大数据技术Hive之一

最新推荐文章于 2023-07-22 12:51:08 发布

zhanglei_16

最新推荐文章于 2023-07-22 12:51:08 发布

阅读量466

点赞数

分类专栏： hadoop

本文链接：https://blog.youkuaiyun.com/zhanglei_16/article/details/94829340

版权

hadoop 专栏收录该内容

31 篇文章

订阅专栏

一 Hive基本概念

1.1 什么是Hive

Hive：由Facebook开源用于解决海量结构化日志的数据统计。

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

本质是：将HQL/SQL转化成MapReduce程序

1：Hive处理的数据存储在HDFS

2：Hive分析数据底层的实现是MapReduce

3：执行程序运行在Yarn上

1.2 Hive的优缺点

优点

:1：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）

:2：避免了去写MapReduce，减少开发人员的学习成本。

:3：Hive的执行延迟比较高，因此Hive常用于数据分析，对实时性要求不高的场合；

:4：Hive优势在于处理大数据，对于处理小数据没有优势，因为Hive的执行延迟比较高。

:5：Hive支持用户自定义函数，用户可以根据自己的需求来实现自己的函数。

缺点

1：Hive的HQL表达能力有限

（1）迭代式算法无法表达

（2）数据挖掘方面不擅长

2：Hive的效率比较低

（1）Hive自动生成的MapReduce作业，通常情况下不够智能化

（2）Hive调优比较困难，粒度较粗

1.3 Hive架构原理

如图中所示，Hive通过给用户提供的一系列交互接口，接收到用户的指令(SQL)，使用自己的Driver，结合元数据(MetaStore)，将这些指令翻译成MapReduce，提交到Hadoop中执行，最后，将执行返回的结果输出到用户交互接口。

1：用户接口：Client

CLI（hive shell）、JDBC/ODBC(java访问hive)、WEBUI（浏览器访问hive）

2：元数据：Metastore

元数据包括：表名、表所属的数据库（默认是default）、表的拥有者、列/分区字段、表的类型（是否是外部表）、表的数据所在目录等；

默认存储在自带的derby数据库中，推荐使用MySQL存储Metastore

3：Hadoop

使用HDFS进行存储，使用MapReduce进行计算。

4：驱动器：Driver

（1）解析器（SQL Parser）：将SQL字符串转换成抽象语法树AST，这一步一般都用第三方工具库完成，比如antlr；对AST进行语法分析，比如表是否存在、字段是否存在、SQL语义是否有误。

（2）编译器（Physical Plan）：将AST编译生成逻辑执行计划。

（3）优化器（Query Optimizer）：对逻辑执行计划进行优化。

（4）执行器（Execution）：把逻辑执行计划转换成可以运行的物理计划。对于Hive来说，就是MR/Spark。

1.4 Hive和数据库比较

由于 Hive 采用了类似SQL 的查询语言 HQL(Hive Query Language)，因此很容易将 Hive 理解为数据库。其实从结构上来看，Hive 和数据库除了拥有类似的查询语言，再无类似之处。本文将从多个方面来阐述 Hive 和数据库的差异。数据库可以用在 Online 的应用中，但是Hive 是为数据仓库而设计的，清楚这一点，有助于从应用角度理解 Hive 的特性。

查询语言

由于SQL被广泛的应用在数据仓库中，因此，专门针对Hive的特性设计了类SQL的查询语言HQL。熟悉SQL开发的开发者可以很方便的使用Hive进行开发。

数据存储位置

Hive 是建立在 Hadoop 之上的，所有 Hive 的数据都是存储在 HDFS 中的。而数据库则可以将数据保存在块设备或者本地文件系统中。

数据更新

由于Hive是针对数据仓库应用设计的，而数据仓库的内容是读多写少的。因此，Hive中不支持对数据的改写和添加，所有的数据都是在加载的时候确定好的。而数据库中的数据通常是需要经常进行修改的，因此可以使用 INSERT INTO … VALUES 添加数据，使用 UPDATE … SET修改数据。

