Hive入门

Posted 丶落幕

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Hive入门相关的知识，希望对你有一定的参考价值。

Hive入门

1 Hive 基本概念

1） hive 简介

Hive：由 Facebook 开源用于解决海量结构化日志的数据统计工具。

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

2） Hive 本质：将 HQL 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

1.2Hive 的优缺点

1.2.1 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。

1.2.2 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，由于 MapReduce 数据处理流程的限制，效率更高的算法却 无法实现。

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


1）用户接口：Client

CLI（command-line interface）、JDBC/ODBC(jdbc 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。

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。

1.4 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。

1.4.1 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。

1.4.2 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 不建议对数据的改写，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。

1.4.3 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。

1.4.4 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。

2 Hive 安装

2.1 Hive 安装地址

1）Hive 官网地址

2）文档查看地址

3）下载地址

4）github 地址

2.2Hive 安装部署

2.2.1 安装 Hive

#解压
tar -zxvf apache-hive-3.1.2-bin.tar.gz -C /opt/
#改个名字
mv apache-hive-3.1.2-bin/ hive-3.1.2
#配置环境变量
vim /etc/profile.d/my_env.sh
#添加内容
#HIVE_HOME
export HIVE_HOME=/opt/hive-3.1.2
export PATH=$PATH:$HIVE_HOME/bin
#解决日志 Jar 包冲突
mv $HIVE_HOME/lib/log4j-slf4j-impl-2.10.0.jar $HIVE_HOME/lib/log4j-slf4j-impl-2.10.0.bak
#初始化元数据库
cd /opt/hive-3.1.2/
bin/schematool -dbType derby -initSchema

2.2.2 启动并使用 Hive

#启动 hive
./bin/hive
#使用 Hive
hive> show databases;
hive> show tables;
hive> create table test(id string);
hive> insert into test values('1001');
hive> select * from test;


Hive 默认使用的元数据库为 derby，开启 Hive 之后就会占用元数据库，且不与 其他客户端共享数据(即不支持多客户端连接)，所以我们需要将 Hive 的元数据地址改为 MySQL。

2.3 MySQL 安装

直接docker启动,懒得装了(在hadoop143启动)

docker run -d -p 3306:3306 --name mysql --net mynet -v /mydata/mysql/log:/var/log/mysql -v /mydata/mysql/data:/var/lib/mysql -v /mydata/mysql/conf:/etc/mysql -e MYSQL_ROOT_PASSWORD=root mysql:5.7

2.4 Hive 元数据配置到 MySQL

1）拷贝mysql驱动到hive的lib目录

cp /opt/package/mysql-connector-java-5.1.27-bin.jar /opt/hive-3.1.2/lib/

2）在$HIVE_HOME/conf 目录下新建 hive-site.xml 文件

vim $HIVE_HOME/conf/hive-site.xml

添加如下内容

<?xml version="1.0"?>
<?xml-stylesheet type="text/xsl" href="configuration.xsl"?>
<configuration>
 	<!-- jdbc 连接的 URL -->
 	<property>
 		<name>javax.jdo.option.ConnectionURL</name>
		<value>jdbc:mysql://hadoop143:3306/metastore?useSSL=false</value>
	</property>
 	<!-- jdbc 连接的 Driver-->
 	<property>
 		<name>javax.jdo.option.ConnectionDriverName</name>
 		<value>com.mysql.jdbc.Driver</value>
	</property>
	<!-- jdbc 连接的 username-->
 	<property>
 		<name>javax.jdo.option.ConnectionUserName</name>
 		<value>root</value>
	</property>
 	<!-- jdbc 连接的 password -->
 	<property>
 		<name>javax.jdo.option.ConnectionPassword</name>
 		<value>root</value>
	</property>
 	<!-- Hive 元数据存储版本的验证 -->
 	<property>
 		<name>hive.metastore.schema.verification</name>
 		<value>false</value>
	</property>
 	<!--元数据存储授权-->
 	<property>
 		<name>hive.metastore.event.db.notification.api.auth</name>
 		<value>false</value>
 	</property>
 	<!-- Hive 默认在 HDFS 的工作目录 -->
 	<property>
    	<name>hive.metastore.warehouse.dir</name>
 		<value>/user/hive/warehouse</value>
 	</property>
</configuration>

