MySQL-libs
yum remove -y mysql-libs
# 安装server时要依赖
yum install -y net-tools
# 离线安装
rpm -vih /opt/tools/mysql/mysql-community-common-5.7.22-1.el7.x86_64.rpm
rpm -vih /opt/tools/mysql/mysql-community-libs-5.7.22-1.el7.x86_64.rpm
rpm -vih /opt/tools/mysql/mysql-community-client-5.7.22-1.el7.x86_64.rpm
rpm -vih /opt/tools/mysql/mysql-community-server-5.7.22-1.el7.x86_64.rpm
rpm -ivh /opt/tools/mysql/mysql-community-libs-compat-5.7.22-1.el7.x86_64.rpm
# 启动MySQL
systemctl start mysqld
systemctl status mysqld
systemctl enable mysqld
# cat /var/log/mysqld.log | grep password 查看初始化密码
# 登录
mysql -uroot -p
# 输入初始化密码
# 设置校验密码的长度
set global validate_password_policy=LOW;
# 修改密码
set password=PASSWORD('12345678');
# 修改my.cnf,默认在/etc/my.cnf，执行：vim /etc/my.cnf，添加如下内容：
[client]
default-character-set=utf8
[mysql]
default-character-set=utf8
[mysqld]
character_set_server=utf8
# 重启生效
systemctl restart mysqld
# 对外开放权限
set global validate_password_policy=LOW;
grant all privileges on *.* to 'root'@'%' identified by '12345678';
flush privileges;
2.2 安装hive#
1）root 用户上传并解压hive的tar包
#解压到/usr/local/目录下
tar -xzf apache-hive-3.1.3-bin.tar.gz -C /usr/local/
2）创建软链接
ln -s /usr/local/apache-hive-3.1.3-bin /usr/local/hive
3）修改/usr/local/hive/apache-hive-3.1.3-bin目录所有者
chown -R hadoop:hadoop /usr/local/apache-hive-3.1.3-bin
4）配置环境变量
增加HIVE_HOME和HIVE_CONF_DIR
export HIVE_HOME=/usr/local/hive
export HIVE_CONF_DIR=/usr/local/hive/conf
export PATH=$PATH:$HIVE_HOME/bin
#更新配置
source /etc/profile5）修改配置文件
切换到hadoop用户，拷贝/usr/local/hive/conf目录下的hive-default.xml.template改名为hive-site.xml
#拷贝配置文件
cp hive-default.xml.template hive-site.xml
#对hive-env.sh.template改名
mv hive-env.sh.template hive-env.sh
#对hive-log4j2.properties.template改名
mv hive-log4j2.properties.template hive-log4j2.properties
修改hive-site.xml
javax.jdo.option.ConnectionURL
jdbc:mysql://nn1:3306/hive_meta?useSSL=false
mysql连接
javax.jdo.option.ConnectionDriverName
com.mysql.jdbc.Driver
mysql驱动
javax.jdo.option.ConnectionUserName
hive
数据库使用用户名
javax.jdo.option.ConnectionPassword
12345678
数据库密码
hive.metastore.warehouse.dir
/hive/warehouse
hive使用的HDFS目录
hive.cli.print.current.db
true
6）在mysql中创建hive用的数据库和hive用户
--登录mysql
mysql -uroot -p'12345678'
--创建hive用户
CREATE USER 'hive'@'%' IDENTIFIED BY '12345678';
--在mysql中创建hive_meta数据库
create database hive_meta default charset utf8 collate utf8_general_ci;
--给hive用户增加hive_meta数据库权限
grant all privileges on hive_meta.* to 'hive'@'%' identified by '12345678';
--更新
flush privileges; 7）拷贝mysql驱动jar 到/usr/local/hive/lib/
cp /public/software/database/mysql-connector-java-5.1.49.jar /usr/local/hive/lib/
8）删除冲突的log4j
rm -f /usr/local/hive/lib/log4j-slf4j-impl-2.4.1.jar
9）hive初始化mysql
schematool -dbType mysql -initSchema
报错：
原因:查看该jar包在hadoop和hive中的版本信息
删除hive自带的guava jar包
rm -rf guava-19.0.jar
10）在客户端用hive用户 连接 hive的元数据库hive_meta
2.2.1 配置hiveserver2服务#
修改/usr/local/hadoop/etc/hadoop/core-site.xml 开启hadoop代理功能
hadoop.proxyuser.hadoop.groups
*
配置hadoop(超级用户)允许通过代理用户所属组
hadoop.proxyuser.hadoop.hosts
nn1
配置hadoop(超级用户)允许通过代理访问的主机节点
hadoop.proxyuser.hadoop.users
*
修改hive-site.xml 添加hiveserver2服务
hive.server2.thrift.bind.host
nn1
hive开启的thriftServer地址
hive.server2.thrift.port
10000
hive开启的thriftServer端口
hive.server2.enable.doAs
true
启动hiveserver2服务
nohup hiveserver2 >/dev/null 2>&1 &
通过beeline方式连接hive
beeline -u jdbc:hive2://nn1:10000 -n hadoop
2.2.2 配置metastore服务#
默认hive cli和hiveserver2服务内嵌了metastore服务，可以直接连接mysql数据库，但是如果连接过多会造成mysql数据库压力过大，（一般练习时可以使用）.另外对于metastore服务来说不安全，因为所有的配置信息在配置文件中都能看到。
