Hive详细教程
为什么选择Hive？
| 基于Hadoop的大数据的计算/扩展能力 支持SQL like查询语言 统一的元数据管理 简单编程 |
Hive的安装
1.1在hadoop生态圈中属于数据仓库的角色。他能够管理hadoop中的数据，同时可以查询hadoop中的数据。
本质上讲，hive是一个SQL解析引擎。Hive可以把SQL查询转换为MapReduce中的job来运行。
hive有一套映射工具，可以把SQL转换为MapReduce中的job，可以把SQL中的表、字段转换为HDFS中的文件(夹)以及文件中的列。
这套映射工具称之为metastore，一般存放在derby、mysql中。
1.2 hive在hdfs中的默认位置是/user/hive/warehouse，是由配置文件hive-conf.xml中属性hive.metastore.warehouse.dir决定的。
2.hive的安装
(1)解压缩、重命名、设置环境变量
(2)在目录$HIVE_HOME/conf/下，执行命令mv hive-default.xml.template hive-site.xml重命名
在目录$HIVE_HOME/conf/下，执行命令mv hive-env.sh.template hive-env.sh重命名
(3)修改hadoop的配置文件hadoop-env.sh，修改内容如下：
export HADOOP_CLASSPATH=.:$CLASSPATH:$HADOOP_CLASSPATH:$HADOOP_HOME/bin
(4)在目录$HIVE_HOME/bin下面，修改文件hive-config.sh，增加以下内容：
export JAVA_HOME=/usr/local/jdk
export HIVE_HOME=/usr/local/hive
export HADOOP_HOME=/usr/local/hadoop
3.安装mysql
(1)删除linux上已经安装的mysql相关库信息。rpm -e xxxxxxx --nodeps
执行命令rpm -qa |grep mysql 检查是否删除干净
(2)执行命令 rpm -i mysql-server-******** 安装mysql服务端
(3)启动mysql 服务端，执行命令 mysqld_safe &
(4)执行命令 rpm -i mysql-client-******** 安装mysql客户端
(5)执行命令mysql_secure_installation设置root用户密码
4. 使用mysql作为hive的metastore
(1)把mysql的jdbc驱动放置到hive的lib目录下
(2)修改hive-site.xml文件，修改内容如下：
<property>
<name>javax.jdo.option.ConnectionURL</name>
<value>jdbc:mysql://hadoop0:3306/hive?createDatabaseIfNotExist=true</value>
</property>
<property>
<name>javax.jdo.option.ConnectionDriverName</name>
<value>com.mysql.jdbc.Driver</value>
</property>
<property>
<name>javax.jdo.option.ConnectionUserName</name>
<value>root</value>
</property>
<property>
<name>javax.jdo.option.ConnectionPassword</name>
<value>admin</value>
</property>
| •用户接口，包括 CLI，JDBC/ODBC，WebUI •元数据存储，通常是存储在关系数据库如 mysql, derby 中 •解释器、编译器、优化器、执行器 •Hadoop：用 HDFS 进行存储，利用 MapReduce 进行计算 |
| 用户接口主要有三个：CLI，JDBC/ODBC和 WebUI .CLI，即Shell命令行 .JDBC/ODBC是 Hive 的Java，与使用传统数据库JDBC的方式类似 .WebGUI是通过浏览器访问 Hive Hive 将元数据存储在数据库中(metastore)，目前只支持mysql、derby。Hive 中的元数据包括表的名字，表的列和分区及其属性，表的属性（是否为外部表等），表的数据所在目录等 解释器、编译器、优化器完成 HQL 查询语句从词法分析、语法分析、编译、优化以及查询计划（plan）的生成。生成的查询计划存储在HDFS 中，并在随后有 MapReduce 调用执行 Hive 的数据存储在 HDFS 中，大部分的查询由 MapReduce 完成（包含 * 的查询，比如 select * from table 不会生成 MapRedcue 任务） |
Hive的metastore
| metastore是hive元数据的集中存放地。metastore默认使用内嵌的derby数据库作为存储引擎 Derby引擎的缺点：一次只能打开一个会话 使用Mysql作为外置存储引擎，多用户同时访问 |
Hive的shell
| 1、hive 命令行模式，直接输入#/hive/bin/hive的执行程序，或者输入#hive --service cli 2、 hive web界面的 (端口号9999) 启动方式 #hive --service hwi& 用于通过浏览器来访问hive http://hadoop0:9999/hwi/ 3、 hive 远程服务 (端口号10000) 启动方式 #hive --service hiveserver& |
Hive与传统数据库
| 查询语言 |
HiveQL |
SQL |
| 数据存储位置 |
HDFS |
Raw Device or 本地FS |
| 数据格式 |
用户定义 |
系统决定 |
| 数据更新 |
不支持 |
支持 |
| 索引 |
新版本有，但弱 |
有 |
| 执行 |
MapReduce |
Executor |
| 执行延迟 |
高 |
低 |
| 可扩展性 |
高 |
低 |
| 数据规模 |
大 |
小 |
Hive的数据类型