3）新建 Hive 元数据库

4） 初始化 Hive 元数据库

schematool -initSchema -dbType mysql -verbose

2.4.1 再次启动 Hive

#1）启动 Hive
./bin/hive
#2）使用 Hive
hive> show databases;
hive> show tables;
hive> create table test (id string);
hive> insert into test values('1001');
hive> select * from test;
#3）在另一个窗口开启 Hive,测试是否可以多客户端

2.5 使用元数据服务的方式访问 Hive

1）在 hive-site.xml 文件中添加如下配置信息

<!-- 指定存储元数据要连接的地址 -->
<property>
 	<name>hive.metastore.uris</name>
 	<value>thrift://hadoop141:9083</value>
</property>

2）启动 hive

#开启服务,前台进程,不会释放,需要再开一个窗口进行客户端连接
hive --service metastore
#启动(如果报错/tmp/hive需要写权限,删除hdfs上的tmp就行了)
bin/hive

注意: 此时直接启动bin/hive,虽然可以连接但是查不到数据的,查看日志会发现9083端口拒绝连接

2.6 使用 JDBC 方式访问 Hive

1）在 hive-site.xml 文件中添加如下配置信息

<!-- 指定 hiveserver2 连接的 host -->
<property>
 	<name>hive.server2.thrift.bind.host</name>
    <value>hadoop141</value>
</property>
<!-- 指定 hiveserver2 连接的端口号 -->
<property>
 	<name>hive.server2.thrift.port</name>
 	<value>10000</value>
</property>

2）启动 hiveserver2(日志会报错,它会去找Tez,等会就好了)
注意: hiveserver2也是一个前台进程,不会释放,需要再新开窗口进行后续操作

bin/hive --service hiveserver2

3）启动 beeline 客户端（需要多等待一会）

bin/beeline -u jdbc:hive2://hadoop141:10000 -n chen

注意: 如果查看日志发现报错User: chen is not allowed to impersonate chen

修改hadoop配置文件core-site.xml,然后分发重启

<!-- chen是用户名 -->
<property>
    <name>hadoop.proxyuser.chen.hosts</name>
    <value>*</value>
</property>
<property>
    <name>hadoop.proxyuser.chen.groups</name>
    <value>*</value>
</property>

4）看到如下界面

5）编写 hive 服务启动脚本（了解）

（1）一些shell脚本语法,编写启动脚本用的

nohup: 放在命令开头，表示不挂起,也就是关闭终端进程也继续保持运行状态

/dev/null：是 Linux 文件系统中的一个文件，被称为黑洞，所有写入改文件的内容都会被自动丢弃

2>&1 : 表示将错误重定向到标准输出上

&: 放在命令结尾,表示后台运行

一般会组合使用: nohup [xxx 命令操作]> file 2>&1 &，表示将 xxx 命令运行的结 果输出到 file 中，并保持命令启动的进程在后台运行。

nohup hive --service metastore 2>&1 &
nohup hive --service hiveserver2 2>&1 &

（2） 为了方便使用，可以直接编写脚本来管理服务的启动和关闭

#!/bin/bash
HIVE_LOG_DIR=$HIVE_HOME/logs
if [ ! -d $HIVE_LOG_DIR ]
then
	mkdir -p $HIVE_LOG_DIR
fi
#检查进程是否运行正常，参数 1 为进程名，参数 2 为进程端口
function check_process()

 	pid=$(ps -ef 2>/dev/null | grep -v grep | grep -i $1 | awk 'print$2')
 	ppid=$(netstat -nltp 2>/dev/null | grep $2 | awk 'print $7' | cut -d '/' -f 1)
 	echo $pid
	[[ "$pid" =~ "$ppid" ]] && [ "$ppid" ] && return 0 || return 1


function hive_start()

 	metapid=$(check_process HiveMetastore 9083)
 	cmd="nohup hive --service metastore >$HIVE_LOG_DIR/metastore.log 2>&1&"
 	[ -z "$metapid" ] && eval $cmd || echo "Metastroe 服务已启动"
 	server2pid=$(check_process HiveServer2 10000)
 	cmd="nohup hive --service hiveserver2 >$HIVE_LOG_DIR/hiveServer2.log 2>&1 &"
 	[ -z "$server2pid" ] && eval $cmd || echo "HiveServer2 服务已启动"


