hive--构建于hadoop之上让你像写SQL一样编写MapReduce程序

Posted 2023-01-02 traditional

hive介绍

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映射为数据库的一张表，并提供类SQL查询功能。本质就是将HQL(hive sql)转化为MapReduce程序

我们使用MapReduce开发会很麻烦，但是程序员很熟悉sql，于是hive就出现了，可以让我们像写sql一样来编写MapReduce程序，会自动将我们写的sql进行转化。但底层使用的肯定还是MapReduce。

• hive处理的数据存储在hdfs
• hive分析数据底层的默认实现是MapReduce
• 执行程序运行在yarn上

hive的优缺点

优点：

• 操作接口采用类SQL的语法，提供快速开发的能力(简单、容易上手)
• 避免了去写MapReduce，减少开发人员的学习成本
• hive的执行延迟比较高，因此hive擅长于数据分析、对实时性要求不高的场合
• 还是因为hive的延迟比较高，使得hive的优势在于处理大数据，对于处理小数据没有优势
• 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：

• hive的HQL表达能力比较有限

  1.迭代式算法无法表达

  2.数据挖掘方面不擅长

• hive的效率比较低

  1.hive虽然自动地生成MapReduce作业，但是通常情况下不够智能化

  2.hive调优比较困难，粒度较粗

hive的架构

1.用户接口：Client

CLI(hive shell)，pyhive(python访问hive)，WebUi(浏览器访问hive)

2.元数据：Meta store

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等

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字符串转成抽象语法树(ast)，这一步一般都用于第三方工具完成，比如antlr，然后对ast进行语法分析，比如表是否存在、字段是否存在、逻辑是否有误等等

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)：把逻辑执行计划转化为可以运行的物理计划。

hive和数据库的比较

由于hive采用了类似于SQL的查询语言HQL(hive query language)，因此很容易将hive理解为数据库。其实从结构上看，hive除了和数据库拥有类似的查询语言，再无相似之处，下面我们来看看两者的差异

• 查询语言

  由于SQL被广泛的运用在数据仓库中，因此，专门针对hive的特性设计类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

• 数据的存储位置

  hive是建立在hadoop之上的，所有的hive数据是存储在hdfs中的，而数据库则是可以将数据保存在块设备或本地文件系统中的

• 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不建议对数据进行改写，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进行修改的。

• 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。而由于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，即使没有索引，hive仍可以体现出优势。数据库中，通常会针对一个或几个列建立索引，因此对于少量的具有特定条件的数据访问，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。

• 执行引擎

  hive中大多数查询的执行是通过hadoop提供的MapReduce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，因此延时较高。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，数据的执行延迟较低，当然这个低是有条件的，即数据的规模较小。当数据的规模大到超过了数据库的处理能力的时候，hive的并行计算显然能够体现出其优势。

• 可扩展性

  由于hive是建立在hadoop之上的，所以hive的可扩展性和hadoop是一样的(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，扩展性非常有限。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，数据库支持的数据规模较小

hive的安装

由于hive是Apache的顶级项目(Facebook交给了Apache)，所以直接官网hive.apache.org下载，首先说明一下，安装hive之前肯定要安装jdk和hadoop，关于这两者的安装我在介绍hadoop的那篇博客中已经说了，这里不再赘述，下面我们就去官网安装hive，hive我们安装2.3.6版本，和我阿里云上2.7.7版本的hadoop是匹配的。

我的hive会安装在/opt/hive目录下，所有的大数据组件都是这样的，java的话就是/opt/java，hadoop就是/opt/hadoop

先来看看hive的目录结构

bin目录是用来执行一些命令的，我们注意到没有sbin目录，sbin目录一般是存放启动文件的，就像hadoop的sbin一样，显然对于hive是将两者合并了到bin目录里面了。conf显然是存放配置的，examples，案例，等等。

修改配置文件

hive-env.sh

在hadoop中我们说了，返回以-env.sh结尾，基本上都是配置路径，当然对于hive来说，我们要配置HADOOP_HOME和HIVE_CONF_DIR，因为hive是基于hadoop的嘛。当然conf目录下没有hive-env.sh，只有hive-env.sh.template，老规矩，需要先cp hive-env.sh.template hive-env.sh。然后,因为文件时注释掉的，我们直接在末尾添加即可，HIVE_CONF_DIR就是我们刚才说的conf目录的绝对路径

export HADOOP_HOME=/opt/hadoop/hadoop-2.7.7

export HIVE_CONF_DIR=/opt/hive/apache-hive-2.3.6-bin/conf

另外如果你的hadoop都已经配置了环境变量，那么这些配置也可以不用改，可以自动找到，但是还是建议配一下。

修改完毕，由于我已经配置了环境变量，所以在家目录启动一下hive，直接输入hive即可，如果没有配置环境变量，那么需要进入到bin目录里面

执行成功，但是当我们show?databases;的时候报错了，为啥嘞，显然是没有数据库啊，不过至少目前hive是启动成功了。

下面我们就来安装mysql

1.wget http://repo.mysql.com/mysql-community-release-el7-5.noarch.rpm

2.rpm -ivh mysql-community-release-el7-5.noarch.rpm

3.yum install mysql-server(如果失败的话，可以先执行一下yum update)

