Hive笔记整理

Posted 2020-10-26

[TOC]

---

Hive笔记整理（一）

Hive

Hive由facebook贡献给Apache，是一款建立在Hadoop之上的数据仓库的基础框架。

数据仓库

特点——关于存放在数据仓库中的数据的说明：
    是能够为企业的各个级别的决策提供数据支撑的数据
其实说白了，就是一个存放数据的仓库

数据库和数据仓库之间的区别

现代数据仓库，是构建在数据库之上的，使用数据库作为载体存放数据。
            数据仓库着重强调的是存放的历史数据，数据库着重强调的是存放在线的数据。
            数据仓库着重强调的是OLAP的操作，数据库着重强调的是OLTP的操作
                OLAP：Online Analysis Processing 联机分析处理--->对数据进行分析查询select、load
                OLTP：Online Transcation Processing 联机事务处理--->对数据进行事务性操作update delete
            数据仓库操作的都是历史数据，数据库操作的几乎都是在线交易数据

ETL---是用来构建我们一个数据仓库的概念

E(Extract 提取) 获取数据的过程，就称之为提取，采集
T(Transform 转化) 对进入仓库的数据进行分类、清洗
L(Load 加载) 数据进入仓库的过程就是Load

BI（Business Intelligence）

Hive是一款SQL的解析引擎，能够将HQL转移成为MR在hadoop计算hdfs上面的数据。

HIve的概述

存储结构

Hive的数据存储基于Hadoop HDFS
Hive没有专门的数据存储格式
存储结构主要包括：数据库、文件、表、视图、索引
Hive默认可以直接加载文本文件（TextFile），还支持SequenceFile、RCFile 、ORCFile、Parquet
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

系统架构

用户接口：包括 CLI，JDBC/ODBC，WebUI
元数据存储：通常是存储在关系数据库如 mysql, derby等等中
Driver：解释器、编译器、优化器、执行器
Hadoop：用 HDFS 进行存储，利用 MapReduce 进行计算

Hive的安装

三个前提

JDK
HADOOP
MySQL
也就是确保上面三步都安装完成后再安装Hive

第一步：安装MySQL(离线)

操作目录：/home/uplooking/soft --->安装包所在目录
1°、查询linux中已有的mysql依赖包
    [[email protected] ~]$ rpm -qa | grep mysql mysql-libs-5.1.71-1.el6.x86_64

2°、删除linux中已有的mysql依赖包
    [[email protected] ~]$ sudo rpm -e --nodeps `rpm -qa | grep mysql`

3°、安装服务端和客户端
    [[email protected] ~]$ sudo rpm -ivh soft/MySQL-server-5.5.45-1.linux2.6.x86_64.rpm
    [[email protected] ~]$ sudo rpm -ivh soft/MySQL-client-5.5.45-1.linux2.6.x86_64.rpm

4°、启动mysql server服务
    [[email protected] ~]$ sudo service mysql start(注意：离线安装后mysql的服务名称为mysql，在线安装后的服务名称为msyqld)

5°、加入到开机启动项
    [[email protected] ~]$ sudo chkconfig mysql on

6°、进行用户名密码设置
    [[email protected] ~]$ sudo /usr/bin/mysql_secure_installation

7°、对远程可访问的机器进行授权
    [email protected] ~]$ mysql -huplooking01 -uroot -puplooking
    ERROR 1130 (HY000): Host ‘uplooking01‘ is not allowed to connect to this MySQL server
    在mysql服务器登录：mysql -uroot -puplooking
    执行以下语句：
    mysql> grant all privileges on *.* to ‘root‘@‘%‘ identified by ‘uplooking‘;
    mysql> flush privileges;

第二步：安装Hive

1°、解压Hive文件：
    进入$HIVE_HOME/conf/修改文件
    cp  hive-env.sh.template  hive-env.sh
    cp  hive-default.xml.template  hive-site.xml

2°、修改$HIVE_HOME/bin的hive-env.sh，增加以下三行
    export JAVA_HOME=/opt/jdk
    export HADOOP_HOME=/home/uplooking/app/hadoop
    export HIVE_HOME=/home/uplooking/app/hive

