怒肝2W长文 !带你进入数据仓库Hive的世界理论+实践
Posted 小生凡一
tags:
篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了怒肝2W长文 !带你进入数据仓库Hive的世界理论+实践相关的知识,希望对你有一定的参考价值。
目录
1. 数据仓库概念
数据仓库(Data Warehouse)是一个面向主题的(Subject Oriented)、集成的(Integrated)、相对稳定的(Non-Volatile)、反映历史变化(Time Variant)的数据集合,用于支持管理决策。
- 数据仓库与传统数据库本质区别
数据仓库中的数据相对稳定,大部分情况下不会发变更,存储大量历史数据;
传统数据库一般只存储某一时刻状态信息,不保存历史数据。
2. Hive简介
2.1 简介
- Hive是一个构建于Hadoop顶层的数据仓库工具
- 依赖分布式文件系统HDFS存储数据,依赖分布式并行计算模型MapReduce处理数据,本身不存储和处理数据(区别:传统数据仓库支持数据存储和处理分析)
- 支持大规模数据存储、分析,具有良好的可扩展性
- 定义了简单的类似SQL 的查询语言——HiveQL/HQL
- 用户可以通过编写的HQL语句运行MapReduce任务
- 可以很容易把原来构建在关系数据库上的数据仓库应用程序移植到Hadoop平台上
- 是一个可以提供有效、合理、直观组织和使用数据的分析工具
2.2 特性
- 采用批处理方式处理海量数据
- Hive需要把HiveQL语句转换成MapReduce任务进行运行
- 数据仓库存储的是静态数据,对静态数据的分析适合采用批处理方式,不需要快速响应给出结果,而且数据本身也不会频繁变化
- 提供适合数据仓库操作的工具
- Hive本身提供了一系列对数据进行提取、转换、加载(ETL)的工具,可以存储、查询和分析存储在Hadoop中的大规模数据
- 这些工具能够很好地满足数据仓库各种应用场景
2.3 生态系统
- Hive依赖于HDFS 存储数据、
- Hive依赖于MapReduce 处理数据
- 在某些场景下Pig可以作为Hive的替代工具
- HBase 提供数据的实时访问
- Pig主要用于数据仓库的ETL环节
- Hive主要用于数据仓库海量数据的批处理分析
3. Hive系统架构
- 用户接口模块。包括CLI、HWI、JDBC、ODBC、Thrift Server
- 驱动模块(Driver)。包括编译器、优化器、执行器等,负责把HiveQL语句转换成一系列MapReduce作业
- 元数据存储模块(Metastore)。是一个独立的关系型数据库(自带derby数据库,或mysql数据库)
4. HQL转成MapReduce作业的原理
4.1 join的实现原理
select name, orderid from user join order on user.uid=order.uid;
4.2 group by的实现原理
存在一个分组(Group By)操作,其功能是把表Score的不同片段按照rank和level的组合值进行合并,计算不同rank和level的组合值分别有几条记录:
select rank, level ,count(*) as value from score group by rank, level
5. 实验练习
5.1 环境配置
5.1.1 HIVE
将Hive解压到/usr/local中
更改名字
更改hive目录所有者和所在用户组
环境配置
使环境生效
5.1.2 MYSQL
更新软件源
安装mysql-server
安装成功
确定mysql服务是否打开
启动和关闭mysql服务
- 关闭
service mysql stop
- 启动
service mysql start
5.1.3 配置MySql为hive元数据存储数据库
进入mysql shell
sudo mysql 或 sudo mysql –u root –p 命令,回车后会提示输入密码,前者输入当前系统用户密码,后者是输入 mysql root 用户密码一般为空,回车进入 mysql 命令行。这里 root是 mysql 安装时默认创建的用户,不是 Ubuntu 系统的 root 用户。
新建一个数据库用来保存hive元数据(hive_metadata_zqc)
-
配置mysql允许hive接入
将所有数据库的所有表的所有权限赋给新建的hive_zqc用户,hive_zqc、'hive’是后续操作中要对 hive-site.xml 文件配置的连接到 MySQL 数据库的用户名、密码,由你自己定义;刷新mysql系统权限关系表
exit 退出
-
配置hive
下载mysql jdbc包https://dev.mysql.com/downloads/connector/j/ ;
解压jdbc包后,将其中的jar包拷贝至hive安装目录下lib文件夹中
进入/usr/local/hive/conf 目录。将hive-default.xml.template 重命名为hive-default.xml 保存着各个配置参数的默认值。
新建一个hive-site.xml 配置文件,并添加如下内容,该文件内容会覆盖原默认值
箭头标记处说明:hive_metadata_zqc 是前面步骤 MySQL 里新建的 database、hive_zqc和 hive 是连接数据库的用户名以及密码;
-
初始化元数据库,启动 Hive,进入 Hive 运行时环境
初始化元数据库,不然有可能会报错。
可能出现错误
原因:com.google.common.base.Preconditions.checkArgument 这是因为 hive 内依赖的 guava.jar 和hadoop内的版本不一致造成的。解决方法:查看hadoop安装目录下 share/hadoop/common/lib 内 guava.jar 版本,查看 hive安装目录下lib内guava.jar的版本,如果两者不一致,删除版本低的,并拷贝高版本的。
两个版本一样了
在进行一次初始化元数据库
成功了! -
启动Hive
启动hive 之前,请先启动hadoop集群(start-dfs.sh)和确保MySQL服务正常运行。“hive”命令启动 hive。
启动hadoop集群
启动mysql
启动hive
5.2 Shell进行实验内容
表1 student_zqc:
Name | Sex | Birth | Dept | Uid |
---|---|---|---|---|
Liuyi | F | 2002/11/26 | CS | 180301 |
Chener | F | 2001/6/11 | CS | 180302 |
Zhangsan | M | 2002/9/21 | CS | 180303 |
Lisi | F | 2001/1/26 | SE | 180201 |
表2 grade_zqc:
Uid | Course | Grade |
---|---|---|
180301 | Chinese | 90 |
180301 | Math | 58 |
180301 | English | 39 |