索引

Hive在加载数据的过程中不会对数据进行任何处理，甚至不会对数据进行扫描，因此也没有对数据中的某些Key建立索引。Hive要访问数据中满足条件的特定值时，需要暴力扫描整个数据，因此访问延迟较高。由于 MapReduce 的引入， Hive 可以并行访问数据，因此即使没有索引，对于大数据量的访问，Hive 仍然可以体现出优势。数据库中，通常会针对一个或者几个列建立索引，因此对于少量的特定条件的数据的访问，数据库可以有很高的效率，较低的延迟。由于数据的访问延迟较高，决定了 Hive 不适合在线数据查询。

执行

Hive中大多数查询的执行是通过 Hadoop 提供的 MapReduce 来实现的。而数据库通常有自己的执行引擎。

执行延迟

Hive 在查询数据的时候，由于没有索引，需要扫描整个表，因此延迟较高。另外一个导致 Hive 执行延迟高的因素是 MapReduce框架。由于MapReduce 本身具有较高的延迟，因此在利用MapReduce 执行Hive查询时，也会有较高的延迟。相对的，数据库的执行延迟较低。当然，这个低是有条件的，即数据规模较小，当数据规模大到超过数据库的处理能力的时候，Hive的并行计算显然能体现出优势。

可扩展性

由于Hive是建立在Hadoop之上的，因此Hive的可扩展性是和Hadoop的可扩展性是一致的（世界上最大的Hadoop 集群在 Yahoo!，2009年的规模在4000 台节点左右）。而数据库由于 ACID 语义的严格限制，扩展行非常有限。目前最先进的并行数据库 Oracle 在理论上的扩展能力也只有100台左右。

数据规模

由于Hive建立在集群上并可以利用MapReduce进行并行计算，因此可以支持很大规模的数据；对应的，数据库可以支持的数据规模较小。

二 Hive安装环境准备

2.1 Hive安装地址

1：Hive官网地址：http://hive.apache.org/

2：文档查看地址：https://cwiki.apache.org/confluence/display/Hive/GettingStarted

3：下载地址：http://archive.apache.org/dist/hive/

4：github地址：https://github.com/apache/hive

2.2 Hive安装部署

1：Hive安装及配置

（1）把apache-hive-1.2.1-bin.tar.gz上传到linux的/opt:目录下

（2）解压apache-hive-1.2.1-bin.tar.gz到/opt/mod/目录下面

tar -zxvf apache-hive-1.2.1-bin.tar.gz -C /opt/mod/

（3）修改apache-hive-1.2.1-bin.tar.gz的名称为hive

mv apache-hive-1.2.1-bin/ hive

（4）修改/opt/mod/hive/conf目录下的hive-env.sh.template名称为hive-env.sh

cp hive-env.sh.template hive-env.sh

（5）配置hive-env.sh文件

（a）配置HADOOP_HOME路径

export HADOOP_HOME=/opt/mod/hadoop-2.8.4

（b）配置HIVE_CONF_DIR路径

export HIVE_CONF_DIR=/opt/mod/hive/conf

注：Hive的log默认存放在/tmp/itstar/hive.log目录下（当前用户名下）。

（1）修改hive的log存放日志到/opt/mod/hive/logs

（2）修改conf/hive-log4j.properties.template文件名称为hive-log4j.properties

pwd

/opt/mod/hive/conf

cp hive-log4j.properties.template hive-log4j.properties

（3）在hive-log4j.properties文件中修改log存放位置

hive.log.dir=/opt/mod/hive/logs

2：Hadoop集群配置

（1）必须启动hdfs和yarn

/opt/mod/hadoop-2.8.4/sbin/start-dfs.sh

/opt/mod/hadoop-2.8.4/sbin/start-yarn.sh

（2）在HDFS上创建/tmp和/user/hive/warehouse两个目录并修改他们的同组权限可写

/opt/mod/hadoop-2.8.4/bin/hadoop fs -mkdir /tmp
/opt/mod/hadoop-2.8.4/bin/hadoop fs -mkdir /user/hive/warehouse
/opt/mod/hadoop-2.8.4/bin/hadoop fs -chmod g+w /tmp
/opt/mod/hadoop-2.8.4/bin/hadoop fs -chmod g+w /user/hive/warehouse

