hive基本概念

Hive

一 Hive基本概念

1 Hive简介 image

1.1 什么是 Hive

  • Hive 由 Facebook 实现并开源，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一张数据库表，并提供 HQL(Hive SQL)查询功能，底层数据是存储在 HDFS 上。
  • Hive 本质: 将 SQL 语句转换为 MapReduce 任务运行，使不熟悉 MapReduce 的用户很方便地利用 HQL 处理和计算 HDFS 上的结构化的数据,是一款基于 HDFS 的 MapReduce 计算框架
  • 主要用途：用来做离线数据分析，比直接用 MapReduce 开发效率更高。

2 Hive 架构

2.1 Hive 架构图image

2.2 Hive 组件

  • 用户接口：包括 CLI、JDBC/ODBC、WebGUI。
    • CLI(command line interface)为 shell 命令行
    • JDBC/ODBC 是 Hive 的 JAVA 实现，与传统数据库JDBC 类似
    • WebGUI 是通过浏览器访问 Hive。
    • HiveServer2基于Thrift, 允许远程客户端使用多种编程语言如Java、Python向Hive提交请求
  • 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。
    • Hive 中的元数据包括
      • 表的名字
      • 表的列
      • 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。
  • 解释器、编译器、优化器、执行器:完成 HQL 查询语句从词法分析、语法分析、编译、优化以及查询计划的生成。生成的查询计划存储在 HDFS 中，并在随后由 MapReduce 调用执行

2.3 Hive 与 Hadoop 的关系

Hive 利用 HDFS 存储数据，利用 MapReduce 查询分析数据。

Hive是数据仓库工具，没有集群的概念，如果想提交Hive作业只需要在hadoop集群 Master节点上装Hive就可以了

3 Hive 与传统数据库对比

  • hive 用于海量数据的离线数据分析。
Hive 关系型数据库
ANSI SQL 不完全支持 支持
更新 INSERT OVERWRITE\INTO TABLE(默认) UPDATE\INSERT\DELETE
事务 不支持(默认) 支持
模式 读模式 写模式
查询语言 HQL SQL
数据存储 HDFS Raw Device or Local FS
执行 MapReduce Executor
执行延迟 高 低
子查询 只能用在From子句中 完全支持
处理数据规模 大 小
可扩展性 高 低
索引 0.8版本后加入位图索引 有复杂的索引
  • hive支持的数据类型
    • 原子数据类型
      • TINYINT SMALLINT INT BIGINT BOOLEAN FLOAT DOUBLE STRING BINARY TIMESTAMP DECIMAL CHAR VARCHAR DATE
    • 复杂数据类型
      • ARRAY
      • MAP
      • STRUCT
  • hive中表的类型
    • 托管表 (managed table) (内部表)
    • 外部表

4 Hive 数据模型

  • Hive 中所有的数据都存储在 HDFS 中，没有专门的数据存储格式
  • 在创建表时指定数据中的分隔符，Hive 就可以映射成功，解析数据。
  • Hive 中包含以下数据模型：
    • db：在 hdfs 中表现为 hive.metastore.warehouse.dir 目录下一个文件夹
    • table：在 hdfs 中表现所属 db 目录下一个文件夹
    • external table：数据存放位置可以在 HDFS 任意指定路径
    • partition：在 hdfs 中表现为 table 目录下的子目录
    • bucket：在 hdfs 中表现为同一个表目录下根据 hash 散列之后的多个文件

5 Hive 安装部署

  • Hive 安装前需要安装好 JDK 和 Hadoop。配置好环境变量。

  • 下载Hive的安装包 http://archive.cloudera.com/cdh5/cdh/5/ 并解压

     tar -zxvf hive-1.1.0-cdh5.7.0.tar.gz  -C ~/app/

  • 进入到 解压后的hive目录 找到 conf目录, 修改配置文件

    cp hive-env.sh.template hive-env.sh
vi hive-env.sh

    在hive-env.sh中指定hadoop的路径

    HADOOP_HOME=/home/hadoop/app/hadoop-2.6.0-cdh5.7.0

  • 配置环境变量

    • vi ~/.bash_profile

    • export HIVE_HOME=/home/hadoop/app/hive-1.1.0-cdh5.7.0
export PATH=$HIVE_HOME/bin:$PATH

    • source ~/.bash_profile

二 Hive 基本操作

2.1 Hive HQL操作初体验

  • 创建数据库

    CREATE DATABASE test;

  • 显示所有数据库

    SHOW DATABASES;

  • 创建表

    CREATE TABLE student(classNo string, stuNo string, score int) row format delimited fields terminated by ',';
    • row format delimited fields terminated by ',' 指定了字段的分隔符为逗号，所以load数据的时候，load的文本也要为逗号，否则加载后为NULL。hive只支持单个字符的分隔符，hive默认的分隔符是\001