| 基本数据类型 tinyint / smalint / int /bigint float / double boolean string 复杂数据类型 Array/Map/Struct 没有date /datetime |
Hive的数据存储
| Hive的数据存储基于Hadoop HDFS Hive没有专门的数据存储格式 存储结构主要包括：数据库、文件、表、视图 Hive默认可以直接加载文本文件（TextFile），还支持sequence file 创建表时，指定Hive数据的列分隔符与行分隔符，Hive即可解析数据 |
Hive的数据模型-内部表
| 与数据库中的 Table 在概念上是类似 每一个 Table 在 Hive 中都有一个相应的目录存储数据。例如，一个表test，它在 HDFS 中的路径为：/ warehouse/test。 warehouse是在hive-site.xml 中由 ${hive.metastore.warehouse.dir} 指定的数据仓库的目录 所有的 Table 数据（不包括 External Table）都保存在这个目录中。 删除表时，元数据与数据都会被删除 |
Hive的数据模型-分区表
| Partition 对应于数据库的 Partition 列的密集索引 在 Hive 中，表中的一个 Partition 对应于表下的一个目录，所有的 Partition 的数据都存储在对应的目录中 例如：test表中包含 date 和 city 两个 Partition， 则对应于date=20130201, city = bj 的HDFS 子目录： /warehouse/test/date=20130201/city=bj 对应于date=20130202, city=sh 的HDFS 子目录为； /warehouse/test/date=20130202/city=sh CREATE TABLE tmp_table #表名 ( title string, #字段名称 字段类型 minimum_bid double, quantity bigint, have_invoice bigint )COMMENT'注释：XXX' #表注释 PARTITIONED BY(ptSTRING) #分区表字段（如果你文件非常之大的话，采用分区表可以快过滤出按分区字段划分的数据） ROW FORMAT DELIMITED FIELDSTERMINATED BY '\001' # 字段是用什么分割开的 STOREDAS SEQUENCEFILE; #用哪种方式存储数据，SEQUENCEFILE是hadoop自带的文件压缩格式 一些相关命令 SHOW TABLES; #查看所有的表 SHOW TABLES '*TMP*'; #支持模糊查询 SHOWPARTITIONS TMP_TABLE; #查看表有哪些分区 DESCRIBE TMP_TABLE; #查看表结构 |
分区表的shell
| 创建数据文件partition_table.dat 创建表 create table partition_table(rectime string,msisdnstring) partitioned by(daytime string,citystring) row format delimited fields terminated by '\t' stored as TEXTFILE; 加载数据到分区 load data local inpath'/home/partition_table.dat' into table partition_tablepartition (daytime='2013-02-01',city='bj'); 查看数据 select * from partition_table select count(*) from partition_table 删除表 drop table partition_table |
Hive的数据模型—桶表
| 桶表是对数据进行哈希取值，然后放到不同文件中存储。 创建表create table bucket_table(id string) clustered by(id) into 4 buckets; 加载数据set hive.enforce.bucketing = true; insert into table bucket_table select name from stu; insert overwrite table bucket_table select name from stu; 数据加载到桶表时，会对字段取hash值，然后与桶的数量取模。把数据放到对应的文件中。 抽样查询 select * from bucket_table tablesample(bucket 1 out of 4 on id); |
Hive的数据模型-外部表
| 指向已经在 HDFS 中存在的数据，可以创建 Partition 它和 内部表 在元数据的组织上是相同的，而实际数据的存储则有较大的差异 内部表 的创建过程和数据加载过程（这两个过程可以在同一个语句中完成），在加载数据的过程中，实际数据会被移动到数据 仓库目录中；之后对数据对访问将会直接在数据仓库目录中完成。删除表时，表中的数据和元数据将会被同时删除 外部表只有一个过程，加载数据和创建表同时完成，并不会移动到数据仓库目录中,只是与外部数据建立一个链接。当删除一个外部表时，仅删除链接 CREATEEXTERNAL TABLE page_view
( viewTimeINT,
useridBIGINT,
page_urlSTRING,
referrer_urlSTRING,
ipSTRING COMMENT 'IP Address of the User',
country STRING COMMENT 'country of origination‘
)
COMMENT 'This is the staging page view table'
ROW FORMAT DELIMITED FIELDSTERMINATED BY '44' LINES TERMINATED BY '12'
STORED ASTEXTFILE
LOCATION 'hdfs://centos:9000/user/data/staging/page_view'; |
外部表的shell
