Hive

Hive简介

• Hive 是建立在 Hadoop 上的数据仓库基础构架。它提供了一系列的工具，可以用来进行数据提取转化加载（ETL ），这是一种可以存储、查询和分析存储在 Hadoop 中的大规模数据的机制。Hive 定义了简单的类 SQL 查询语言，称为 QL ，它允许熟悉 SQL 的用户查询数据。同时，这个语言也允许熟悉 MapReduce 开发者的开发自定义的 mapper 和 reducer 来处理内建的 mapper 和 reducer 无法完成的复杂的分析工作。
• Hive是SQL解析引擎，它将SQL语句转译成M/R Job然后在Hadoop执行。
• Hive的表其实就是HDFS的目录/文件，按表名把文件夹分开。如果是分区表，则分区值是子文件夹，可以直接在M/R Job里使用这些数据。

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的系统架构

• 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的安装

Hive只在一个节点上安装即可

上传tar包

解压

tar -zxvf hive-0.9.0.tar.gz -C /cloud/

配置mysql metastore（切换到root用户）

① 配置HIVE_HOME环境变量
rpm -qa | grep mysql
rpm -e mysql-libs-5.1.66-2.el6_3.i686 --nodeps
rpm -ivh MySQL-server-5.1.73-1.glibc23.i386.rpm 
rpm -ivh MySQL-client-5.1.73-1.glibc23.i386.rpm 
② 修改mysql的密码(直接执行)
/usr/bin/mysql_secure_installation
（注意：选择 删除匿名用户，允许用户远程连接）
③ 登陆mysql
mysql -u root -p

配置hive

cp hive-default.xml.template hive-site.xml 
修改hive-site.xml（删除所有内容，只留一个<property></property>）
添加如下内容：
<property>
    <name>javax.jdo.option.ConnectionURL</name>
    <value>jdbc:mysql://slave02:3306/hive?createDatabaseIfNotExist=true</value>
    <description>JDBC connect string for a JDBC metastore</description>
</property>
<property>
    <name>javax.jdo.option.ConnectionDriverName</name>
    <value>com.mysql.jdbc.Driver</value>
    <description>Driver class name for a JDBC metastore</description>
</property>
<property>
    <name>javax.jdo.option.ConnectionUserName</name>
    <value>root</value>
    <description>username to use against metastore database</description>
</property>
<property>
    <name>javax.jdo.option.ConnectionPassword</name>
    <value>123</value>
    <description>password to use against metastore database</description>
</property>
<property> 
    <name>hive.hwi.war.file</name>
    <value>lib/hive-hwi-0.12.0.war</value>
    <description>This sets the path to the HWI war file, relative to ${HIVE_HOME}. </description>
</property>

<property>
    <name>hive.hwi.listen.host</name>
    <value>0.0.0.0</value>
    <description>This is the host address the Hive Web Interface will listen on</description>
</property> 

<property>
    <name>hive.hwi.listen.port</name> 
    <value>9999</value> 
    <description>This is the port the Hive Web Interface will listen on</description>
</property>

安装hive和mysq完成后，将mysql的连接jar包拷贝到$HIVE_HOME/lib目录下

如果出现没有权限的问题，在mysql授权(在安装mysql的机器上执行)
mysql -uroot -p
#(执行下面的语句  *.*:所有库下的所有表   %：任何IP地址或主机都可以连接)
GRANT ALL PRIVILEGES ON *.* TO 'root'@'%' IDENTIFIED BY '123' WITH GRANT OPTION;
FLUSH PRIVILEGES;

建表(默认是内部表)

#建内部表
create table trade_detail(id bigint, account string, income double, expenses double, time string) row format delimited fields terminated by '\t';

#建分区表
create table td_part(id bigint, account string, income double, expenses double, time string) partitioned by (logdate string) row format delimited fields terminated by '\t';

#建外部表
create external table td_ext(id bigint, account string, income double, expenses double, time string) row format delimited fields terminated by '\t' location '/td_ext';

创建分区表

普通表和分区表区别：有大量数据增加的需要建分区表
create table book (id bigint, name string) partitioned by (pubdate string) row format delimited fields terminated by '\t'; 