在企业中我们可以采用metastore服务单独的方式来进行设计
在nn2上配置metastore的客户端
hive.metastore.uris
thrift://nn1:9083
在nn1上启动metastore服务
nohup hive --service metastore > /dev/null 2>&1 &
在nn2通过hive cli连接到hive执行命令，发现可以成功查看数据库并创建表
用hiveserver2连接测试
创建hive安装包的软连接，并修改/etc/profile环境变量文件
#创建软连接
chown -R hadoop:hadoop /usr/local/apache-hive-3.1.3-bin
#修改环境变量文件
export HIVE_HOME=/usr/local/hive
export HIVE_CONF_DIR=/usr/local/hive/conf
export PATH=$PATH:$HIVE_HOME/bin
#更新配置
source /etc/profile将hive-site.xml中hiveserver2的地址换成nn2
启动hiveserver2
nohup hiveserver2 >/dev/null 2>&1 &
启动测试
如果停掉metastore服务
查询报错
3 启动hive
3.1 hive的三种模式#
3.1.1 使用内置的derby数据库做元数据的存储#
使用内置的derby数据库做元数据的存储，操作derby数据库做元数据的管理，使用derby存储方式时，运行hive会在当前目录生成一个derby文件和一个metastore_db目录。这种存储方式的弊端是在同一个目录下同时只能有一个hive客户端能使用数据库，目录不同时元数据也无法共享，不适合生产环境只适合练习。
3.1.2 本地模式#
使用mysql做元数据的存储，操作mysql数据库做元数据的管理，可以多个hive client一起使用，并且可以共享元数据。但mysql的连接信息明文存储在客户端配置，不便于数据库连接信息保密和以后对元数据库进行更改，如果客户端太多也会对mysql造成较大的压力，因为每个客户端都自己发起连接。
安全角度：metastore存储mysql连接的数据库信息，driver和 metastore在一台机器上，数据库信息不安全。
当多台机器的Driver 、 metastore都指向一个mysql 时，mysql的压力会增大。
3.1.3 远程模式#
使用mysql做元数据的存储，使用metastore服务做元数据的管理，优点便于元数据库信息的保密，因为只需要在运行metastore的机器上配置元数据库连接信息，客户端只需要配置metastore连接信息即可，缺点会引发单点问题，例如metastore服务挂了，其它hive终端就获取不到元数据信息了。企业环境推荐使用此种模式。
安全角度：meta从hive的driver上分离出来，在单独的机器上， 这样数据库的连接信息会安全。
启动时，需要分别启动driver和metastore
本地模式和远程模式的区别是：
1）本地模式不安全，远程模式安全。
2）本地模式不需要单独起metastore服务，用的是跟hive在同一个进程里的metastore服务。
远程模式需要单独起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。
服务端指的是Metastore服务所在的机器，即安装metastore的机器
metastore服务端配置
metastore客户端配置
3.2 启动hive#
配置完成之后，先启动matesotre服务，再启动hive client
# 启动zookeeper、hdfs、yarn、代理、历史
# 启动metastore
nohup hive --service metastore > /dev/null 2>&1 &
# 启动hive客户端
hive4 测试hive
1）创建库
# 创建数据库
create database hainiu;
# 显示建库语句
show create database hainiu;
# 进入数据库
use hainiu;
数据库在hdfs的位置
2）新建表
如果想在某个数据库下创建表，首先进入数据库（use 数据库名），
如果没有进入数据库，那默认是default
# 创建user_info 数据表
create table user_info(id int,name string);
# 查看表结构
desc user_info;
# 查看建表语句
show create table user_info;
3）测试插入数据
#默认会走mapreduce程序
insert into user_info values(1,'zs');
#报错需要指定提交队列的名字
set mapreduce.job.queuename=hainiu查询数据
将数据下载下来查看
默认'\001'分割，vim中输入方法ctrl+v ctrl+a
不建议单条insert向hive表中插入数据
所以我们需要准备好数据，放到hive表所在的目录
touch user.txt
echo "1 hangsan" >> user.txt
echo "2 lisi" >> user.txt
echo "3 wangwu" >> user.txt
echo "4 zhaoliu" >> user.txt
#将数据放入表所在的路径
hadoop fs -put user.txt /hive/warehouse/hainiu.db/user_info4）测试查询
select * from user_info;
数据错乱原因就是文件数据分隔符不对，需要修改成\001的方式
重新上传测试
hadoop fs -put -f user.txt /hive/warehouse/hainiu.db/user_info
建表指定字段分隔符为空格
create table student(id int,name string) row format delimited fields terminated by ' ';上传数据并测试
数据成功显示
5 元数据库中相关表的解释
-- 数据库信息 (数据库id，数据库名称，数据库对应的hdfs存储位置)
select * from DBS;
-- 数据表信息（数据表id，数据库id，存储id，表名）
select * from TBLS;
-- 存储信息 （存储id，表对应的hdfs存储位置）
select * from SDS;
-- 数据库和表的关系
select t1.`NAME`, t1.DB_LOCATION_URI, t2.TBL_NAME
from DBS t1, TBLS t2
where t1.DB_ID=t2.DB_ID and t1.`NAME` like 'hai%';
select t1.`NAME`, t1.DB_LOCATION_URI, t2.TBL_NAME
from DBS t1
inner join TBLS t2
on t1.DB_ID=t2.DB_ID and t1.`NAME` like 'hai%';
-- 数据表和存储的关系
select t1.TBL_NAME, t2.LOCATION from TBLS t1, SDS t2
where t1.SD_ID=t2.SD_ID and t1.TBL_NAME = 'user_info';
-- 数据库、表、存储的关系
select t1.`NAME`, t2.TBL_NAME, t3.LOCATION from DBS t1, TBLS t2 , SDS t3
where t1.DB_ID=t2.DB_ID and
t2.SD_ID = t3.SD_ID AND
t1.`NAME` = 'hainiu' AND
t2.TBL_NAME = 'user_info' ;执行结果：