4.mysqld --initialize

5.systemctl start mysqld

6.输入：mysqladmin --version，如果有类似如下内容说明安装成功

? mysqladmin Ver 8.42 Distrib 5.6.45, for Linux on x86_64

7.设置密码：mysqladmin -u root password 你的密码

8.mysql -u root -p进入数据库

大功告成。

下载驱动配置mysql

安装驱动

我们安装好了mysql，但是java要连接是不是要需要驱动呢？是的，所以我们还需要单独下载驱动，至于驱动的下载地址，随便百度一搜java连接mysql驱动就能找到，这里我们可以使用菜鸟教程提供的https://www.runoob.com/java/java-mysql-connect.html，进去会看到页面所提供的下载路径

下载完毕之后，直接扔到HIVE_HOME的lib目录里面去就行了

配置mysql

hive默认使用的derby，我们要配置成mysql。显然要修改配置文件，这里我们修改conf目录下的hive-site.xml，但是没有这个文件，所以我们要touch?hive-site.xml，然后打开在里面输入如下内容：

<?xml version="1.0" encoding="UTF-8" standalone="no"?>
<?xml-stylesheet type="text/xsl" href="configuration.xsl"?>

<configuration>

    <!-- 指定mysql -->
    <property>
        <name>javax.jdo.option.ConnectionURL</name>mysql
        <value>jdbc:mysql://localhost:3306/metastore?createDatabaseIfNotExist=true</value>
    </property>

    <!-- 指定mysql的驱动 -->
    <property>
        <name>javax.jdo.option.ConnectionDriverName</name>mysql驱动程序
        <value>com.mysql.jdbc.Driver</value>
    </property>

    <!-- 指定mysql的用户 -->
    <property>
        <name>javax.jdo.option.ConnectionUserName</name>
        <value>root</value>
    </property>

    <!-- 指定mysql的密码 -->
    <property>
        <name>javax.jdo.option.ConnectionPassword</name>密码
        <value>密码</value>
    </property>

    <property>
        <name>hive.metastore.schema.verification</name>
        <value>false</value>
    </property>

    <property>
        <name>datanucleus.schema.autoCreateAll</name>
        <value>true</value>
    </property>

</configuration>

重新启动hive

启动成功之后，可以看到metastore这个数据库已经自动为我们创建了

随便测试一下

我们虽然查询到了数据，但是不要忘记，这个数据是存在hdfs上面的，mysql里面只是存储了元数据的信息，那么我们就来看看这个mysql里面到底存了些什么东西。数据显然存在metastore里面，但是是哪一张表呢？表有很多，但是存的那张表叫做TBLS

我们通过webUI的方式查看一下

我们把那个000000_0的文件下载下来看一看

这不就是我们之前存的内容嘛。

python连接hive

python若想连接hive，需要下载第三方包。

pip install sasl

? 这个如果直接pip安装的话其实不出意外会报错，因为有C或者C++扩展，我们需要去https://www.lfd.uci.edu/~gohlke/pythonlibs/这个网站去下载对应python版本的sasl，然后安装就可以了。至于下面三个，直接pip 安装即可

pip install thrift

pip install thrift_sasl

pip install pyhive

from sqlalchemy import create_engine
engine = create_engine("hive://47.94.174.89:10000/default")
# 就把hive当成一个数据库使用就行，也是支持sqlalchemy的，当然底层使用pyhive
import pandas as pd
df = pd.read_sql("select * from girls", engine)

golang连接hive

golang若想连接hive，同样需要下载第三方包。go?get?github.com/lwldcr/gohive?

package main

import (
    "fmt"
    "github.com/lwldcr/gohive"
    "os"
)

func main() 
    //创建连接
    client, err := gohive.NewTSaslTransport("47.94.174.89", 10000, "", "", gohive.DefaultOptions)
    if err != nil 
        fmt.Println("连接出错，错误信息：", err)
        os.Exit(1)
    

    //打开socket，启动sasl客户端，发送初始信息，打开session会话
    //这一步看似只返回了一个error，但是必须要有，否则无法查询
    if err := client.Open(); err != nil 
        fmt.Println("open failed:", err)
        os.Exit(1)
    
    defer client.Close()

    // client.Query执行查询
    rows, err := client.Query("select * from girls")
    if err != nil 
        fmt.Println("查询出错，错误信息：", err)
        os.Exit(1)
    
    defer rows.Close()

    //打印所有列
    fmt.Println(rows.Columns()) // [girls.id girls.name girls.age girls.place]

    type Girl struct 
        id int
        name string
        age int
        place string
    

    girls := make([]Girl, 0)
    //迭代
    for rows.Next() 
        girl := Girl
        //Scan
        if err := rows.Scan(&girl.id, &girl.name, &girl.age, &girl.place); err != nil 
            fmt.Println("获取数据出错，错误信息：", err)
            os.Exit(1)
        
        girls = append(girls, girl)
    

    fmt.Println(girls) // [1 nagisa 21 clannad 2 mashiro 16 sakurasou 3 yuuko 16 ef]