Hadoop
Hadoop
1. 大数据简介
1.1 大数据的由来
随着计算机技术的发展，互联网的普及，信息的积累已经到了一个非常庞大的地步，信息的增长也在不断的加快，随着互联网、物联网建设的加快，信息更是爆炸式增长，收集、检索、统计这些信息越发困难，必须使用新的技术来解决这些问题
1.2 什么是大数据
【1】定义
大数据指无法在一定时间范围内用常规软件工具进行捕捉、管理和处理的数据集合，需要新处理模式才能具有更强的决策力、洞察发现力和流程优化能力的海量、高增长率和多样化的信息资产
【2】总结
大数据是指即从各种各样类型的数据中，获得有价值的信息
1.3 大数据特性
【1】大体量（Volume）
数据体量大,一般从TB级别开始计算，可从数百TB到数十数百PB甚至EB的规模
KB、MB、GB、TB、PB、EB、... ...
1KB = 1024Bytes
1MB = 1024K
1GB = 1024M
1TB = 1024G
1PB = 1024T
1EB = 1024P
... ...
【2】多样性（Variety）
数据的种类和来源多
【3】时效性（Velocity）
很多大数据需要在一定的时间限度下得到及时处理
【4】准确性（Veracity）
处理的结果要保证一定的准确性
【5】大价值（Value）
大数据包含很多深度的价值，大数据分析挖掘和利用将带来巨大的商业价值
【补充】
数据的价值密度越来越低,但是这并不意味着想要的数据越来越少,相反我们想要的数据是越来越多，但是样本总量的增长速度是要高于想要的数据的增长速度的
1.4 大数据与Hadoop
【1】Hadoop是什么？
1.1) Hadoop是一种分析和处理海量数据的软件平台
1.2) Hadoop是一款开源软件，使用JAVA开发
1.3) Hadoop可以提供一个分布式基础架构
1.5 带来的问题
【1】数据存储问题 - 存储速度、存储空间
【2】数据计算|分析问题 - 性能与效率问题
2. Hadoop简介
2.1 Hadoop概述
2.1.1 Hadoop概念
-
定义
Hadoop是Yahoo!开发，后贡献给了Apache的一套开源的、可靠的、可扩展的用于分布式计算的框架
-
Hadoop作者
Doug cutting
-
Hadoop名字由来
以Hadoop作者的孩子的一个棕黄色的大象样子的玩具的命名
2.1.2 Hadoop特点
-
高可靠性
Hadoop按位存储和数据处理的能力值得信赖
-
高扩展性
Hadoop通过可用的计算机集群分配数据，完成存储和计算任务，这些集群可以方便地扩展到数以千计的节点中，具有高扩展性
-
高效性
Hadoop能够在节点之间进行动态地移动数据，并保证各个节点的动态平衡，处理速度非常快，具有高效性
-
高容错性
Hadoop能够自动保存数据的多个副本（默认是3个），并且能够自动将失败的任务重新分配
2.1.3 Hadoop能做什么
-
大数据量存储
分布式存储（各种云盘，百度，360~还有云平台均有hadoop应用）
-
日志处理
-
搜索引擎
如何存储持续增长的海量网页: 单节点 V.S. 分布式存储
如何对持续增长的海量网页进行排序: 超算 V.S. 分布式计算
-
数据挖掘
目前比较流行的广告推荐
2.1.4 Hadoop版本
-
Hadoop1.0
包含Common，HDFS和MapReduce，停止更新
-
Hadoop2.0
包含了Common，HDFS，MapReduce和YARN。Hadoop2.0和Hadoop1.0完全不兼容。
-
Hadoop3.0
包含了Common，HDFS，MapReduce，YARN。Hadoop3.0和Hadoop2.0是兼容的
2.2 Hadoop核心组件
2.2.1 HDFS（Hadoop Distributed File System）
-
HDFS
分布式存储，解决海量数据的存储
-
HDFS特点及原理
HDFS具有扩展性、容错性、海量数量存储的特点
原理为将大文件切分成指定大小的数据块, 并在分布式的多台机器上保存多个副本
-
HDFS角色和概念
-
Client
切分文件、访问HDFS、与NameNode交互获取文件位置信息、与DataNode交互读取和写入数据
-
Namenode
Master节点，管理HDFS的名称空间和数据块映射信息，配置副本策略，处理所有客户端请求
-
Secondarynode
定期同步NameNode，紧急情况下，可转正
-
Datanode
数据存储节点，存储实际的数据
汇报存储信息给NameNode
-
Block
每块默认128MB大小
每块可以多个副本
-
-
HDFS示意图
-
HDFS原理图
1、每个数据块3个副本，分布在两个机架内的节点，2个副本在同一个机架上，另外一个副本在另外的机架上
2、心跳检测，datanode定期向namenode发送心跳消息。查看是否有datanode挂掉了
3、secondary namenode;定期同步元数据映像文件和修改日志，namenode发生故障，secondaryname会成为主namenode
-
HDFS写文件流程
【1】客户端将文件拆分成固定大小128M的块，并通知namenode 【2】namenode找到可用的datanode返回给客户端 【3】客户端根据返回的datanode，对块进行写入 【4】通过流水线管道流水线复制 【5】更新元数据，告诉namenode已经完成了创建新的数据块，保证namenode中的元数据都是最新的状态
-
HDFS读文件流程
【1】客户端向namenode发起独立请求，把文件名，路径告诉namenode 【2】namenode查询元数据，并把数据返回客户端 【3】此时客户端就明白文件包含哪些块，这些块在哪些datanode中可以找到
2.2.2 MapReduce
-
MapReduce实现了分布式计算
Hadoop的MapReduce是对google三大论文的MapReduce的开源实现，实际上是一种编程模型，是一个分布式的计算框架，用于处理海量数据的运算，由JAVA实现
-
MapReduce原理图
-
MapReduce角色及概念
-
JobTracker
–Master节点只有一个
–管理所有作业/任务的监控、错误处理等
–将任务分解成一系列任务，并分派给TaskTracker
-
TaskTracker
–Slave节点，一般是多台
–运行Map Task和Reduce Task
–并与JobTracker交互，汇报任务状态
-
Map Task
–解析每条数据记录，传递给用户编写的map()并执行，将结果输出
-
Reducer Task
–从Map Task的执行结果中，远程读取输入数据，对数据进行排序，将数据按照分组传递给用户编写的reduce函数执行
-
2.2.3 Yarn
-
作用
负责整个集群资源的管理和调度，是Hadoop的一个通用的资源管理系统
-
定义
