Hive的简单介绍与使用

hive入门

1. Hive概述

1.1 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。

1.2 hive的本质

• 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

1.3 Hive的优缺点

1.3.1 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。

1.3.2 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

2. Hive架构原理

2.1 架构图

2.2 组件描述

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。

3. hive运行机制

• 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。

4. Hive和 数据库比较

4.1 描述

• 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。

4.2 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。

4.2.1 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。

4.2.2 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。

4.2.3 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。

5. 安装hive

5.1 Hive安装地址

1）Hive官网地址

http://hive.apache.org/

2）文档查看地址

https://cwiki.apache.org/confluence/display/Hive/GettingStarted

3）下载地址

http://archive.apache.org/dist/hive/

4）github地址

https://github.com/apache/hive

5.2 MySql安装

1）为什么需要Mysql

原因在于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，如果想多窗口操作就会报错，操作比较局限。以我们需要将Hive的元数据地址改为MySQL，可支持多窗口操作。

2）检查当前系统是否安装过Mysql

[hadoop@hadoop102 ~]$ rpm -qa|grep mariadb
mariadb-libs-5.5.56-2.el7.x86_64 //如果存在通过如下命令卸载
[hadoop@hadoop102 ~]$ sudo rpm -e --nodeps mariadb-libs  //用此命令卸载mariadb

3）将MySQL安装包拷贝到/opt/software目录下

[hadoop @hadoop102 software]# ll
总用量 528384
-rw-r--r--. 1 root root 609556480 3月 21 15:41 mysql-5.7.28-1.el7.x86_64.rpm-bundle.tar

4）解压MySQL安装包

[hadoop@hadoop102 software]# tar -xf mysql-5.7.28-1.el7.x86_64.rpm-bundle.tar

5）在安装目录下执行rpm安装

[hadoop @hadoop102 software]$ sudo rpm -ivh mysql-community-common-5.7.28-1.el7.x86_64.rpm

[hadoop @hadoop102 software]$ sudo rpm -ivh mysql-community-libs-5.7.28-1.el7.x86_64.rpm

[hadoop @hadoop102 software]$ sudo rpm -ivh mysql-community-libs-compat-5.7.28-1.el7.x86_64.rpm

[hadoop @hadoop102 software]$ sudo rpm -ivh mysql-community-client-5.7.28-1.el7.x86_64.rpm

[hadoop @hadoop102 software]$ sudo rpm -ivh mysql-community-server-5.7.28-1.el7.x86_64.rpm

注意:按照顺序依次执行

• 如果Linux是最小化安装的，在安装mysql-community-server-5.7.28-1.el7.x86_64.rpm时可能会出 现如下错误

  [hadoop@hadoop102 software]$ sudo rpm -ivh mysql-community-server-5.7.28-1.el7.x86_64.rpm
  
  警告：mysql-community-server-5.7.28-1.el7.x86_64.rpm: 头V3 DSA/SHA1 Signature, 密钥 ID 5072e1f5: NOKEY
  
  错误：依赖检测失败：
  
  ​    libaio.so.1()(64bit) 被 mysql-community-server-5.7.28-1.el7.x86_64 需要
  
  ​    libaio.so.1(LIBAIO_0.1)(64bit) 被 mysql-community-server-5.7.28-1.el7.x86_64 需要
  
  ​    libaio.so.1(LIBAIO_0.4)(64bit) 被 mysql-community-server-5.7.28-1.el7.x86_64 需要
  

• 通过yum安装缺少的依赖,然后重新安装mysql-community-server-5.7.28-1.el7.x86_64 即可

[hadoop@hadoop102 software] yum install -y libaio

5）删除/etc/my.cnf文件中datadir指向的目录下的所有内容，如果有内容的情况下:

查看datadir的值：

[mysqld]
datadir=/var/lib/mysql

删除/var/lib/mysql目录下的所有内容:

[hadoop @hadoop102 mysql]# cd /var/lib/mysql
[hadoop @hadoop102 mysql]# sudo rm -rf ./*    //注意执行命令的位置

6）初始化数据库

[hadoop @hadoop102 opt]$ sudo mysqld --initialize --user=mysql

7）查看临时生成的root用户的密码

[hadoop @hadoop102 opt]$ cat /var/log/mysqld.log 

8）启动MySQL服务

[hadoop@hadoop102 opt]$ sudo systemctl start mysqld

9）登录MySQL数据库

[hadoop @hadoop102 opt]$ mysql -uroot -p

Enter password: 输入临时生成的密码

登录成功.

10）必须先修改root用户的密码，否则执行其他的操作会报错

mysql> set password = password("新密码")

11）修改mysql库下的user表中的root用户允许任意ip连接

mysql> update mysql.user set host='%' where user='root';

mysql> flush privileges;

5.3 Hive安装部署

1）把apache-hive-3.1.2-bin.tar.gz上传到linux的/opt/software目录下

2）解压apache-hive-3.1.2-bin.tar.gz到/opt/module/目录下面

[hadoop@hadoop102 software]$ tar -zxvf /opt/software/apache-hive-3.1.2-bin.tar.gz -C /opt/module/

3）修改apache-hive-3.1.2-bin.tar.gz的名称为hive

[hadoop@hadoop102 software]$ mv /opt/module/apache-hive-3.1.2-bin/ /opt/module/hive

4）修改/etc/profile.d/my_env.sh，添加环境变量

[hadoop@hadoop102 software]$ sudo vim /etc/profile.d/my_env.sh

#HIVE_HOME
HIVE_HOME=/opt/module/hive
PATH=$PATH:$JAVA_HOME/bin:$HADOOP_HOME/bin:$HADOOP_HOME/sbin:$HIVE_HOME/bin
export PATH JAVA_HOME HADOOP_HOME HIVE_HOME