function hive_stop()

	metapid=$(check_process HiveMetastore 9083)
 	[ "$metapid" ] && kill $metapid || echo "Metastore 服务未启动"
 	server2pid=$(check_process HiveServer2 10000)
 	[ "$server2pid" ] && kill $server2pid || echo "HiveServer2 服务未启动"


case $1 in
"start")
 	hive_start
 	;;
"stop")
 	hive_stop
 	;;
"restart")
 	hive_stop
 	sleep 2
 	hive_start
 	;;
"status")
 	check_process HiveMetastore 9083 >/dev/null && echo "Metastore 服务运行正常" || echo "Metastore 服务运行异常"
 	check_process HiveServer2 10000 >/dev/null && echo "HiveServer2 服务运行正常" || echo "HiveServer2 服务运行异常"
 	;;
*)
 	echo Invalid Args!
 	echo 'Usage: '$(basename $0)' start|stop|restart|status'
 	;;
esac

3）添加执行权限并启动

chmod +x hiveservices.sh
hiveservices.sh start

4）为了方便学习,不使用Metastroe和HiveServer2(使用本地直连,注释掉配置)

2.7 Hive 常用交互命令

bin/hive -help

1）“-e” 不进入 hive 的交互窗口执行 sql 语句

bin/hive -e "select * from test;"

2）“-f” 执行脚本中 sql 语句(文件里面写的就是sql语句)

bin/hive -f hive.sql

2.8 Hive 其他命令操作

#1）退出 hive 窗口：
exit;
quit;
#2）在 hive cli 命令窗口中如何查看 hdfs 文件系统
dfs -ls /;
#3）查看在 hive 中输入的所有历史命令
cd ~
cat .hivehistory

2.9 Hive 常见属性配置

2.9.1 Hive 运行日志信息配

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

2）修改 hive 的 log 存放日志到/opt/hive-3.1.2/logs

#（1）修改/opt/hive-3.1.2/conf/hive-log4j2.properties.template 文件名称为
cd /opt/hive-3.1.2/conf/
mv hive-log4j2.properties.template hive-log4j2.properties
#（2）在 hive-log4j2.properties 文件中修改 log 存放位置
vim hive-log4j2.properties
#修改内容
property.hive.log.dir = /opt/hive-3.1.2/logs

2.9.2 打印 当前库 和 表头

在 hive-site.xml 中加入如下两个配置:

<property>
    <name>hive.cli.print.header</name>
    <value>true</value>
</property>
<property>
    <name>hive.cli.print.current.db</name>
    <value>true</value>
</property>

2.9.3 参数配置方式

（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。

#注意：仅对本次 hive 启动有效
bin/hive -hiveconf mapred.reduce.tasks=10;
#查看参数设置：
hive (default)> set mapred.reduce.tasks;

（3）参数声明方式

可以在 HQL 中使用 SET 关键字设定参数

#注意：仅对本次 hive 启动有效
hive (default)> set mapred.reduce.tasks=100;
#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

3 Hive 数据类型

3.1 基本数据类型

Hive数据类型java数据类型长度
TINYINTbyte1byte 有符号整数
SMALINTshort2byte 有符号整数
INTint4byte 有符号整数
BIGINTlong8byte 有符号整数
BOOLEANboolean布尔类型，true 或者 false
FLOATfloat单精度浮点数
DOUBLEdouble双精度浮点数
STRINGstring字符系列。可以指定字 符集。可以使用单引号或者双 引号。
TIMESTAMP时间类型
BINARY字节数组

对于 Hive 的 String 类型相当于数据库的 varchar 类型，该类型是一个可变的字符串，不 过它不能声明其中最多能存储多少个字符，理论上它可以存储 2GB 的字符数。