Apache Hadoop YARN （Yet Another Resource Negotiator，另一种资源协调者）是一种新的 Hadoop 资源管理器，它是一个通用资源管理系统，可为上层应用提供统一的资源管理和调度，它的引入为集群在利用率、资源统一管理和数据共享等方面带来了巨大好处
-
原理图
-
Yarn角色及概念
-
Resourcemanager
–处理客户端请求
–启动/监控ApplicationMaster
–监控NodeManager
–资源分配与调度
-
Nodemanager
–单个节点上的资源管理
–处理来自ResourceManager的命令
–处理来自ApplicationMaster的命令
-
ApplicationMaster
–为应用程序申请资源，并分配给内部任务
–任务监控与容错
-
Container
–对任务运⾏行环境的抽象，封装了CPU 、内存等
-
Client
–用户与Yarn交互的客户端程序
–提交应用程序、监控应用程序状态，杀死应用程序等
-
2.3 Hadoop总结
2.3.1 Hadoop组成
- 分布式存储 - HDFS
- 分布式计算 - MapReduce+Yarn
2.3.2 HDFS特点
-
HDFS优点
- 高可靠性
- 高扩展性
- 高效性
- 高容错性
- 低成本 ：与一体机、商用数据仓库等相比，hadoop是开源的，项目的软件成本因此会大大降低
-
HDFS缺点
- 不能做到低延迟，由于hadoop针对高数据吞吐量做了优化，牺牲了获取数据的延迟，所以对于低延迟数据访问，不适合hadoop
- 不适合大量小文件存储，由于namenode将文件系统的元数据存储在内存中，因此该文件系统所能存储的文件总数受限于namenode的内存容量，根据经验，每个文件、目录和数据块的存储信息大约占150字节
- 对于上传到HDFS上的文件，不支持修改文件，HDFS适合一次写入，多次读取的场景
2.3.3 HDFS相关
-
名词
- NameNode
- DataNode
-
写入文件流程
- 客户端将文件拆分成固定大小128M的块，并通知namenode
- namenode找到可用的datanode返回给客户端
- 客户端根据返回的datanode，对块进行写入
- 通过流水线管道流水线复制
- 更新元数据，告诉namenode已经完成了创建新的数据块，保证namenode中的元数据都是最新的状态
-
读取文件流程
- 客户端向namenode发起独立请求，把文件名，路径告诉namenode
- namenode查询元数据，并把数据返回客户端
- 此时客户端就明白文件包含哪些块，这些块在哪些datanode中可以找到
3. 环境安装
3.1 安装方式
-
单机模式
只能启动MapReduce
-
伪分布式
能启动HDFS、MapReduce 和 YARN的大部分功能
-
完全分布式
能启动Hadoop的所有功能
3.2 安装JDK
3.2.1 JDK安装步骤
-
下载JDK安装包（下载Linux系统的 .tar.gz 的安装包）
https://www.oracle.com/java/technologies/javase/javase-jdk8-downloads.html
-
更新Ubuntu源
sudo apt-get update
-
将JDK压缩包解压到Ubuntu系统中 /usr/local/ 中
sudo tar -zxvf jdk-8u251-linux-x64.tar.gz -C /usr/local/
-
将解压的文件夹重命名为 jdk8
cd /usr/local/
sudo mv jdk1.8.0_251/ jdk8
-
添加到环境变量
cd /home/tarena/
sudo gedit .bashrc
在文件末尾添加如下内容:
export JAVA_HOME=/usr/local/jdk8 export JRE_HOME=$JAVA_HOME/jre export CLASSPATH=.:$JAVA_HOME/lib:$JRE_HOME/lib export PATH=.:$JAVA_HOME/bin:$PATHsource .bashrc
-
验证是否安装成功
java -version
<出现java的版本则证明安装并添加到环境变量成功 java version “1.8.0_251”>
3.3 安装Hadoop并配置伪分布式
3.3.1 Hadoop安装配置步骤
-
安装SSH
sudo apt-get install ssh
-
配置免登录认证,避免使用Hadoop时的权限问题
ssh-keygen -t rsa （输入此条命令后一路回车）
cd ~/.ssh
cat id_rsa.pub >> authorized_keys
ssh localhost （发现并未让输入密码即可连接）
exit （退出远程连接状态）
-
下载Hadoop 2.10（374M）
https://archive.apache.org/dist/hadoop/common/hadoop-2.10.0/hadoop-2.10.0.tar.gz
-
解压到 /usr/local 目录中,并将文件夹重命名为 hadoop，最后设置权限
sudo tar -zxvf hadoop-2.10.0.tar.gz -C /usr/local/
cd /usr/local
sudo mv hadoop-2.10.0/ hadoop2.10
sudo chown -R tarena hadoop2.10/
-
验证Hadoop
cd /usr/local/hadoop2.10/bin
./hadoop version （此处出现hadoop的版本）
-
设置JAVE_HOME环境变量
sudo gedit /usr/local/hadoop2.10/etc/hadoop/hadoop-env.sh
把原来的export JAVA_HOME=${JAVA_HOME}改为
export JAVA_HOME=/usr/local/jdk8 -
设置Hadoop环境变量
sudo gedit /home/tarena/.bashrc
在末尾追加
export HADOOP_HOME=/usr/local/hadoop2.10 export CLASSPATH=.:{JAVA_HOME}/lib:${HADOOP_HOME}/sbin:$PATH export PATH=.:${HADOOP_HOME}/bin:${HADOOP_HOME}/sbin:$PATHsource /home/tarena/.bashrc
-
伪分布式配置，修改2个配置文件（core-site.xml 和 hdfs-site.xml）
-
修改core-site.xml
sudo gedit /usr/local/hadoop2.10/etc/hadoop/core-site.xml
添加如下内容