3：Hive基本操作
（1）启动hive
/opt/mod/hive/bin/hive
   （2）查看数据库
   hive>show databases;
（3）打开默认数据库
   hive>use default;
（4）显示default数据库中的表
   hive>show tables;
（5）创建一张表
   hive> create table student(id int, name string) ;
（6）显示数据库中有几张表
   hive>show tables;
（7）查看表的结构
   hive>desc student;
（8）向表中插入数据
hive> insert into student values(1001,"ss1");
（9）查询表中数据
   hive> select * from student;
（10）退出hive
   hive> quit;

2.4 MySql安装

wget http://dev.mysql.com/get/Downloads/MySQL-5.7/mysql-5.7.20-linux-glibc2.12-x86_64.tar.gz

tar -zxvf mysql-5.7.20-linux-glibc2.12-x86_64.tar.gz
mv mysql-5.7.20-linux-glibc2.12-x86_64 /usr/local/
cd /usr/local
ln -s mysql-5.7.20-linux-glibc2.12-x86_64 mysql
cp /usr/local/mysql/support-files/mysql.server /etc/init.d/mysql
mkdir -p /mysql/data
mkdir -p /mysql/logs
mkdir -p /mysql/temp
groupadd mysql
useradd -r -g mysql -s /bin/false mysql
chown -R mysql:mysql /usr/local/mysql
chown -R mysql:mysql /mysql

vi /etc/profile
export PATH=/usr/local/mysql/bin:$PATH

vi /etc/my.conf
[client]
#prompt = [\\u@\\h][\\d]>\\_
#default-character-set = utf8
port = 3306
socket = /tmp/mysql.sock

[mysqld]
# GENERAL #
user = mysql
port = 3306
default-storage-engine = InnoDB
#collation_server = utf8_unicode_ci
character_set_server = utf8
socket = /tmp/mysql.sock
pid-file = /mysql/data/mysql.pid
# MyISAM #
key-buffer-size = 32M
myisam-recover-options = FORCE,BACKUP
#skip-grant-tables

# SAFETY #
max-allowed-packet = 16M
max-connect-errors = 1000000
skip-name-resolve
sysdate-is-now = 1
lower_case_table_names = 1
explicit_defaults_for_timestamp = 1

# DATA STORAGE #
datadir = /mysql/data/

# BINARY LOGGING #
server-id = 104
log-bin = /mysql/logs/mysql-bin
expire-logs-days = 7
sync-binlog = 1
log_bin_trust_function_creators = 1
# GITD MODE #
gtid_mode = ON
enforce-gtid-consistency = 1
binlog_cache_size = 4M
max_binlog_size = 1G
max_binlog_cache_size = 5G

# REPLICATION #
skip-slave-start = 1
relay-log = /mysql/logs/relay-bin
slave-net-timeout = 60
sync-master-info = 1
sync-relay-log = 1
sync-relay-log-info = 1
slave-parallel-type = LOGICAL_CLOCK
slave-parallel-workers = 8
master_info_repository = TABLE
relay_log_info_repository = TABLE
relay_log_recovery = ON
# CACHES AND LIMITS #
tmp-table-size = 32M
max-heap-table-size = 32M
query-cache-type = 0
query-cache-size = 0
max-connections = 5000
thread-cache-size = 100
open-files-limit = 65535
table-definition-cache = 4096
table-open-cache = 4096

# INNODB #
innodb-flush-method = O_DIRECT
innodb-log-files-in-group = 3
innodb-log-file-size = 1024M
innodb-flush-log-at-trx-commit = 1
innodb-file-per-table = 1
innodb-buffer-pool-size = 4G
sql_mode = STRICT_TRANS_TABLES,NO_ENGINE_SUBSTITUTION