180302 | Chinese | 91 |
180302 | Math | 95 |
180302 | English | 75 |
180303 | Chinese | 60 |
180303 | Math | 58 |
180303 | English | 53 |
180201 | Chinese | 62 |
180201 | Math | 43 |
180201 | English | 74 |
5.2.1 新建一个数据库;
新建一个数据库db_xxx,添加扩展参数:日期、学号、姓名;使用该数据库做后续操作;设置命令行显示当前使用的数据库,请保证后续操作都能显示。
创建的时候添加了日期,学号,姓名,以及存放路径
5.2.2 新建表
新建student_xxx分区表(分区字段Dept)和grade_xxx内部表,分别查看表结构和存储路径;(字段类型自定义)
5.2.3 添加分区
在表student_zqc中添加两个分区Dept=’CS’和Dept=’SE’,从本地导入数据到student_xxx表的两个分区中,分别查看两个分区所有记录,查看表数据存储目录;
从文件中加载数据,load data
语法 :
LOAD DATA [LOCAL] INPATH 'filepath' [OVERWRITE] INTO TABLE tablename
首先在本地主目录下创建数据文件 input.txt,并上传到 HDFS 中。
注意分隔符要跟你表设置一致。
- 本地创建两个文件
input1.txt
input.txt
- 将两个文件上传到HDFS
- 在hive中加载
- 查看是否加载成功
5.2.4 导入grade_zqc
从HDFS导入数据到grade_xxx表中,查看grade_xxx表所有记录,查看表数据存储目录;
本地创建表 input3.txt
上传到hdfs
加载到hive中
5.2.5 统计男、女生人数
select sex,count(1) from student_zqc group by sex;
5.2.6 统计每个学生所有科目的总分以及平均分
select uid,avg(grade) from grade_zqc group by uid;
5.2.7 统计每个科目有多少人以及每个科目平均成绩
5.2.8 查询chinese科目得分排前两名学生学号和分数;
5.2.9 创建一个新表rank_zqc保存CS系每个学生信息和科目总分,按成绩降序排序,并查询结果;
5.2.10 统计每个系所有科目平均成绩在所有系中的占比。
例如CS系Chinese科目平均成绩在所有系的比例是1.06。
5.2.11 统计每个系每个科目考试不合格学生的占比。
5.2.12 删除分区,删除表,删除库,退出Hive。(删除操作请谨慎!)
查看表分区
删除分区
删除表
删除库
退出
5.3 JavaApi进行实验内容
编写一个UDF,函数名UDFXxx,查询学生(输入字段:student_xxx.Birth)出生天数。给出定义和使用UDF的完整流程和截图。
添加包
import org.apache.hadoop.hive.ql.exec.UDF;
import org.apache.hadoop.io.IntWritable;
import org.apache.hadoop.io.Text;
import org.joda.time.DateTime;
import org.joda.time.format.DateTimeFormat;
import org.joda.time.format.DateTimeFormatter;
import java.text.ParseException;
import java.text.SimpleDateFormat;
import java.util.Date;
public class UDFzqc extends UDF{
public final static DateTimeFormatter DEFAULT_DATE_FORMATTER = DateTimeFormat.forPattern("yyyy/MM/dd");
private Text result = new Text();
public Text evaluate(Text birthday) throws ParseException{
DateTime dateTime = null;
try {
dateTime = DateTime.parse(birthday.toString(), DEFAULT_DATE_FORMATTER);
}catch(Exception e) {
return null;
}
return evaluate(dateTime.toDate());
}
public Text evaluate(Date birthday) throws ParseException{
DateTime dateTime = new DateTime(birthday);
return evaluate(new IntWritable(dateTime.getYear()), new IntWritable(dateTime.getMonthOfYear()),
new IntWritable(dateTime.getDayOfMonth()));
}
public Text evaluate(IntWritable year, IntWritable month,IntWritable day) throws ParseException{
result.set(getDays(year.get(), month.get(), day.get()));
return result;
}
private String getDays(int year, int month, int day) throws ParseException{
String s = year + "/" + month + "/" + day;
SimpleDateFormat sdf = new SimpleDateFormat("yyyy/MM/dd");
Date d = sdf.parse(s);
long birthTime = d.getTime();
long nowTime = new Date().getTime();
return (nowTime - birthTime)/1000/3600/24 + " days";
}
public static void main(String[] args) throws ParseException{
UDFzqc test = new UDFzqc();
System.out.println(test.evaluate(new Text("2021/06/01")));
}
}
最后
小生凡一,期待你的关注
以上是关于怒肝2W长文 !带你进入数据仓库Hive的世界理论+实践的主要内容,如果未能解决你的问题,请参考以下文章
硬不硬核,你说了算,怒肝Android Framework学习路线一条龙!(万字长文+视频资源)
2w字长文详细介绍 Python 处理日期与时间,这篇太给力了!