<configuration> <property> <!--数据目录配置参数--> <name>hadoop.tmp.dir</name> <value>file:/usr/local/hadoop2.10/tmp</value> </property> <property> <!--文件系统配置参数--> <name>fs.defaultFS</name> <value>hdfs://localhost:9000</value> </property> </configuration> -
修改hdfs-site.xml
sudo gedit /usr/local/hadoop2.10/etc/hadoop/hdfs-site.xml
添加如下内容
<configuration> <property> <!--副本数量--> <name>dfs.replication</name> <value>1</value> </property> <property> <!--namenode数据目录--> <name>dfs.namenode.name.dir</name> <value>file:/usr/local/hadoop2.10/tmp/dfs/name</value> </property> <property> <!--datanode数据目录--> <name>dfs.datanode.data.dir</name> <value>file:/usr/local/hadoop2.10/tmp/dfs/data</value> </property> </configuration> -
配置YARN - 1
cd /usr/local/hadoop2.10/etc/hadoop
cp mapred-site.xml.template mapred-site.xml
sudo gedit mapred-site.xml
添加如下配置
<property> <name>mapreduce.framework.name</name> <value>yarn</value> </property> -
配置YARN - 2
sudo gedit yarn-site.xml
添加如下配置：
<property> <name>yarn.nodemanager.aux-services</name> <value>mapreduce_shuffle</value> </property> -
执行NameNode格式化
cd /usr/local/hadoop2.10/bin
./hdfs namenode -format
出现 Storage directory /usr/local/hadoop2.10/tmp/dfs/name has been successfully formatted 则表示格式化成功
-
启动Hadoop所有组件
cd /usr/local/hadoop2.10/sbin
./start-all.sh
启动时可能会出现警告，直接忽略即可，不影响正常使用
-
启动成功后，可访问Web页面查看 NameNode 和 Datanode 信息，还可以在线查看 HDFS 中的文件
http://localhost:50070
-
查看Hadoop相关组件进程
jps
会发现如下进程
NameNode DataNode SecondaryNameNode ResourceManager NodeManager -
测试 - 将本地文件上传至hdfs
hadoop fs -put 一个本地的任意文件 /
hadoop fs -ls /
也可以在浏览器中Utilities->Browse the file system查看
4. HDFS Shell操作
4.1 命令格式
hadoop fs 命令
4.2 常用命令汇总
-
查看HDFS系统目录（ls）
命令格式 ：hadoop fs -ls 路径
示例 ：hadoop fs -ls /
-
创建文件夹（mkdir）
命令格式1 ：hadoop fs -mkdir 绝对路径
命令格式2 ：hadoop fs -mkdir -p 绝对路径 （可递归创建文件夹）
示例1 ：hadoop fs -mkdir /test
示例2 ：hadoop fs -mkdir -p /test/stu
-
上传文件（put）
命令格式 ：hadoop fs -put 本地文件 HDFS目录
示例 ：hadoop fs -put words.txt /test/
-
下载文件（get）
命令格式 ：hadoop fs -get HDFS文件 本地目录
示例 ：hadoop fs -get /test/words.txt /home/tarena/
-
删除文件或目录（rm）
命令格式1 ：hadoop fs -rm 文件或目录的绝对路径
命令格式2 ：hadoop fs -rm -r 目录 （删除文件夹要加 -r 选项）
示例1 ：hadoop fs -rm /test/words.txt
示例2 ：hadoop fs -rm -r /test
-
查看文件内容（text）
命令格式 ：haddop fs -text 文件绝对路径
示例 ：hadoop fs -text /test/words.txt
-
移动（mv）
命令格式 ：hadoop fs -mv 源文件 目标目录
示例 ：hadoop fs -mv /test/words.txt /words.txt
-
复制（cp）
命令格式 ：hadoop fs -cp 源文件 目标目录
示例 ：hadoop fs -cp /test/words.txt /words.txt
4.3 HDFS Shell操作练习
- 在本地 /home/tarena/ 下新建 students.txt
- 在students.txt中任意添加内容
- 在HDFS中创建 /studir/stuinfo/ 目录
- 将本地students.txt文件上传到HDFS中
- 查看HDFS中 /studir/stuinfo/students.txt 的内容
- 将HDFS中 /studir/stuinfo/students.txt 下载到本地命名为 new_students.txt
- 删除HDFS中的 /studir 目录
fs -rm /test/words.txt
示例2 ：hadoop fs -rm -r /test
-
查看文件内容（text）
命令格式 ：haddop fs -text 文件绝对路径
示例 ：hadoop fs -text /test/words.txt
-
移动（mv）
命令格式 ：hadoop fs -mv 源文件 目标目录
示例 ：hadoop fs -mv /test/words.txt /words.txt
-
复制（cp）
命令格式 ：hadoop fs -cp 源文件 目标目录
示例 ：hadoop fs -cp /test/words.txt /words.txt
4.3 HDFS Shell操作练习
- 在本地 /home/tarena/ 下新建 students.txt
- 在students.txt中任意添加内容