# LOGGING #
log-error = /mysql/logs/mysql_error.log
log-queries-not-using-indexes = 1
slow-query-log = 1
slow-query-log-file = /mysql/logs/mysql_slow.log
log_timestamps = SYSTEM

# UNDO #
innodb_max_undo_log_size = 1024M
innodb_undo_log_truncate = 1
innodb_undo_logs = 128
innodb_undo_tablespaces = 4
innodb_undo_directory = /mysql/data
innodb_purge_rseg_truncate_frequency

[mysqldump]
quick
#max_allow_packet = 64M

[mysqladmin]
port = 3306
socket = /tmp/mysql.sock

#timewait#
wait_timeout=3600
interactive_timeout=3600

[xtrabackup]
port = 3306
socket = /tmp/mysql.sock

chown mysql:mysql /etc/my.cnf
初始化mysql
/usr/local/mysql/bin/mysqld --initialize --user=mysql --basedir=/usr/local/mysql/ --datadir=/mysql/data
错误日志中，查看root初始化密码
grep "root" /mysql/logs/error.log

service mysql start;
service mysql status;

mysql -uroot -pJi0wLtgDWv.V
mysql>set password=password('oracle');
mysql>use mysql;
mysql>update user set host = '%' where user = 'root';
mysql>grant all privileges on *.* to root@'%' identified by 'oracle';
mysql>flush privileges;

2.5 Hive元数据配置到MySql

2.5.1 驱动拷贝
1：上传mysql-connector-java-5.1.27-bin.jar到/opt/module/hive/lib/
cp mysql-connector-java-5.1.27-bin.jar /opt/module/hive/lib/

2.5.2 配置Metastore到MySql
1：在/opt/module/hive/conf目录下创建一个
vi hive-site.xml
2：根据官方文档配置参数，拷贝数据到hive-site.xml文件 https://cwiki.apache.org/confluence/display/Hive/AdminManual+MetastoreAdmin

<?xml version="1.0"?>
<?xml-stylesheet type="text/xsl" href="configuration.xsl"?>
<configuration>
   <property>
   <name>javax.jdo.option.ConnectionURL</name>
   <value>jdbc:mysql://192.168.1.104:3306/metastore?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>oracle</value>
   <description>password to use against metastore database</description>
   </property>
</configuration>

3：配置完毕后，如果启动hive异常，可以重新启动虚拟机。（重启后，别忘了启动hadoop集群）
:4：在hive的bin目录下执行
/opt/mod/hive/bin/schematool -dbType mysql -initSchema