5）解决日志Jar包冲突

[hadoop@hadoop102 software]$ mv $HIVE_HOME/lib/log4j-slf4j-impl-2.10.0.jar $HIVE_HOME/lib/log4j-slf4j-impl-2.10.0.bak

5.4 Hive元数据配置到MySql

5.4.1 拷贝驱动

将MySQL的JDBC驱动拷贝到Hive的lib目录下

[hadoop@hadoop102 software]$ cp /opt/software/mysql-connector-java-5.1.48.jar $HIVE_HOME/lib

5.4.2 配置Metastore到MySql

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

[hadoop@hadoop102 software]$ 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://192.168.1.6:3306/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>1111</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>
      
     <!-- Hive元数据存储的验证 -->
      <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>
  </configuration>
  
  

6. 启动Hive

6.1 初始化元数据库

1）登陆MySQL

[hadoop@hadoop102 software]$ mysql -uroot -p1111

2）新建Hive元数据库

mysql> create database metastore;
mysql> quit;

3）初始化Hive元数据库

[hadoop@hadoop102 software]$ schematool -initSchema -dbType mysql -verbose

6.2 启动Hive

0）先启动hadoop集群

• 启动hdfs

  start-dfs.sh
  

• 启动yarn

  start-yarn.sh
  

1）启动Hive

[hadoop@hadoop102 hive]$ bin/hive

2）使用Hive

hive> show databases;

hive> show tables;

hive> create table test (id int);

hive> insert into test values(1);

hive> select * from test;

3）开启另一个窗口测试开启hive

[hadoop@hadoop102 hive]$ bin/hive

6.3 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://hadoop102:9083</value>
  </property>

2）启动metastore

[hadoop@hadoop202 hive]$ hive --service metastore

2020-04-24 16:58:08: Starting Hive Metastore Server

注意: 启动后窗口不能再操作，需打开一个新的shell窗口做别的操作

3）启动hive

[hadoop@hadoop202 hive]$ bin/hive

6.4 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>hadoop-002</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

[hadoop@hadoop102 hive]$ bin/hive --service hiveserver2

3）启动beeline客户端（需要多等待一会）

[hadoop@hadoop-002 hive]$ bin/beeline -u jdbc:hive2://hadoop-002:10000 -n hadoop

4）看到如下界面

Connecting to jdbc:hive2://hadoop102:10000

Connected to: Apache Hive (version 3.1.2)

Driver: Hive JDBC (version 3.1.2)

Transaction isolation: TRANSACTION_REPEATABLE_READ

Beeline version 3.1.2 by Apache Hive

0: jdbc:hive2://hadoop102:10000>

7. Hive基本使用

Hive常用交互命令

[hadoop@hadoop102 hive]$ bin/hive -help

usage: hive

 -d,--define <key=value>     Variable subsitution to apply to hive

​                 commands. e.g. -d A=B or --define A=B

  --database <databasename>   Specify the database to use

 -e <quoted-query-string>     SQL from command line

 -f <filename>          SQL from files

 -H,--help            Print help information

  --hiveconf <property=value>  Use value for given property

  --hivevar <key=value>     Variable subsitution to apply to hive

​                 commands. e.g. --hivevar A=B

 -i <filename>          Initialization SQL file

 -S,--silent           Silent mode in interactive shell

 -v,--verbose           Verbose mode (echo executed SQL to the console)

1）“-e”不进入hive的交互窗口执行sql语句

[hadoop@hadoop102 hive]$ bin/hive -e "select id from student;"

2）“-f”执行脚本中sql语句

（1）在/opt/module/hive/下创建datas目录并在datas目录下创建hivef.sql文件

[hadoop@hadoop102 datas]$ touch hivef.sql

（2）文件中写入正确的sql语句

select *from student;

（3）执行文件中的sql语句

[hadoop@hadoop102 hive]$ bin/hive -f /opt/module/hive/datas/hivef.sql

（4）执行文件中的sql语句并将结果写入文件中

[hadoop@hadoop102 hive]$ bin/hive -f /opt/module/hive/datas/hivef.sql > /opt/module/datas/hive_result.txt

Hive其他命令操作

1）退出hive窗口：

hive(default)>exit;

hive(default)>quit;

在新版的hive中没区别了，在以前的版本是有的：

exit:先隐性提交数据，再退出；

quit:不提交数据，退出；

2）在hive cli命令窗口中如何查看hdfs文件系统

hive(default)>dfs -ls /;

3）查看在hive中输入的所有历史命令

（1）进入到当前用户的根目录/root或/home/hadoop

（2）查看. hivehistory文件

[hadoop@hadoop102 ~]$ cat .hivehistory

7.1 创建表

• Hive上创建测试表test

  create table test2(
  	name string , 
  	friends array<string>,
  	childrens 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';
  
  

  字段解释：

  row format delimited fields terminated by ',' -- 列分隔符

  collection items terminated by '_' --MAP STRUCT 和 ARRAY 的分隔符(数据分割符号)

  map keys terminated by ':' -- MAP中的key与value的分隔符

  lines terminated by '\n'; -- 行分隔符

7.2 导入数据

• 导入文本数据到测试表

  • person.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
    

load data local inpath '/opt/module/person.txt' into table test2; 

7.3 访问数据

• 访问三种集合列里的数据

  • 访问三种集合列里的数据，以下分别是ARRAY，MAP，STRUCT的访问方式

  hive (default)> select friends[1],childrens['xiao song'],address.city from test2
  where name="songsong";
  OK
  _c0     _c1     city
  lili    18      beijing
  Time taken: 0.076 seconds, Fetched: 1 row(s)