- 在HDFS中创建 /studir/stuinfo/ 目录
- 将本地students.txt文件上传到HDFS中
- 查看HDFS中 /studir/stuinfo/students.txt 的内容
- 将HDFS中 /studir/stuinfo/students.txt 下载到本地命名为 new_students.txt
- 删除HDFS中的 /studir 目录
5. MapReduce详解
5.1 MapReduce概述
5.1.1 MapReduce定义
- MapReduce是Hadoop提供的一套进行分布式计算的框架，用于大规模数据集（大于1TB）的并行运算
- MapReduce将计算过程拆分为2个阶段：Map(映射)阶段和Reduce(规约)阶段
5.1.2 MapReduce编程模型
-
MapReduce分而治之思想
【示例1】 需要在一堆扑克牌(张数未知)中统计四种花色的牌有多少张 思路： 首先：需要找几个人（比如说四个人），每人给一堆，数出来四种花色的张数 然后：这四个人，每个人只负责统计一种花色，最终将结果汇报给一个人，此为典形的map-reduce模型 【示例2】 一堆钞票，请查找出各种面值的钞票分别有多少张？ 思路： 首先：每个人分一部分钞票，输出各种面值的分别有多少张 然后：汇总，每个人负责统计一种面值 -
统计文件中每个单词出现的次数原理图
5.2 MapReduce编程实现
5.2.1 相关库安装
sudo pip3 install mrjob
5.2.2 Python实现wordcount案例
-
新建words.txt，并写入如下内容
hello world hello tarena I am world and tarena I love tarena world -
python代码实现wordcount
""" 1.mapper的执行次数由行数决定， 参数1：行首的便宜量（一般用不到） 参数2：一行的内容，经常写做 line 2.reduce的执行次数由键的个数决定 参数1（key）：由mapper() 发送 参数2（value）：所有相同key的值的序列 """ from mrjob.job import MRJob class MRJobCounter(MRJob): def mapper(self, _, line): for w in line.split(): yield w, 1 def reducer(self, word, occurence): yield word, sum(occurence) if __name__ == '__main__': MRJobCounter.run() -
运行MapReduce程序的三种方式
[1]内嵌模式（一次启动一个进程） python3 word.py -r inline word.txt python3 word.py -r inline word.txt > out.txt [2]本地模式（一次启动多个进程） python3 wordCount.py -r local word.txt > out2.txt [3]Hadoop模式 python3 wordCount.py -r hadoop words.txt -o hdfs:///out 验证 hadoop fs -ls /out hadoop fs -text /out/part-00000
6. hive
6.1 Hive概述
6.1.1 Hive概述
- 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，并提供完整的sql查询功能
- 底层是将sql语句转换为MapReduce任务进行运行
- 本质上是一种大数据离线分析工具
6.1.2 Hive的HQL
- HQL - Hive通过类SQL的语法，来进行分布式的计算
- HQL用起来和SQL非常的类似，Hive在执行的过程中会将HQL转换为MapReduce去执行，所以Hive其实是基于Hadoop的一种分布式计算框架，底层仍然是MapReduce
6.1.3 Hive特点
- Hive优点
- 学习成本低，只要会sql就能用hive
- 开发效率高，不需要编程，只需要写sql
- 模型简单，易于理解
- 针对海量数据的高性能查询和分析
- 与 Hadoop 其他产品完全兼容
- Hive缺点
- 不支持行级别的增删改
- 不支持完整的在线事务处理
6.1.4 Hive适用场景
- Hive 构建在基于静态（离线）批处理的Hadoop 之上，Hadoop通常都有较高的延迟并且在作业提交和调度的时候需要大量的开销。因此，Hive 并不能够在大规模数据集上实现低延迟快速的查询因此，Hive并不适合那些需要低延迟的应用
- Hive并不提供实时的查询和基于行级的数据更新操作。Hive 的最佳使用场合是大数据集的离线批处理作业，例如，网络日志分析。
6.1.5 Hive和普通数据库的区别
区别如图
6.2 Hive安装
6.2.1 详细安装步骤
-
下载hive安装包（2.3.7版本）
http://us.mirrors.quenda.co/apache/hive/
-
解压到 /usr/local/ 目录下
sudo tar -zxvf apache-hive-2.3.7-bin.tar.gz -C /usr/local
-
给文件夹重命名
sudo mv /usr/local/apache-hive-2.3.7-bin /usr/local/hive2.3.7
-
设置环境变量
sudo gedit /home/tarena/.bashrc
在末尾添加如下内容export HIVE_HOME=/usr/local/hive2.3.7 export PATH=.:${HIVE_HOME}/bin:$PATH -
刷新环境变量
source /home/tarena/.bashrc
-
下载并添加连接MySQL数据库的jar包（8.0.19 Ubuntu Linux Ubuntu Linux 18.04）
下载链接: https://downloads.mysql.com/archives/c-j/
解压后找到 mysql-connector-java-8.0.19.jar
将其拷贝到 /usr/local/hive2.3.7/lib
sudo cp -p mysql-connector-java-8.0.19.jar /usr/local/hive2.3.7/lib/ -
创建hive-site.xml配置文件
sudo touch /usr/local/hive2.3.7/conf/hive-site.xml
sudo gedit /usr/local/hive2.3.7/conf/hive-site.xml
