Hive部署及优化配置

1.1安装

1.Hive依赖hadoop环境，所有在装之前要先安装hadoop，hive一般安装在hadoop的NameNode节点上面；
2.下载 Hive最新Release版(0.7.1 ) http://www.apache.org/dyn/closer.cgi/hive/
3.将压缩安装包解压至一目录，如/home/hadoop/hive
4.配制metadata存放方式
默认metadatga是存放在derby里，这种方式不允许多个用户同时登陆hive shell,所有建议用mysql。
1）下载mysql驱动(http://download.csdn.net/detail/linjsh/2853585)，并将驱动mysql-connector-java-5.1.11-bin.jar拷到/home/hadoop/hive/lib目录下；
2）将/home/hadoop/hive/conf目录下的hive-default.xml复制一份，并改名为hive-site.xml
cp /home/hadoop/hive/conf/hive-default.xml /home/hadoop/hive/conf/hive-site.xml
3）配制hive-site.xml
<property>
<name>javax.jdo.option.ConnectionURL</name>
<value>jdbc:mysql://localhost:3306/hive?createDatabaseIfNotExist=true</value>
<description>JDBC connect string for a JDBC metastore</description>
</property>
<property>
<name>javax.jdo.option.ConnectionDriverName</name>
<value>com.mysql.jdbc.Driver</value>
<description>Driver class name for a JDBC metastore</description>
</property>
<property>
<name>javax.jdo.option.ConnectionUserName</name>
<value>hive</value>
<description>username to use against metastore database</description>
</property>
<property>
<name>javax.jdo.option.ConnectionPassword</name>
<value>hivepasswd</value>
<description>password to use against metastore database</description>
</property>
上述配制项中javax.jdo.option.ConnectionURL指明连接mysql的主机，端口，数据库等信息。
配制完毕后，在shell下执行/home/hadoop/hive/bin/hive进入hive控制台，进入控制台后，会出现”hive> ”提示符，输入show tables 命令，如果执行没问题说明安装成功。

1.2 Hive的基本操作

1)创建表：CREATE TABLE pokes (foo INT，bar STRING)；
2)创建表并创建分区字段ds
CREATE TABLE invites (foo INT，bar STRING) PARTITIONED BY (ds STRING)；
3)显示所有表SHOW TABLES；
4)按正条件（正则表达式）显示表，SHOW TABLES ‘.*s’；
5)表添加一列ALTER TABLE pokes ADD COLUMNS (new_col INT)；
6)添加一列并增加列字段注释ALTER TABLE invites ADD COLUMNS (new_col2 INT COMMENT ‘a comment’)；
7)更改表名ALTER TABLE events RENAME TO 3koobecaf；
8)将文件中的数据加载到表中
LOAD DATA LOCAL INPATH ‘./examples/files/kv1.txt’ OVERWRITE INTO TABLE pokes；
9)加载本地数据，同时给定分区信息
LOAD DATA LOCAL INPATH ‘./examples/files/kv2.txt’ OVERWRITE INTO TABLE invites PARTITION (ds=’2008-08-15′)；
10)加载DFS数据 ，同时给定分区信息
LOAD DATA INPATH ‘/user/myname/kv2.txt’ OVERWRITE INTO TABLE invites PARTITION (ds=’2008-08-15′)；
11)将查询结果输出至本地目录文件
INSERT OVERWRITE LOCAL DIRECTORY ‘/tmp/local_out’ SELECT a.* FROM pokes a；
12)为表创建索引
为表userloginlog创建索引
create index index_user_login_log on table userloginlog(userid) AS ‘org.apache.hadoop.hive.ql.index.compact.CompactIndexHandler’ WITH DEFERRED REBUILD ；
为表userloginlog更新索引
ALTER INDEX index_user_login_log ON userloginlog REBUILD；
显示属于表index_user_login_log的索引
show index on index_user_login_log；
删除表userloginlog中的索引index_user_login_log
drop index index_user_login_log on userloginlog；
13)启动hive服务
bin/hive –service hiveserver  10000

1.3使用Hive进行数据分析的步聚

1.创建与Log文件字段相对应的Table，如日志文件
CREATE TABLE UserLoginLog(userid string，char_id string，user_name string，
user_ip string，login_time string，product_id string，
region_id string)
ROW FORMAT DELIMITED FIELDS TERMINATED BY ‘\t’ STORED AS TEXTFILE
LOCATION ‘/home/hive/hivedata/login/’；
2.将日志文件数据导入到Hive Table中 导入数据有两种方式，一种是通过Load Data命令：
LOAD DATA LOCAL INPATH ‘/home/hive/test/login.log ‘ OVERWRITE INTO TABLE UserLoginLog，另外是直接通过sh命令将日志文件上传到HDFS中。
hadoop dfs -put /home/hive/test/login/* /home/hive/hivedata/login/
3.基于Hive Table进行数据分析，如分析每个区域用户登陆次数，并将结果保存至/tmp/result_out文件中
INSERT OVERWRITE LOCAL DIRECTORY ‘/tmp/result_out’ Select count(userid) from UserLoginLog group by region_id；
SELECT count(userid) FROM useractivelog JOIN
userloginlog ON (useractivelog.user_id = userloginlog.userid)；