  • 将数据load到表中

    • 在本地文件系统创建一个如下的文本文件：/home/hadoop/tmp/student.txt

      C01,N0101,82
C01,N0102,59
C01,N0103,65
C02,N0201,81
C02,N0202,82
C02,N0203,79
C03,N0301,56
C03,N0302,92
C03,N0306,72

    •  load data local inpath '/home/hadoop/tmp/student.txt'overwrite into table student;

    • 这个命令将student.txt文件复制到hive的warehouse目录中，这个目录由hive.metastore.warehouse.dir配置项设置，默认值为/user/hive/warehouse。Overwrite选项将导致Hive事先删除student目录下所有的文件, 并将文件内容映射到表中。
      Hive不会对student.txt做任何格式处理，因为Hive本身并不强调数据的存储格式。

  • 查询表中的数据 跟SQL类似

    hive>select * from student;

  • 分组查询group by和统计 count

    hive>select classNo,count(score) from student where score>=60 group by classNo;

    从执行结果可以看出 hive把查询的结果变成了MapReduce作业通过hadoop执行

2.2 Hive的内部表和外部表

内部表(managed table) 外部表(external table)
概念 创建表时无external修饰 创建表时被external修饰
数据管理 由Hive自身管理 由HDFS管理
数据保存位置 hive.metastore.warehouse.dir （默认：/user/hive/warehouse） hdfs中任意位置
删除时影响 直接删除元数据（metadata）及存储数据 仅会删除元数据，HDFS上的文件并不会被删除
表结构修改时影响 修改会将修改直接同步给元数据 表结构和分区进行修改，则需要修复（MSCK REPAIR TABLE table_name;）

  • 案例

    • 创建一个外部表student2
    CREATE EXTERNAL TABLE student2 (classNo string, stuNo string, score int) row format delimited fields terminated by ',' location '/tmp/student';

    • 装载数据

      load data local inpath '/home/hadoop/tmp/student.txt' overwrite into table student2;

  • 显示表信息

    desc formatted table_name;

  • 删除表查看结果

    drop table student;

  • 再次创建外部表 student2

  • 不插入数据直接查询查看结果

    select * from student2;

2.3 分区表

  • 什么是分区表

    • 随着表的不断增大，对于新纪录的增加，查找，删除等(DML)的维护也更加困难。对于数据库中的超大型表，可以通过把它的数据分成若干个小表，从而简化数据库的管理活动，对于每一个简化后的小表，我们称为一个单个的分区。
    • hive中分区表实际就是对应hdfs文件系统上独立的文件夹，该文件夹内的文件是该分区所有数据文件。
    • 分区可以理解为分类，通过分类把不同类型的数据放到不同的目录下。
    • 分类的标准就是分区字段，可以一个，也可以多个。
    • 分区表的意义在于优化查询。查询时尽量利用分区字段。如果不使用分区字段，就会全部扫描。

  • 创建分区表

    tom,4300
jerry,12000
mike,13000
jake,11000
rob,10000

    create table employee (name string,salary bigint) partitioned by (date1 string) row format delimited fields terminated by ',' lines terminated by '\n' stored as textfile;

  • 查看表的分区

    show partitions employee;

  • 添加分区

    alter table employee add if not exists partition(date1='2018-12-01');

  • 加载数据到分区

    load data local inpath '/home/hadoop/tmp/employee.txt' into table employee partition(date1='2018-12-01');

  • 如果重复加载同名文件，不会报错，会自动创建一个*_copy_1.txt

  • 外部分区表即使有分区的目录结构, 也必须要通过hql添加分区, 才能看到相应的数据

    hadoop fs -mkdir /user/hive/warehouse/emp/dt=2018-12-04
hadoop fs -copyFromLocal /tmp/employee.txt /user/hive/warehouse/test.db/emp/dt=2018-12-04/employee.txt

    • 此时查看表中数据发现数据并没有变化, 需要通过hql添加分区

      alter table emp add if not exists partition(dt='2018-12-04');

    • 此时再次查看才能看到新加入的数据

  • 总结

    • 利用分区表方式减少查询时需要扫描的数据量
      • 分区字段不是表中的列, 数据文件中没有对应的列
      • 分区仅仅是一个目录名
      • 查看数据时, hive会自动添加分区列
      • 支持多级分区, 多级子目录

2.4 动态分区

  • 在写入数据时自动创建分区(包括目录结构)

  • 创建表

    create table employee2 (name string,salary bigint) partitioned by (date1 string) row format delimited fields terminated by ',' lines terminated by '\n' stored as textfile;

  • 导入数据

    insert into table employee2 partition(date1) select name,salary,date1 from employee;

  • 使用动态分区需要设置参数

    set hive.exec.dynamic.partition.mode=nonstrict;
posted @ 2024-04-04 16:31  停或走  阅读(14)  评论(0)  编辑  收藏  举报