并添加如下内容<configuration> <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.cj.jdbc.Driver</value> <description>Driver class name for a JDBC metastore</description> </property> <property> <name>javax.jdo.option.ConnectionUserName</name> <value>root</value> <description>username to use against metastore database</description> </property> <property> <name>javax.jdo.option.ConnectionPassword</name> <value>123456</value> <description>password to use against metastore database</description> </property> </configuration> -
在hive配置文件中添加hadoop路径
cd /usr/local/hive2.3.7/conf
sudo cp -p hive-env.sh.template hive-env.sh
sudo gedit /usr/local/hive2.3.7/conf/hive-env.sh
添加如下内容:HADOOP_HOME=/usr/local/hadoop2.10 export HIVE_CONF_DIR=/usr/local/hive2.3.7/conf -
hive元数据初始化
schematool -dbType mysql -initSchema
-
测试hive
hive
hive>show databases;
如果能够正常显示内容，则hive安装并配置完毕
6.2.2 hive安装总结
- 安装JDK
- 安装Hadoop
- 配置JDK和Hadoop的环境变量
- 下载Hive安装包
- 解压安装hive
- 下载并安装MySQL连接器
- 启动Hadoop的HDFS和Yarn
- 启动hive
6.3 Hive基本操作
6.3.1 文件和表如何映射
-
流程操作准备
mkdir hivedata cd /home/tarena/hivedata/ vi t1.txt 1,tom,23 2,lucy,25 3,jim,33 hadoop fs -mkdir /hivedata hadoop fs -put t1.txt /hivedata -
如何建立一张表和其对应
【1】进入到hive的命令行进行建库建表操作 create database tedu; use tedu; create table t1(id int, name string, age int); 【2】到hdfs中确认目录 /user/hive/warehouse/ 会有tedu.db 【3】将本地t1.txt放到hdfs指定目录中 hadoop fs -put /home/tarena/hivedata/t1.txt /user/hive/warehouse/tedu.db/t1 【4】在hive命令行进行查看测试 hive>select * from t1; 发现都是 NULL ，可能是分隔符的问题 -
如何建立一张表和其对应 - 续1
【1】创建表t2，并指定分隔符为 , create table t2(id int, name string, age int)row format delimited fields terminated by ','; 【2】将t1.txt放到hdfs指定目录中 hadoop fs -put /home/tarena/hivedata/t1.txt /user/hive/warehouse/tedu.db/t2 【3】查询验证 hive>select * from t2; 发现有具体数据了 hive>select count(id) from t2;
6.3.2 hive基础指令
| 命令 | 作用 | 额外说明 |
|---|---|---|
| show databases; | 查看都有哪些数据库 | |
| create database testdb; | 创建testdb数据库 | 创建的数据库，实际是在Hadoop的HDFS文件系统里创建一个目录节点，统一存在： /user/hive/warehouse 目录下 |
| use testdb; | 进入testdb数据库 | |
| show tables; | 查看当前数据库下所有表 | |
| create table stutab (id int,name string); | 创建stutab表，以及相关的两个字段 | hive里，表示字符串用的是string，不用char和varchar 所创建的表，也是HDFS里的一个目录节点 |
| insert into stutab values(1,‘zhang’)； | 向stutab表插入数据 | HDFS不支持数据的修改和删除，因此已经插入的数据不能够再进行任何的改动 在Hadoop2.0版本后支持了数据追加。实际上，insert into 语句执行的是追加操作 hive支持查询，行级别的插入。不支持行级别的删除和修改 hive的操作实际是执行一个job任务，调用的是Hadoop的MR 插入完数据之后，发现HDFS stutab目录节点下多了一个文件，文件里存了插入的数据，因此，hive存储的数据，是通过HDFS的文件来存储的。 |
| select * from stutab | 查看表数据 | 也可以根据字段来查询，比如select id from stutab |
| drop table stutab | 删除表 | |
| select * from stutab | 查询stutab表数据 | |
| load data local inpath ‘/home/tarena/1.txt’ into table stutab; | 通过加载文件数据到指定的表里 | 在执行完这个指令之后，发现hdfs stu目录下多了一个1.txt文件。由此可见，hive的工作原理实际上就是在管理hdfs上的文件，把文件里数据抽象成二维表结构，然后提供hql语句供程序员查询文件数据 可以做这样的实验：不通过load 指令，而通过插件向stu目录下再上传一个文件，看下hive是否能将数据管理到stu表里。 |
| create table stu1(id int,name string) row format delimited fields terminated by ’ '; | 创建stu1表，并指定分割符 空格。 | |
| desc stu | 查看 stu表结构 | |
| create table stu2 like stu | 创建一张stu2表，表结构和stu表结构相同 | like只复制表结构，不复制数据 |