2.5.3 Hive常见属性配置

2.5.3.1 Hive数据仓库位置配置

1：Default数据仓库的最原始位置是在hdfs上的：/user/hive/warehouse路径下

:2：在仓库目录下，没有对默认的数据库default创建文件夹。如果某张表属于default数据库，直接在数据仓库目录下创建一个文件夹。

:3：修改default数据仓库原始位置（将hive-default.xml.template如下配置信息拷贝到hive-site.xml文件中）

<name>hive.metastore.warehouse.dir</name>

<value>/user/hive/warehouse</value>

<description>location of default database for the warehouse</description>

</property>

配置同组用户有执行权限

/opt/mod/hadoop-2.8.4/bin/hdfs dfs -chmod g+w /user/hive/warehouse

2.5.3.2 查询后信息显示配置

1）在hive-site.xml文件中添加如下配置信息，就可以实现显示当前数据库，以及查询表的头信息配置。

<name>hive.cli.print.header</name>

</property>

<name>hive.cli.print.current.db</name>

</property>

2）重新启动hive，对比配置前后差异

（1）配置前

（2）配置后

2.5.3.3 Hive运行日志信息配置

1：Hive的log默认存放在/tmp/itstar/hive.log目录下（当前用户名下）。

2：修改hive的log存放日志到/opt/mod/hive/logs

（1）修改/opt/mod/hive/conf/hive-log4j.properties.template文件名称为

hive-log4j.properties

pwd

/opt/mod/hive/conf

cp hive-log4j.properties.template hive-log4j.properties

（2）在hive-log4j.properties文件中修改log存放位置

hive.log.dir=/opt/mod/hive/logs

2.5.3.4 多窗口启动Hive测试

1：先启动MySQL

mysql -uroot -poracle

查看有几个数据库

2.6 将本地文件导入Hive案例
需求：将本地/opt/mod/datas/student.txt这个目录下的数据导入到hive的student(id int, name string)表中。
1：数据准备：在/opt/mod/datas/student.txt这个目录下准备数据
（1）在/opt/mod/目录下创建datas
   mkdir datas
（2）在/opt/datas/目录下创建student.txt文件并添加数据
vi student.txt
1001   zhangshan
1002   lishi
1003   wangwu
1004   zhangshan1
1005   lishi1
1006   wangwu1
注意以tab键间隔。

2：Hive实际操作
（1）启动hive
   /opt/mod/hive/bin/hive
（2）显示数据库
hive>show databases;
（3）使用default数据库
   hive>use default;
（4）显示default数据库中的表
   hive>show tables;
（5）删除已创建的student表
hive (default)> drop table student;
OK
Time taken: 0.336 seconds
（6）创建student表, 并声明文件分隔符’\t’
hive (default)> create table student(id int, name string) ROW FORMAT DELIMITED FIELDS TERMINATED BY '\t';
OK
Time taken: 0.313 seconds
（7）加载/opt/datas/student.txt 文件到student数据库表中。
hive (default)> load data local inpath '/opt/datas/student.txt' into table student;
Loading data to table default.student
Table default.student stats: [numFiles=1, totalSize=79]
OK
Time taken: 0.773 seconds
（8）Hive查询结果
hive (default)> select * from student;
OK
student.id student.name
1001 zhangshan
1002 lishi
1003 wangwu
1004 zhangshan1
1005 lishi1
1006 wangwu1
Time taken: 0.18 seconds, Fetched: 6 row(s)

3：遇到的问题
再打开一个客户端窗口启动hive，会产生java.sql.SQLException异常。
Exception in thread "main" java.lang.RuntimeException: java.lang.RuntimeException: Unable to instantiate org.apache.hadoop.hive.ql.metadata.SessionHiveMetaStoreClient
at org.apache.hadoop.hive.ql.session.SessionState.start(SessionState.java:522)
at org.apache.hadoop.hive.cli.CliDriver.run(CliDriver.java:677)
at org.apache.hadoop.hive.cli.CliDriver.main(CliDriver.java:621)
at sun.reflect.NativeMethodAccessorImpl.invoke0(Native Method)
at sun.reflect.NativeMethodAccessorImpl.invoke(NativeMethodAccessorImpl.java:57)
at sun.reflect.DelegatingMethodAccessorImpl.invoke(DelegatingMethodAccessorImpl.java:43)
at java.lang.reflect.Method.invoke(Method.java:606)
at org.apache.hadoop.util.RunJar.run(RunJar.java:221)
at org.apache.hadoop.util.RunJar.main(RunJar.java:136)
Caused by: java.lang.RuntimeException: Unable to instantiate org.apache.hadoop.hive.ql.metadata.SessionHiveMetaStoreClient
at org.apache.hadoop.hive.metastore.MetaStoreUtils.newInstance(MetaStoreUtils.java:1523)
at org.apache.hadoop.hive.metastore.RetryingMetaStoreClient.<init>(RetryingMetaStoreClient.java:86)
at org.apache.hadoop.hive.metastore.RetryingMetaStoreClient.getProxy(RetryingMetaStoreClient.java:132)
at org.apache.hadoop.hive.metastore.RetryingMetaStoreClient.getProxy(RetryingMetaStoreClient.java:104)
at org.apache.hadoop.hive.ql.metadata.Hive.createMetaStoreClient(Hive.java:3005)
at org.apache.hadoop.hive.ql.metadata.Hive.getMSC(Hive.java:3024)
at org.apache.hadoop.hive.ql.session.SessionState.start(SessionState.java:503)
... 8 more
原因是，Metastore默认存储在自带的derby数据库中，推荐使用MySQL存储Metastore;

