Hive和HBase整合用户指南

本文讲解的Hive和HBase整合意思是使用Hive读取Hbase中的数据。我们可以使用HQL语句在HBase表上进行查询、插入操作；甚至是进行Join和Union等复杂查询。此功能是从Hive 0.6.0开始引入的，详情可以参见HIVE-705。Hive与HBase整合的实现是利用两者本身对外的API接口互相进行通信，相互通信主要是依靠hive-hbase-handler-1.2.0.jar工具里面的类实现的。

使用

启动

我们可以使用下面命令启动Hive，使之拥有读取Hbase的功能，如果你的Hbase只有一台机器(single-node HBase server)，可以使用下面命令启动hive client：

$HIVE_HOME/bin/hive --auxpath $HIVE_HOME/lib/hive-hbase-handler-1.2.0.jar,$HIVE_HOME/lib/hbase-0.92.0.jar,$HIVE_HOME/lib/zookeeper-3.3.4.jar,$HIVE_HOME/lib/guava-r09.jar --hiveconf hbase.master=www.iteblog.com:60000

如果你的Hbase master是通过Zookeeper维护的，那么你可以在启动Hive Client的时候指定Zookeeper的地址：

$HIVE_HOME/bin/hive --auxpath $HIVE_HOME/lib/hive-hbase-handler-1.2.0.jar,$HIVE_HOME/lib/hbase-0.92.0.jar,$HIVE_HOME/lib/zookeeper-3.3.4.jar,$HIVE_HOME/lib/guava-r09.jar --hiveconf hbase.zookeeper.quorum=www.iteblog.com

上面直接将Hbase相关的依赖加到启动命令行后面实在不太方便，我们可以在hive-site.xml进行配置：

<property> 

<name>hive.querylog.location</name> 

　　<value>/home/iteblog/hive/logs</value> 

</property>

  

<property> 

　　<name>hive.aux.jars.path</name> 

　　<value>

　　　　  $HIVE_HOME/lib/hive-hbase-handler-1.2.0.jar,

　　　　  $HIVE_HOME/lib/hbase-0.92.0.jar,

　　　　  $HIVE_HOME/lib/zookeeper-3.3.4.jar,

　　　　  $HIVE_HOME/lib/guava-r09.jar

　　</value> 

</property>

 

<property> 

　　<name>hive.zookeeper.quorum</name> 

　　<value>www.iteblog.com</value> 

</property> 

从Hive中创建HBase表

使用HQL语句创建一个指向HBase的Hive表

//Hive中的表名iteblog

CREATE TABLE iteblog(key int, value string)

//指定存储处理器

STORED BY 'org.apache.hadoop.hive.hbase.HBaseStorageHandler'

//声明列族，列名

WITH SERDEPROPERTIES ("hbase.columns.mapping" = ":key,cf1:val")

//hbase.table.name声明HBase表名，为可选属性默认与Hive的表名相同，

//hbase.mapred.output.outputtable指定插入数据时写入的表，如果以后需要往该表插入数据就需要指定该值

TBLPROPERTIES ("hbase.table.name" = "iteblog", "hbase.mapred.output.outputtable" = "iteblog"); 

通过HBase shell可以查看刚刚创建的HBase表的属性

$ hbase shell

HBase Shell; enter 'help<RETURN>' for list of supported commands.

Version: 0.20.3, r902334, Mon Jan 25 13:13:08 PST 2010

hbase(main):001:0> list

iteblog

row(s) in 0.0530 seconds

hbase(main):002:0> describe "iteblog"

DESCRIPTION                                                            ENABLED                              

  {NAME => 'iteblog', FAMILIES => [{NAME => 'cf1', COMPRESSION =>      true                                

  'NONE', VERSIONS => '3', TTL => '2147483647', BLOCKSIZE => '65536',

  IN_MEMORY => 'false', BLOCKCACHE => 'true'}]}

row(s) in 0.0220 seconds

  

hbase(main):003:0> scan "iteblog"

ROW                          COLUMN+CELL                                                                     

row(s) in 0.0060 seconds

插入数据

INSERT OVERWRITE TABLE iteblog SELECT * FROM pokes WHERE foo=98;

在HBase端查看插入的数据

hbase(main):009:0> scan "iteblog"

ROW                          COLUMN+CELL                                                                     

 98                          column=cf1:val, timestamp=1267737987733, value=val_98                           

1 row(s) in 0.0110 seconds

使用Hive中映射HBase中已经存在的表

创建一个指向已经存在的HBase表的Hive表

CREATE EXTERNAL TABLE iteblog2(key int, value string)

STORED BY 'org.apache.hadoop.hive.hbase.HBaseStorageHandler'

WITH SERDEPROPERTIES ("hbase.columns.mapping" = "cf1:val")

TBLPROPERTIES("hbase.table.name" = "some_existing_table", "hbase.mapred.output.outputtable" = "some_existing_table");