| insert overwrite table stu2 select * from stu | 把stu表数据插入到stu2表中 | |
| insert overwrite local directory ‘/home/tarena/stu’ row format delimited fields terminated by ’ ’ select * from stu; | 将stu表中查询的数据写到本地的/home/tarena/stu目录下 | |
| insert overwrite directory ‘/stu’ row format delimited fields terminated by ’ ’ select * from stu; | 将stu表中查询的数据写到HDFS的stu目录下 | |
| alter table stu rename to stu2 | 为表stu重命名为stu2 | |
| alter table stu add columns (age int); | 为表stu增加一个列字段age，类型为int | |
| exit | 退出hive | |
6.3.3 Hive复杂数据类型
-
array
1.1 特点为集合里的每一个字段都是一个具体的信息，不会是那种key与values的关系
1.2 建表时，字段名 array
1.3 建表时，collection items terminated by ‘分隔符’
1.4 详情请见如下示例，比如文件内容如下:
# 1. 数据样本(\t分割) # 姓名 工作地点 yaya beijing,shanghai,tianjin,hangzhou lucy shanghai,chengdu,wuhan,shenzhen # 2. 建表测试 array<string> create table array_tab( name string, work_locations array<string> ) row format delimited fields terminated by '\t' collection items terminated by ','; # 3. 将本地文件上传至hdfs hadoop fs -put array.txt /user/hive/warehouse/tedu.db/array_tab/ # 4. 基本查询 hive>select * from array_tab; # 5. 查询在天津工作过的用户信息 hive>select * from array_tab where array_contains(work_locations, 'tianjin');1.5 查询 array_contains()函数
查询在天津工作过的用户信息
select * from array_tab where array_contains(work_locations, ‘tianjin’);
-
map
2.1 样本中部分字段基于 key-value 模型
2.2 详情见如下示例
# 1. 数据样本 # 编号(id) 姓名(name) 家庭成员(member) 1,yaya,father:yababa#mother:yamama#brother:daya,28 2,pandas,father:panbaba#mother:panmama#brother:dapan,25 3,ai,father:aibaba#mother:aimama#brother:daai,30 4,ds,father:dsbaba#mother:dsmama#brother:dads,29 # 2. 创建对应表 create table map_tab( id int, name string, members map<string,string>, age int )row format delimited fields terminated by ',' collection items terminated by '#' map keys terminated by ':'; # map中key与values之间用冒号分割 # map字段中的数据key：values相互之间用#分割 # 3. 数据映射 load data local inpath '/home/tarena/hivedata/map.txt' overwrite into table map_tab; # 4. 基本查询 select * from map_tab; -
struct
3.1 这个数据类型的特点就是可以包含各种各样的数据类型。但是struct可以是任意数据类型，在写struct数据类型时，在<>中要写清楚struct字段中的字段名称跟数据类型
3.2 详情见如下示例
# 1. 数据样本 # IP 用户信息 192.168.1.1#yaya:30 192.168.1.2#pandas:50 192.168.1.3#tiger:60 192.168.1.4#lion:70 # 2. 创建对应表 create table struct_tab( ip string, userinfo struct<name:string,age:int> # 此数据类型中的字段名，字段类型 )row format delimited fields terminated by '#' # 字段之间的分割用# collection items terminated by ':'; # 集合之间的分割用冒号 # 3. 数据映射 load data local inpath '/home/tarena/bigdata/struct.txt' overwrite into table struct_tab; # 4. 查询 select * from struct_tab;
6.3.4 内部表和外部表
-
默认为内部表，外部表的关键字 ：external
-
内部表：对应的文件夹就在默认路径下 /user/hive/warehouse/库名.db/
-
外部表：数据文件在哪里都行，无须移动数据
-
示例
【1】创建外部表并查看（location指映射的文件路径） create external table studenttab( id int, name string, sex string, age int )row format delimited fields terminated by ',' location '/stu'; 【2】上传文件并测试 hadoop fs -mkdir /stu hadoop fs -put students.txt /stu hive>select * from studenttab; 发现已经存在了数据，而且在默认路径下根本就没有文件夹 【3】 删除表 2.1)删除内部表 drop table t2; 元数据和具体数据全部删除 2.2)删除外部表 drop table studenttab; 发现数据还在，只是删除了元数据 【4】内部表是受hive管理的表，外部表是不受hive管理的表 【5】应用场景 对于一些原始日志文件，同时被多个部门同时操作的时候就需要使用外部表，如果不小心将meta data删除了，HDFS上的data还在可以恢复，增加了数据的安全性。 在对数据做统计分析时候用到的中间表，结果表可以使用内部表，因为这些数据不需要共享，使用内部表更为合适 -