2.7 Hive常用交互命令

/opt/mod/hive/bin/hive -help
usage: hive
-d,--define <key=value> Variable subsitution to apply to hive commands. e.g. -d A=B or --define A=B
--database <databasename> Specify the database to use
-e <quoted-query-string> SQL from command line
-f <filename> SQL from files
-H,--help Print help information
--hiveconf <property=value> Use value for given property
--hivevar <key=value> Variable subsitution to apply to hive commands. e.g. --hivevar A=B
-i <filename> Initialization SQL file
-S,--silent Silent mode in interactive shell
-v,--verbose Verbose mode (echo executed SQL to the console)

1："-e"不进入hive的交互窗口执行sql语句
/opt/mod/hive/bin/hive -e "select id from student;"
OK
id
1001
1002
1003
1004
1005
1006
Time taken: 4.308 seconds, Fetched: 6 row(s)

2："-f"执行脚本中sql语句
   （1）在/opt/datas目录下创建hivef.sql文件
       vi hivef.sql
       文件中写入正确的sql语句
       select *from student;
   （2）执行文件中的sql语句
/opt/mod/hive/bin/hive -f /opt/datas/hivef.sql

OK
student.id student.name
1001 zhangshan
1002 lishi
1003 wangwu
1004 zhangshan1
1005 lishi1
1006 wangwu1
Time taken: 4.043 seconds, Fetched: 6 row(s)
You have new mail in /var/spool/mail/root

（3）执行文件中的sql语句并将结果写入文件中(注：可能含有其他的表信息，如表头)
/opt/mod/hive/bin/hive -f /opt/datas/hivef.sql > /opt/datas/hive_result.txt

cat /opt/datas/hive_result.txt
student.id student.name
1001 zhangshan
1002 lishi
1003 wangwu
1004 zhangshan1
1005 lishi1
1006 wangwu1

2.9 Hive其他命令操作

1：退出hive窗口：
hive(default)>exit;
hive(default)>quit;
在新版的oracle中没区别了，在以前的版本是有的：
exit:先隐性提交数据，再退出；
quit:不提交数据，退出；
:2：在hive cli命令窗口中如何查看hdfs文件系统
hive(default)>dfs -ls /;

3：在hive cli命令窗口中如何查看hdfs本地系统
hive(default)>! ls /opt/datas;

4：查看在hive中输入的所有历史命令
   （1）进入到当前用户的根目录/root或/home/$username
   （2）查看. hivehistory文件
cat .hivehistory

2.10 参数配置方式

1：查看当前所有的配置信息
   hive>set;
2：参数的配置三种方式
   （1）配置文件方式
默认配置文件：hive-default.xml
用户自定义配置文件：hive-site.xml
   注意：用户自定义配置会覆盖默认配置。另外，Hive也会读入Hadoop的配置，因为Hive是作为Hadoop的客户端启动的，Hive的配置会覆盖Hadoop的配置。配置文件的设定对本机启动的所有Hive进程都有效。
（2）命令行参数方式
启动Hive时，可以在命令行添加-hiveconf param=value来设定参数。
例如：
/opt/mod/hive/bin/hive -hiveconf mapred.reduce.tasks=10;
注意：仅对本次hive启动有效
查看参数设置：
hive (default)> set mapred.reduce.tasks;
显示为：mapred.reduce.tasks=10
默认mapred.reduce.tasks=-1
（3）参数声明方式
可以在HQL中使用SET关键字设定参数
例如：
hive (default)> set mapred.reduce.tasks=10;
注意：仅对本次hive启动有效。
查看参数设置
hive (default)> set mapred.reduce.tasks;
上述三种设定方式的优先级依次递增。即配置文件<命令行参数<参数声明。注意某些系统级的参数，例如log4j相关的设定，
必须用前两种方式设定，因为那些参数的读取在会话建立以前已经完成了。