一脸懵逼学习Hive(数据仓库基础构架)

Posted --->别先生<---

tags:

篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了一脸懵逼学习Hive(数据仓库基础构架)相关的知识,希望对你有一定的参考价值。

Hive是什么?其体系结构简介*
Hive的安装与管理*
HiveQL数据类型,表以及表的操作*
HiveQL查询数据***
Hive的Java客户端**

Hive的自定义函数UDF*

1:什么是Hive(一):
  (1)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。
  (2)Hive是SQL解析引擎,它将SQL语句转译成M/R Job然后在Hadoop执行。
    (3)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。
2:Hive的系统架构:
  (1)用户接口,包括 CLI,JDBC/ODBC,WebUI(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;

  (2)元数据存储,通常是存储在关系数据库如 mysql, derby 中;

       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;
  (3)解释器、编译器、优化器、执行器;

      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;
  (4)Hadoop:用 HDFS 进行存储,利用 MapReduce 进行计算;
      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)
3:Hive的安装:
  (1)把hive-0.9.0.tar.gz复制到/usr/local
  (2)解压hive-0.9.0.tar.gz与重命名
     #cd /usr/local
     #tar -zxvf hive-0.9.0.tar.gz
       #mv hive-0.9.0 hive
  (3)修改/etc/profile文件。
    #vi /etc/profile
    增加
    export HIVE_HOME=/usr/local/hive
    修改
    export PATH=$JAVA_HOME/bin:$PATH:$HADOOP_HOME/bin:$HIVE_HOME/bin
    保存退出
    #source /etc/profile
  (4)cd  $HIVE_HOME
      mv  hive-env.sh.template  hive-env.sh
      mv  hive-default.xml.template  hive-site.xml
        修改hadoop的hadoop-env.sh(否则启动hive汇报找不到类的错误)
         export HADOOP_CLASSPATH=.:$CLASSPATH:$HADOOP_CLASSPATH:
            $HADOOP_HOME/bin
     修改$HIVE_HOME/bin的hive-config.sh,增加以下三行

      export JAVA_HOME=/usr/local/jdk
      export HIVE_HOME=/usr/local/hive
      export HADOOP_HOME=/usr/local/hadoop
  (5)启动
    #hive
    hive>show tables;
    hive>create table test(id int,name string);
    hive>quit;

    观察:#hadoop fs -ls /user/hive
    参数:hive.metastore.warehouse.dir
4:Hive的metastore:

  (1)metastore是hive元数据的集中存放地。metastore默认使用内嵌的derby数据库作为存储引擎;
  (2)Derby引擎的缺点:一次只能打开一个会话;
  (3)使用Mysql作为外置存储引擎,多用户同时访问;
5:Hive的安装:
  配置MySQL的metastore
  (1)上传mysql-connector-java-5.1.10.jar到$HIVE_HOME/lib
  (2)登录MYSQL,创建数据库hive
    #mysql -uroot -padmin
    mysql>create database hive;
    mysql>GRANT all ON hive.* TO root@\'%\' IDENTIFIED BY \'admin\';
    mysql>flush privileges;
    mysql>set global binlog_format=\'MIXED\';
  (3)把mysql的数据库字符类型改为latin1
    (4)修改$HIVE_HOME/conf/hive-site.xml

<property>
    <name>javax.jdo.option.ConnectionURL</name>
    <value>jdbc:mysql://hadoop0:3306/hive?createDatabaseIfNotExist=true</value>
</property>
<property>
    <name>javax.jdo.option.ConnectionDriverName</name>
    <value>com.mysql.jdbc.Driver</value>
</property>
<property>
    <name>javax.jdo.option.ConnectionUserName</name>
    <value>root</value>
</property>
<property>
    <name>javax.jdo.option.ConnectionPassword</name>
    <value>admin</value>
</property>

6:Hive运行模式 :
  (1)Hive的运行模式即任务的执行环境
  (2)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
7: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/
  (3)、 hive 远程服务 (端口号10000) 启动方式
    #hive --service hiveserver &
8:Hive与传统数据库:

9:Hive的数据类型:
  (1)基本数据类型:
    tinyint/smallint/int/bigint
    float/double
    boolean
    string
  (2)复杂数据类型:
    Array/Map/Struct
  (3)没有date/datetime
10:Hive的数据存储:
  (1)Hive的数据存储基于Hadoop HDFS;
  (2)Hive没有专门的数据存储格式;
  (3)存储结构主要包括:数据库、文件、表、视图;
  (4)Hive默认可以直接加载文本文件(TextFile),还支持sequence file 、RC file;
  (5)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;
11:Hive的数据模型-数据库:
  (1)类似传统数据库的DataBase
  (2)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;
12:Hive的数据模型-表:
  Table 内部表
  Partition  分区表
  External Table 外部表
  Bucket  Table 桶表
13:Hive的数据模型-内部表:
    (1)数据库中的 Table 在概念上是类似
  (2)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
  (3)所有的 Table 数据(不包括 External Table)都保存在这个目录中。
  (4)删除表时,元数据与数据都会被删除
  (5)创建数据文件inner_table.dat
  (6)创建表:
    hive>create table inner_table (key string);
  (7)加载数据:
    hive>load data local inpath \'/root/inner_table.dat\' into table inner_table;
  (8)查看数据:
    select * from inner_table
    select count(*) from inner_table
  (9)删除表 drop table inner_table
14:Hive的数据模型-分区表:
  (1)Partition 对应于数据库的 Partition 列的密集索引
  (2)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

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

    (3)建数据文件partition_table.dat
  (4)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;
  (5)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\');
  (6)查看数据
    select * from partition_table
    select count(*) from partition_table
  (7)删除表 drop table partition_table
  (8)alter table partition_table add partition (daytime=\'2013-02-04\',city=\'bj\');
    通过load data 加载数据

  (9)alter table partition_table drop partition (daytime=\'2013-02-04\',city=\'bj\')
    元数据,数据文件删除,但目录daytime=2013-02-04还在

15:Hive的数据模型—桶表:
  (1)桶表是对数据进行哈希取值,然后放到不同文件中存储。
  (2)创建表
        create table bucket_table(id string) clustered by(id) into 4 buckets;        
  (3)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;
  (4)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。
  (5)抽样查询
        select * from bucket_table tablesample(bucket 1 out of 4 on id);
16:Hive的数据模型-外部表:
  (1)指向已经在 HDFS 中存在的数据,可以创建 Partition;
  (2)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;
  (3)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;
  (4)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\';

  (5)创建数据文件external_table.dat
  (6)创建表
    hive>create external table external_table1 (key string) ROW FORMAT DELIMITED FIELDS TERMINATED BY \'\\t\' location \'/home/external\';
  (7)在HDFS创建目录/home/external
    #hadoop fs -put /home/external_table.dat /home/external
  (8)加载数据
    LOAD DATA INPATH \'/home/external_table1.dat\' INTO TABLE external_table1;
  (9)查看数据
    select * from external_table
    select count(*) from external_table
  (10)删除表
    drop table external_table
17:视图操作:
  视图的创建
  CREATE VIEW v1 AS select * from t1;
18:表的操作:
  (1)表的修改
    alter table target_tab add columns (cols,string)
  (2)表的删除
    drop table
19:为什么选择Hive?
  (1)基于Hadoop的大数据的计算/扩展能力;
  (2)支持SQL like查询语言;
  (3)统一的元数据管理;
  (4)简单编程;
20:导入数据
  (1)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 ...)]
  (2)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;
21: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]

  (1)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\'
  (2)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
  (3)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
22:表连接
  (1)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;
  (2)内连接
    select b.name,a.* from dim_ac a join acinfo b on (a.ac=b.acip) limit 10;
  (3)左外连接
    select b.name,a.* from dim_ac a left outer join acinfo b on a.ac=b.acip limit 10;
23:Java客户端
  (1)Hive远程服务启动#hive --service hiveserver >/dev/null  2>/dev/null &
  (2)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));
}

24: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

以上是关于一脸懵逼学习Hive(数据仓库基础构架)的主要内容,如果未能解决你的问题,请参考以下文章

一脸懵逼学习Hive的安装

一脸懵逼学习基于CentOs的Hadoop集群安装与配置

一脸懵逼学习Struts数据校验,数据回显,模型驱动,防止表单重复提交。

一脸懵逼学习oracle(图形化界面操作---》PLSQL图形化界面)

一脸懵逼学习Storm---(一个开源的分布式实时计算系统)

一脸懵逼学习KafKa集群的安装搭建--(一种高吞吐量的分布式发布订阅消息系统)