内部表和外部表区别总结
【1】内部表无external关键字，外部表有 【2】内部表由Hive自身管理，外部表由HDFS管理 【3】内部表/user/hive/warehouse位置，外部表存在hdfs中任意位置 【4】内部表元数据及存储数据一起删除，外部表会删除元数据，HDFS上不会被删除
6.3.5 分区表
-
有些时候数据是有组织的，比方按日期/类型等分类，而查询数据的时候也经常只关心部分数据，比方说我只想查2020年6月6号，此时可以创建分区，查询具体某一天的数据时，不需要扫描全部目录，所以会明显优化性能
-
一个Hive表在HDFS上是有一个对应的目录来存储数据，普通表的数据直接存储在这个目录下，而分区表数据存储时，是再划分子目录来存储的
-
使用
partioned by (xxx)来创建表的分区 -
分区表示例
# 可以按天来做管理，1天一个分区，意义在于优化查询 # 1. 样本数据 - employee.txt # 员工编号(id) 员工姓名(name) 员工工资(salary) 1,赵丽颖,100000 2,超哥哥,12000 3,迪丽热巴,130000 4,宋茜,800000 # 2. 创建分区表 create table employee( id bigint, name string, salary bigint ) partitioned by (date1 string) row format delimited fields terminated by ','; # 3. 添加分区并查看 - 此时在hdfs中已经创建了该分区的对应目录 alter table employee add if not exists partition(date1='2020-06-06'); show partitions employee; # 4. 加载数据到分区 load data local inpath '/home/tarena/hivedata/employee.txt' into table employee partition(date1='2020-06-06'); # 5. 查询确认 select * from employee where date1='2020-06-06';
6.3.6 分桶表
-
分桶是相对分区进行更细粒度的划分。分桶将整个数据内容安装某列属性值的hash值进行区分，按照取模结果对数据分桶。如取模结果相同的数据记录存放到一个文件
-
桶表也是一种用于优化查询而设计的表类型。创建通表时，指定桶的个数、分桶的依据字段，hive就可以自动将数据分桶存储。查询时只需要遍历一个桶里的数据，或者遍历部分桶，这样就提高了查询效率
-
桶表创建
# 1. 样本数据 - 学生选课系统 # 学生编号(id) 学生姓名(name) 选修课程(course) 1,佩奇,Python 2,乔治,Hive 3,丹尼,Python 4,羚羊夫人,Hadoop 5,奥特曼,AI 6,怪兽,DS # 2. 先创建普通表 - student create table student( id int, name string, course string )row format delimited fields terminated by ','; # 3. 开启分桶功能并指定桶的数量 set hive.enforce.bucketing = true; set mapreduce.job.reduces=4; # 4. 创建分桶表 - stu_buck create table stu_buck( id int, name string, course string ) clustered by(course) into 4 buckets row format delimited fields terminated by ','; # 5. 分桶表数据导入 insert overwrite table stu_buck select * from student cluster by(id); # 6. 到浏览器中查看，发现stu_buck文件夹中出现了4个桶表 # 7. 总结 1. 分桶表创建之前需要开启分桶功能 2. 分桶表创建的时候，分桶的字段必须是表中已经存在的字段，即要按照表中某个字段进行分开 3. 针对分桶表的数据导入，load data的方式不能够导成分桶表的数据，没有分桶效果 -
关于分桶表
4.1 想要把表格划分的更加细致
4.2 分桶表的数据采用 insert + select ，插入的数据来自于查询结果（查询时候执行了mr程序）
4.3 分桶表也是把表所映射的结构化数据文件分成更细致的部分，但是更多的是用在join查询提高效率之上，只需要把join的字段在各自表当中进行分桶操作即可
6.3.7 Hive总结
-
完整Hive总结
【1】hive建立一张表，跟已经存在的结构化的数据文件产生映射关系 映射成功后，就可以通过写HQL来分析这个结构化的数据文件，避免了写mr程序的麻烦 【2】数据库：和hdfs中 /user/hive/warehouse 下的一个文件夹对应 表 ：和数据库文件夹下面的子文件夹 /user/hive/warehouse/库名.db/表名 表的数据位置目前不能随便存放，一定要在指定的数据库表的文件夹下面 建立表的时候，需要指定分隔符，否则可能会映射不成功 【3】建表的字段个数和字段类型，要跟结构化数据中的个数类型一致 【4】分区表字段不能够在表中已经存在 分区字段是一个虚拟的字段，不存放任何数据 分区字段的数据来自于装载分区表数据的时候指定的 分区表的字段在hdfs上的效果就是在建立表的文件夹下面又创建了子文件夹 建立分区表的目的把数据的划分更加细致，减少了查询时候全表扫描的成本，只需要按照指定的分区扫描数据并显示结果即可 分区表就是辅助查询，缩小查询范围，加快数据的检索速度 【5】分桶表在创建之前需要开启分桶功能 分桶表创建时，分桶的字段必须是表中已经存在的字段，即要按照表中的哪个字段进行分开 分桶表也是把表所映射的结构数据文件分成更细致的部分，但是更多的是用在join查询提高效率之上，只需要把join的字段在各自表中进行分桶操作
6.4 Hive之影评分析案例
6.4.1 数据说明
现有三份数据，具体数据如下：
-
users.txt
【1】数据格式（共有6040条数据） 3:M:25:15:55117 【2】对应字段 用户id、 性别、 年龄、 职业、 邮政编码 user_id gender age work coding -
movies.txt