| 创建数据文件external_table.dat 创建表 hive>create external table external_table1 (key string) ROW FORM AT DELIMITED FIELDS TERMINATED BY '\t' location '/home/external'; 在HDFS创建目录/home/external #hadoop fs -put /home/external_table.dat /home/external 加载数据 LOAD DATA INPATH '/home/external_table1.dat' INTO TABLE external_table1; 查看数据 select * from external_table select count(*) from external_table 删除表 drop table external_table |
导入数据
| •当数据被加载至表中时，不会对数据进行任何转换。Load 操作只是将数据复制/移动至 Hive 表对应的位置。 LOAD DATA [LOCAL] INPATH 'filepath' [OVERWRITE] •把一个Hive表导入到另一个已建Hive表 INSERT OVERWRITE TABLE tablename[PARTITION (partcol1=val1, partcol2=val2 ...)] select_statementFROM from_statement •CTAS CREATE [EXTERNAL] TABLE [IF NOT EXISTS] table_name (col_namedata_type, ...) … AS SELECT … 例：create table new_external_testas select * from external_table1 |
查询
| •基于Partition的查询 一般 SELECT查询是全表扫描。但如果是分区表，查询就可以利用分区剪枝（input pruning）的特性，类似“分区索引“”，只扫描一个表中它关心的那一部分。Hive当前的实现是，只有分区断言（Partitioned by）出现在离FROM子句最近的那个WHERE子句中，才会启用分区剪枝。例如，如果page_views表（按天分区）使用date列分区，以下语句只会读取分区为‘2008-03-01’的数据。 SELECT page_views.* FROM page_views WHERE page_views.date>= '2013-03-01' AND page_views.date<= '2013-03-01' •LIMIT Clause Limit可以限制查询的记录数。查询的结果是随机选择的。下面的查询语句从t1表中随机查询5条记录： SELECT * FROM t1 LIMIT 5 •Top N查询 下面的查询语句查询销售记录最大的5个销售代表。 SETmapred.reduce.tasks= 1 |
表连接
| 导入ac信息表 hive> create table acinfo(name string,acipstring) row format delimited fields terminated by '\t' stored as TEXTFILE; hive> load data local inpath'/home/acinfo/ac.dat' into table acinfo; 内连接 select b.name,a.* from dim_aca join acinfo b on (a.ac=b.acip) limit 10; 左外连接 select b.name,a.* from dim_ac a left outer join acinfo b on a.ac=b.acip limit 10; |
Java客户端
Hive远程服务启动#hive --service hiveserver>/dev/null 2>/dev/null &
JAVA客户端相关代码
Class.forName("org.apache.hadoop.hive.jdbc.HiveDriver");
Connection con = DriverManager.getConnection("jdbc:hive://192.168.1.102:10000/wlan_dw", "", "");
Statement stmt = con.createStatement();
String querySQL="SELECT * FROM wlan_dw.dim_m order by flux desc limit 10";
ResultSet res = stmt.executeQuery(querySQL);
while (res.next()) {
System.out.println(res.getString(1) +"\t" +res.getLong(2)+"\t" +res.getLong(3)+"\t" +res.getLong(4)+"\t" +res.getLong(5));
}
UDF
| 1、UDF函数可以直接应用于select语句，对查询结构做格式化处理后，再输出内容。 2、编写UDF函数的时候需要注意一下几点： a）自定义UDF需要继承org.apache.hadoop.hive.ql.UDF。 b）需要实现evaluate函数，evaluate函数支持重载。 4、步骤 a）把程序打包放到目标机器上去； b）进入hive客户端，添加jar包：hive>add jar /run/jar/udf_test.jar; c）创建临时函数：hive>CREATE TEMPORARY FUNCTION add_example AS 'hive.udf.Add'; d）查询HQL语句： SELECT add_example(8, 9) FROM scores; SELECT add_example(scores.math, scores.art) FROM scores; SELECT add_example(6, 7, 8, 6.8) FROM scores; e）销毁临时函数：hive> DROP TEMPORARY FUNCTION add_example; 注：UDF只能实现一进一出的操作，如果需要实现多进一出，则需要实现UDAF |