该Hive表一个外部表，所以删除该表并不会删除HBase表中的数据，有几点需要注意的是：

　　1、建表或映射表的时候如果没有指定:key则第一个列默认就是行键
　　2、HBase对应的Hive表中没有时间戳概念，默认返回的就是最新版本的值
　　3、由于HBase中没有数据类型信息，所以在存储数据的时候都转化为String类型

多列及多列族的映射

如下表：value1和value2来自列族a对应的b c列，value3来自列族d对应的列e：

CREATE TABLE iteblog(key int, value1 string, value2 int, value3 int)

STORED BY 'org.apache.hadoop.hive.hbase.HBaseStorageHandler'

WITH SERDEPROPERTIES (

"hbase.columns.mapping" = ":key,a:b,a:c,d:e"

);

INSERT OVERWRITE TABLE iteblog SELECT foo, bar, foo+1, foo+2

FROM pokes WHERE foo=98 OR foo=100;

在Hbase中看起来是这样的：

hbase(main):014:0> describe "iteblog"

DESCRIPTION                                                             ENABLED                              

 {NAME => 'iteblog', FAMILIES => [{NAME => 'a', COMPRESSION => 'N true                                 

 ONE', VERSIONS => '3', TTL => '2147483647', BLOCKSIZE => '65536', IN_M                                      

 EMORY => 'false', BLOCKCACHE => 'true'}, {NAME => 'd', COMPRESSION =>                                       

 'NONE', VERSIONS => '3', TTL => '2147483647', BLOCKSIZE => '65536', IN                                      

 _MEMORY => 'false', BLOCKCACHE => 'true'}]}                                                                 

1 row(s) in 0.0170 seconds

hbase(main):015:0> scan "hbase_table_1"

ROW                          COLUMN+CELL                                                                     

 100                         column=a:b, timestamp=1267740457648, value=val_100                              

 100                         column=a:c, timestamp=1267740457648, value=101                                  

 100                         column=d:e, timestamp=1267740457648, value=102                                  

 98                          column=a:b, timestamp=1267740457648, value=val_98                               

 98                          column=a:c, timestamp=1267740457648, value=99                                   

 98                          column=d:e, timestamp=1267740457648, value=100                                  

2 row(s) in 0.0240 seconds

如果你在Hive中查询是这样的：

hive> select * from iteblog;

Total MapReduce jobs = 1

Launching Job 1 out of 1

...

OK

100 val_100 101 102

98  val_98  99  100

Time taken: 4.054 seconds

Hive Map类型在HBase中的映射规则

如下表:通过Hive的Map数据类型映射HBase表，这样每行都可以有不同的列组合，列名与map中的key对应，列值与map中的value对应

CREATE TABLE iteblog(value map<string,int>, row_key int)

STORED BY 'org.apache.hadoop.hive.hbase.HBaseStorageHandler'

WITH SERDEPROPERTIES (

"hbase.columns.mapping" = "cf:,:key"

);

INSERT OVERWRITE TABLE iteblog SELECT map(bar, foo), foo FROM pokes

WHERE foo=98 OR foo=100;

cf为列族，其列名对应map中的bar,列值对应map中的foo。执行完上面的语句，在Hbase中看起来是这样的：

hbase(main):012:0> scan "iteblog"

ROW                          COLUMN+CELL                                                                     

 100                         column=cf:val_100, timestamp=1267739509194, value=100                           

 98                          column=cf:val_98, timestamp=1267739509194, value=98                             

2 row(s) in 0.0080 seconds

Hive中查询是这样的：

hive> select * from iteblog;

Total MapReduce jobs = 1

Launching Job 1 out of 1

...

OK

{"val_100":100} 100

{"val_98":98}   98

Time taken: 3.808 seconds

注意:由于map中的key是作为HBase的列名使用的，所以map中的key类型必须为String类型。以下映射语句会报错:

CREATE TABLE iteblog(key int, value map<int,int>)

STORED BY 'org.apache.hadoop.hive.hbase.HBaseStorageHandler'

WITH SERDEPROPERTIES (

"hbase.columns.mapping" = ":key,cf:"

);

FAILED: Error in metadata: java.lang.RuntimeException: MetaException(message:org.apache.hadoop.hive.serde2.SerDeException org.apache.hadoop.hive.hbase.HBaseSerDe: hbase column family 'cf:' should be mapped to map<string,?> but is mapped to map<int,int>)

因为map中的key必须是String，其最终需要变成HBase中列的名称。

支持简单的复合行键

如下：创建一张指向HBase的Hive表，行键有两个字段，字段之间使用~分隔

CREATE EXTERNAL TABLE iteblog(key struct<f1:string, f2:string>, value string)

ROW FORMAT DELIMITED

COLLECTION ITEMS TERMINATED BY '~'

STORED BY 'org.apache.hadoop.hive.hbase.HBaseStorageHandler'

WITH SERDEPROPERTIES (

  'hbase.columns.mapping'=':key,f:c1');

最后，使用Hive集成HBase表的需注意以下几点：

　　1、对HBase表进行预分区，增大其MapReduce作业的并行度
　　2、合理的设计rowkey使其尽可能的分布在预先分区好的Region上
　　3、通过set hbase.client.scanner.caching设置合理的扫描缓存