3°、修改$HIVE_HOME/conf/hive-site.xml
    <property>
        <name>javax.jdo.option.ConnectionURL</name>
        <value>jdbc:mysql://uplooking01:3306/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>uplooking</value>
    </property>
    <property>
        <name>hive.querylog.location</name>
        <value>/home/uplooking/app/hive/tmp</value>
    </property>
    <property>
        <name>hive.exec.local.scratchdir</name>
        <value>/home/uplooking/app/hive/tmp</value>
    </property>
    <property>
        <name>hive.downloaded.resources.dir</name>
        <value>/home/uplooking/app/hive/tmp</value>
    </property>

4°、拷贝mysql驱动jar包到$HIVE_HOME/lib下面
    [[email protected] hive]$ cp ~/soft/mysql-connector-java-5.1.39.jar lib/

5°、初始化hive元数据仓库
    该执行目录$HIVE_HOME/bin
    bin]$ ./schematool -initSchema -dbType mysql -userName root -passWord uplooking

6°、启动hive
    ./hive

Hive的访问

有本地运行模式和集群运行模式

本地模式需要打开开关：set hive.exec.mode.local.auto=true
默认是集群模式
本地模式在对sql进行调试，测试的时候经常使用
<property>
    <name>hive.exec.mode.local.auto</name>
    <value>false</value>
    <description>Let Hive determine whether to run in local mode automatically</description>
</property>
<property>
    <name>hive.exec.mode.local.auto.inputbytes.max</name>
    <value>134217728</value>//128M
    <description>When hive.exec.mode.local.auto is true, input bytes should less than this for local mode.</description>
</property>
<property>
    <name>hive.exec.mode.local.auto.input.files.max</name>
    <value>4</value>
    <description>When hive.exec.mode.local.auto is true, the number of tasks should less than this for local mode.</description>
</property>

有CLI、WebGUI、JDBC的三种访问方式

CLI是最常用，也就是命令行模式

WebGUI需要自己通过hive源码制作一个war，部署到hive里面，才能够使用其提供的一个web界面来访问hive，进行相关操作

JDBC就是进行sql编程，如果hive使用的是MR的计算引擎，则其运行非常之慢，不能作为交互式查询

hive目前支持三种计算引擎:mr、spark、tez，默认是mr，spark在hive-2.0以后的版本才支持
<property>
    <name>hive.execution.engine</name>
    <value>mr</value>
</property>

Hive基本操作

数据库操作

创建数据库：
    create database mydb1;
使用数据库：
    use mydb1;
显示当前正在使用的数据库：
    set hive.cli.print.current.db=true;
显示数据库列表：
    show databases;
删除：
    drop database mydb1;

表操作

表的数据类型，除了string和复合数据类型(array, map, struct)之外，几乎和mysql一致。

DDL

DDL即数据库模式定义语言DDL(Data Definition Language)，用于描述数据库中要存储的现实世界实体的语言，其实说白了就是数据库中关于表操作的语句。

表的创建
    create table 表名(
        字段名 字段类型 注解comment, ... , 
        字段名 字段类型 注解comment
    ) comment "";
    eg.
    create table t1(
        id int,
        name string comment "this is t1‘s column name"
    ) comment "TABLE t1";

增加一列:
    alter table t1 add columns (age int) ;

删除一列？不支持删除一列
    alter table t1 drop column age;

替换，曲线完成删除一列的内容
    alter table t1 replace columns(online string);使用当前列替换掉原有的所有列

工作中，经常使用脚本的方式来对编写，并执行hql：

hive客户端：hive> source /opt/data/hive/hive-t1.hql;
linux终端一：/opt/hive/bin/hive -f hive-t1-1.hql
linux终端二：/opt/hive/bin/hive -e "set hive.exec.mode.local.auto=true;select * from test;"
    对上述linux终端的执行方式，我们还可以添加相关参数选项
    /opt/hive/bin/hive -f hive-t1-1.hql --hiveconf hive.exec.mode.local.auto=true
    /opt/hive/bin/hive -e "select * from test;" --hiveconf hive.exec.mode.local.auto=true
这样做，可以非常方便将hive的执行语句，组成成为shell脚本，在linux中调度相关shell计算hive中的数据
这两个-e和-f不能互换，

eg。
/opt/hive/bin/hive -e "use mydb1; select * from test where line like ‘%you%‘;" --hiveconf hive.cli.print.header=true
/opt/hive/bin/hive -f hive-t1-1.hql --hiveconf hive.cli.print.header=true