3.2 集合数据类型

数据类型描述
STRUCT和 c 语言中的 struct 类似，都可以通过“点”符号访 问元素内容。例如，如果某个列的数据类型是 STRUCTfirst STRING, last STRING,那么第 1 个元素可以通过字段.first 来 引用。
MAPMAP 是一组键-值对元组集合，使用数组表示法可以 访问数据。例如，如果某个列的数据类型是 MAP，其中键 ->值对是’first’->’John’和’last’->’Doe’，那么可以 通过字段名[‘last’]获取最后一个元素
ARRAY数组是一组具有相同类型和名称的变量的集合。这些 变量称为数组的元素，每个数组元素都有一个编号，编号从 零开始。例如，数组值为[‘John’, ‘Doe’]，那么第 2 个 元素可以通过数组名[1]进行引用。

1）案例实操

（1）假设某表有如下一行，我们用 JSON 格式来表示其数据结构。在 Hive 下访问的格 式为


    "name": "songsong", 
    "friends": [	//列表 Array
        "bingbing", 
        "lili"
    ], 
    "children": 	//键值 Map
        "xiao song": 18, 
        "xiaoxiao song": 19
    , 
    "address": 	//结构 Struct
        "street": "hui long guan", 
        "city": "beijing"

（2）基于上述数据结构，我们在 Hive 里创建对应的表，并导入数据。

创建本地测试文件 type-test.txt

songsong,bingbing_lili,xiao song:18_xiaoxiao song:19,hui long guan_beijing
yangyang,caicai_susu,xiao yang:18_xiaoxiao yang:19,chao yang_beijing

（3）Hive 上创建测试表 type_test

create table type_test(
name string,
friends array<string>,
children map<string, int>,
address struct<street:string, city:string>
)
row format delimited fields terminated by ','
collection items terminated by '_'
map keys terminated by ':'
lines terminated by '\\n';

（4）测试

#上传文件
hadoop fs -put type-test.txt /user/hive/warehouse/type_test
#查询数据
select * from type_test;
#一些hql,查询集合中的数据
select friends[0] from type_test;	#查询array中的数据
select children["xiao song"] from type_test;	#查询map中的数据
select address.street from type_test;	#查询struct中的数据

3.3 类型转化

类似java的自动类型提升

1）隐式类型转换规则如下

（1）任何整数类型都可以隐式地转换为一个范围更广的类型，如 TINYINT 可以转换成 INT，INT 可以转换成 BIGINT。

（2）所有整数类型、FLOAT 和 STRING 类型都可以隐式地转换成 DOUBLE。

（3）TINYINT、SMALLINT、INT 都可以转换为 FLOAT。

（4）BOOLEAN 类型不可以转换为任何其它的类型。

2）可以使用 CAST 操作显示进行数据类型转换

例如: CAST(‘1’ AS INT)将把字符串’1’ 转换成整数 1；如果强制类型转换失败，如执行 CAST(‘X’ AS INT)，表达式返回空值 NULL。

4 DDL 数据定义

4.1 创建数据库

CREATE DATABASE [IF NOT EXISTS] database_name	#IF NOT EXISTS 如果不存在
[COMMENT database_comment]	#注释
[LOCATION hdfs_path]	#指定数据库在 HDFS 上存放的位置
[WITH DBPROPERTIES (property_name=property_value, ...)];	#一些数据库信息:作者,数据库拿来干什么,邮箱类似这种,意义不大

4.1 创建数据库

#查询所有库
show databases;
#模糊查询
show databases like 'hi*';
#显示数据库信息
desc database hive;
#显示数据库详细信息
desc database extended hive;
#切换数据库
use hive;

4.3 修改数据库

#修改数据库扩展信息
alter database hive set dbproperties("CreateTime"="20210708");
#查看扩展信息
desc database extended hive;
#其他东西改不了

4.4 删除数据库

#只能删除空的库
drop database hive3;
#如果数据库不为空，可以采用 cascade 命令，强制删除
drop database hive 以上是关于Hive入门的主要内容，如果未能解决你的问题，请参考以下文章
 

 Hive 刷题——视频热度问题


 大数据之-HIVE入门（十七）


 Hive实战练习（包含数据集）


 Hive实战企业级项目之谷粒影音统计各种TopN问题


 Hive实战企业级项目之谷粒影音统计各种TopN问题


 Hive实战企业级项目之谷粒影音统计各种TopN问题