2.2 SQL优化

1.列裁剪（Column Pruning）
在读数据的时候，只读取查询中需要用到的列，而忽略其他列。例如，对于查询：
SELECT a，b FROM T WHERE e < 10；
其中，T 包含5 个列(a，b，c，d，e)，列c，d 将会被忽略，只会读取a，b，e 列
这个选项默认为真： hive.optimize.cp = true
2.分区裁剪（Partition Pruning）
在查询的过程中减少不必要的分区。例如，对于下列查询：
SELECT * FROM (SELECT c1，COUNT(1)
FROM T GROUP BY c1) subq
WHERE subq.prtn = 100；

SELECT * FROM T1 JOIN
(SELECT * FROM T2) subq ON (T1.c1=subq.c2)
WHERE subq.prtn = 100；
此选项默认为真：hive.optimize.pruner=true
3.Join在使用写有Join 操作的查询语句时有一条原则：应该将条目少的表/子查询放在Join 操作符的左边。原因是在Join 操作的Reduce 阶段，位于Join 操作符左边的表的内容会被加载进内存，将条目少的表放在左边，可以有效减少发生OOM 错误的几率。
4.合并小文件
小文件数目过多，会给HDFS 带来压力，并且严重影响处理效率，可以通过合并Map 和Reduce 的结果文件来消除这样的影响。对于小文件问题，Hadoop本身也提供了几个解决方案，分别为：Hadoop Archive，Sequence file和CombineFileInputFormat。具体的做法请参考http://dongxicheng.org/mapreduce/hdfs-small-files-solution/。
5.创建索引
经测试创建索引不会提高查询速度。

2.3 基于分区优化

参考http://www.tbdata.org/archives/1765

3.1 测试环境

机器	用途	系统	硬件配制
hadoop1	Master	Cenos5.S， Linux version 2.6.18-194.32.1.el5	Intel(R) Celeron(R) CPU 2.80GHz 1GMemory
hadoop2	Slave	Cenos5.S， Linux version 2.6.18-194.32.1.el5	VM(Pentium(R) Dual-Core  CPU 2.5GHz) 1GMemory
hadoop3	Salve	Cenos5.S， Linux version 2.6.18-194.32.1.el5	4CPU Intel(R) Xeon(R)E5606  @ 2.13GHz 4GMemory

3.2 测试数据

4月 30~6月4日共有36天的的用户登陆日志，文件大小为4.3G，6008万条数，数据是以Mysql数据文件的形式按天存储（一天数据单独存放一张表， 共有36张表）。

3.3 导入测试数据

1. 在mysql建立数据库名为hive的数据库，然后将数据文件copy到mysql数据目录的hive子目录下，这样在hive库中，就有36张表了；
2. 用脚本分别将36张表的数据导出至csv文本中，命令如下：
SELECT * FROM login_game_20110430  INTO OUTFILE ‘/var/lib/mysql/output/log1.csv’ FIELDS TERMINATED BY ‘\t’ LINES TERMINATED BY ‘\n’；
SELECT * FROM login_game_20110501  INTO OUTFILE ‘/var/lib/mysql/output/log2.csv’ FIELDS TERMINATED BY ‘\t’ LINES TERMINATED BY ‘\n’；对应的csv文件分别是log1.csv，log2.csv…….log36.csv；
3. 进入hive命令行，建立与日志文件字段相对应的表，语句如下：
CREATE TABLE UserLoginLog(userid string，char_id string，user_name string，
user_ip string，login_time string，product_id string，
region_id string)
ROW FORMAT DELIMITED FIELDS TERMINATED BY ‘\t’ STORED AS TEXTFILE
LOCATION ‘/home/hive/hivedata/login/’；
Location后面跟的目录就是表中数据存放在HDFS中的位置
1.       将log1.csv，log2.csv…..log36.csv批量导入到表UserLoginLog数据文件所在的目录，即创建表中所指定的目录“/home/hive/hivedata/login/”
hadoop dfs -put /home/hive/test/datafrommysql/sum.csv /home/hive/hivedata/login/（上传时间为9分钟）
经过如下步聚，数据已经完全导入，可以进行测试了。

3.4 测试结果

	Hive中的执行时间	Mysql中的执行时间
Select * from UserLoginLog where uid=’’	3分4秒(on indexed) 3分39秒(indexed 创建索引需要23分钟)	47秒(no indexed) 1秒之内(indexed)
Select count(userid) from UserLoginLog	3分40秒	1秒之内