数据操作

向hive表中导入数据的方式

hive cli：
hive> load data local inpath ‘/opt/data/hive/hive-t1-1.txt‘ into table t1;
Linux终端：
$ hdfs dfs -put /opt/data/hive/hive-t1-1.txt /user/hive/warehouse/t1/

我们在导入数据的时候，发现数据没有解析成功，那是因为自定义的数据，行列有相关的分隔符，并没有告知当前表如何解析，或者说自定义数据的解析方式和hive表的默认的解析方式不一致。

hive表默认的解析方式----行列的分隔符

默认的行分隔符\n
默认的列分隔符\001 在键盘上如何输入呢ctrl+v ctrl+a

数据进入数据库表中的模式

读模式
    将数据加载到表中的时候，对数据的合法性不进行校验，只有在操作表的时候，才对数据合法性进行校验，不合法的数据显示为NULL(比如某一列的数据类型为日期类型，如果load的某条数据是该列不是日期类型，则该条数据的这一列不合法，导入hive之后就会显示为NULL)
    适合大数据的加载，比如hive
写模型
    在数据加载到表中的时候，需要对数据的合法性进行校验，加载到数据库中的数据，都是合法的数据。
    适合事务性数据库加载数据，常见的mysql、oracle等都是采用这种模式

自定义分隔符

create table t2 (
    id int,
    name string,
    birthday date,
    online boolean
) row format delimited ---->开启使用自定义分隔符的标识
fields terminated by ‘\t‘   ---->对每一列分隔符的定义
lines terminated by ‘\n‘;   ---->对每一行分隔符的定义，当然可以省略不写，默认和linux保持一致，同时注意，这两个顺序不能颠倒

Hive表的复合数据类型

array ---->java中的array

create table t3_arr(
    id int,
    name string,
    hobby array<string>
)
row format delimited
fields terminated by ‘\t‘;

array的默认分割是\002，在shell中如何敲出来ctrl+v ctrl+b
默认不能满足需求，需要自定义分隔符

create table t3_arr_1(
    id int,
    name string,
    hobby array<string>
)
row format delimited
fields terminated by ‘\t‘
collection items terminated by ‘,‘; 

在导入数据时，数据的格式应该如下：
1   香飘叶子    IT,Computer

array的引用，使用arrayName[index],索引从0开始

map---->java中的map

每个人都有学习(语文、数学、体育)成绩
create table t4_map(
    id int,
    name string,
    score map<string, float> comment "this is score"
) row format delimited 
fields terminated by ‘\t‘
collection items terminated by ‘,‘
map keys terminated by ‘=‘;

根据上面的定义，导入的数据格式应该如下：
1   香飘叶子    Chinese=102,Math=121,English=124

map里面的默认的key和value之间的分隔符:\003,在shell里面通过ctrl+v ctrl+c

map具体值的调用格式,列名["属性"],比如score["chinese"]

struct---->java中的object

id  name    address(province:string, city:string, zip:int)
1   小陈  bj,chaoyang,100002
2   老王  hb,shijiazhuang,052260
3   小何  hn,huaiyang,466000
4   小马  hlj,harbin,10000

create table t5_struct (
    id int,
    name string,
    address struct<province:string, city:string, zip:int>
) row format delimited 
fields terminated by ‘\t‘
collection items terminated by ‘,‘;

调用的格式：列名.属性，比如address.province

复合数据类型案例

有一张员工表：

id          int
name        string
subordinate array<int>
salary      float
tax         map<string, float>
home_info   struct<province:string, city:string, zip:int>

创建表：

create table t7_emp (
    id          int,
    name        string,
    subordinate array<int>,
    salary      float,
    tax         map<string, float>,
    home_info   struct<province:string, city:string, zip:int>           
);

查询员工的税后工资，查询家乡为河北的人员：

select id, name, salary * (1 - tax["gs"] - tax["gjj"] - tax["sb"]) sh_salary from t7_emp where home_info.province = "河北";