分区表加载数据
load data local inpath './book.txt' overwrite into table book partition (pubdate='2010-08-22');

load data local inpath '/root/data.am' into table beauty partition (nation="USA");


select nation, avg(size) from beauties group by nation order by avg(size);

Hive运行模式

• Hive的运行模式即任务的执行环境
• 分为本地与集群两种，我们可以通过mapred.job.tracker 来指明
  设置方式：
  hive > SET mapred.job.tracker=local

Hive的启动方式

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/
   启动HIve Web的报错信息解决办法

3. hive 远程服务 (端口号10000) 启动方式

   hive --service hiveserver &
   

Hive与传统数据库

Hive的数据类型

• 基本数据类型
  
  • tinyint/smallint/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 、RC 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-数据库

• 类似传统数据库的DataBase

• 默认数据库”default”
  使用#hive命令后，不使用hive>use <数据库名>，系统默认的数据库。可以显式使用hive> use default;
  创建一个新库 :

  hive > create database test_dw;
  

Hive的数据模型-表

• Table 内部表
• Partition 分区表
• External Table 外部表
• Bucket Table 桶表

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
• 创建数据文件 inner_table.dat

• 创建表

  hive>create table inner_table (key string);
  

• 加载数据

  hive>load data local inpath '/root/inner_table.dat' into table inner_table;
  

• 查看数据

  select * from inner_table
  select count(*) from inner_table
  

• 删除表

  drop table inner_table
  

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 子目录为：/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(pt STRING) #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 
     FIELDS TERMINATED BY '\001'   # 字段是用什么分割开的
  STORED AS 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        
  SHOW PARTITIONS TMP_TABLE; #查看表有哪些分区        
  DESCRIBE TMP_TABLE; #查看表结构
  

  • 创建数据文件

  partition_table.dat     
  

  • 创建表

  create table partition_table(rectime string,msisdn string) partitioned by(daytime string,city string) 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_table partition (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      
  

  • 通过load data 加载数据

  alter table partition_table add partition(daytime='2013-02-04',city='bj');
  

  • 元数据 当数据文件删除时，目录daytime=2013-02-04还在

  alter table partition_table drop partition (daytime='2013-02-04',city='bj')
  

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，仅删除该链接

CREATE EXTERNAL TABLE page_view
( viewTime INT, 
  userid BIGINT,
  page_url STRING,  
 referrer_url STRING,                           
  ip STRING COMMENT 'IP Address of the User',
  country STRING COMMENT 'country of origination‘
)
COMMENT 'This is the staging page view table'
ROW FORMAT DELIMITED FIELDS TERMINATED BY '44' LINES    TERMINATED BY '12'
STORED AS TEXTFILE
LOCATION 
'hdfs://centos:9000/user/data/staging/page_view';

• 创建数据文件

  external_table.dat
  

• 创建表

  hive>create external table external_table1 (key string) ROW FORMAT 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
  

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操作

视图的创建

CREATE VIEW v1 AS select * from t1;

表的修改

alter table target_tab add columns (cols,string)

表的删除

drop 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]    INTO TABLE tablename    [PARTITION (partcol1=val1, partcol2=val2 ...)]
  

• 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_statement FROM from_statement
  

• CTAS
  CREATE [EXTERNAL] TABLE [IF NOT EXISTS] table_name
  (col_name data_type, …) …
  AS SELECT …

  例：create table new_external_test as select * from external_table1;
  

查询

• select

  SELECT [ALL | DISTINCT] select_expr, select_expr, ...
      FROM table_reference 
      [WHERE where_condition] 
      [GROUP BY col_list] 
      [ CLUSTER BY col_list | [DISTRIBUTE BY col_list] [SORT BY col_list] | [ORDER BY col_list] ]
      [LIMIT number]
  

• 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。

  SET mapred.reduce.tasks = 1  
  SELECT * FROM sales SORT BY amount DESC LIMIT 5
  

表连接

• 导入ac信息表

  hive> create table acinfo (name string,acip string)  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_ac a 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;

• 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。

3. 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

参考链接

• 启动服务报错HWIWARfilenotfound https://www.2cto.com/database/201404/294600.html
• 启动HIVE时报：No Java compiler available http://blog.youkuaiyun.com/senvil/article/details/48894259