【1】数据格式（共有3883条数据） 3:Grumpier Old Men (1995):Comedy|Romance 【2】对应字段 电影ID、 电影名字、电影类型 movie_id name genres -
ratings.txt
【1】数据格式（共有1000209条数据） 1:661:3:978302109 【2】对应字段 用户ID、 电影ID、 评分、 评分时间戳 user_id movie_id rating times
6.4.2 案例说明
- 求被评分次数最多的10部电影，并给出评分次数（电影名，评分次数）
- 求movieid = 2116这部电影各年龄的平均影评（年龄，影评分）
- 分别求男性，女性当中评分最高的10部电影（性别，电影名，影评分）
- 求最喜欢看电影（影评次数最多）的那位女性评最高分的10部电影的平均影评分（观影者，电影名，影评分）
- 每个地区最高评分的电影名，把结果存入HDFS（地区，电影名，影评分）
6.4.3 库表映射实现
-
建库
create database movie; use movie; -
创建t_user表并导入数据 - a
create table t_user( user_id bigint, gender string, age int, work string, code string )row format delimited fields terminated by ':'; load data local inpath '/home/tarena/hivedata/users.txt' into table t_user; -
创建t_movie表并导入数据 - b
create table t_movie( movie_id bigint, name string, genres string )row format delimited fields terminated by ':'; load data local inpath '/home/tarena/hivedata/movies.txt' into table t_movie; -
创建t_rating表并导入数据 - c
create table t_rating( user_id bigint, movie_id bigint, rating double, times string )row format delimited fields terminated by ':'; load data local inpath '/home/tarena/hivedata/ratings.txt' into table t_rating;
6.4.4 案例实现
-
求被评分次数最多的10部电影，并给出评分次数（电影名，评分次数）
【1】需求字段 1.1) 电影名: t_movie.name 1.2) 评分次数: t_rating.rating 【2】思路 按照电影名进行分组统计，求出每部电影的评分次数并按照评分次数降序排序 【3】实现 create table result1 as select b.name as name,count(b.name) as total from t_movie b inner join t_rating c on b.movie_id=c.movie_id group by b.name order by total desc limit 10; -
求movieid = 2116这部电影各年龄的平均影评（年龄，影评分）
【1】需求字段 1.1) 年龄: t_user.age 1.2) 影评分: t_rating.rating 【2】思路 t_user和t_rating表进行联合查询，movie_id=2116过滤条件，年龄分组 【3】实现 create table result3 as select a.age as age, avg(c.rating) as avgrate from t_user a join t_rating c on a.user_id=c.user_id where c.movie_id=2116 group by a.age; -
分别求男性，女性当中评分最高的10部电影（性别，电影名，影评分）
【1】需求字段 1.1) 性别: t_user.gender 1.2) 电影名:t_movie.name 1.3) 影评分:t_rating.rating 【2】思路 2.1) 三表联合查询 2.2) 按照性别过滤条件，电影名作为分组条件，影评分作为排序条件进行查询 【3】实现 3.1) 女性当中评分最高的10部电影 create table result2_F as select 'F' as sex, b.name as name, avg(c.rating) as avgrate from t_rating c join t_user a on c.user_id=a.user_id join t_moive b on c.moive_id=b.movie_id where a.gender='F' group by b.name order by avgrate desc limit 10; 3.2) 男性当中评分最高的10部电影 create table result2_M as select 'M' as sex, b.name as name, avg(c.rating) as avgrate from t_rating c join t_user a on c.user_id=a.user_id join t_moive b on c.moive_id=b.movie_id where a.gender='M' group by b.name order by avgrate desc limit 10; -
求最喜欢看电影（影评次数最多）的那位女性评最高分的10部电影的平均影评分（电影编号，电影名，影评分）
【1】需求字段 1.1) 电影编号: t_rating.movie_id 1.2) 电影名: t_movie.name 1.3) 影评分: t_rating.rating 【2】思路 2.1) 先找出最喜欢看电影的那位女性 2.2) 根据2.1中的女性user_id作为where过滤条件，以看过的电影的影评分rating作为排序条件进行排序，找出评分最高的10部电影 2.3) 求出2.2中10部电影的平均分 【3】实现 3.1) 最喜欢看电影的女性（t_rating.user_id, 次数) create table result4_A as select c.user_id,count(c.user_id) as total from t_rating c join t_user a on c.user_id=a.user_id where a.gender='F' group by c.user_id order by total desc limit 1; 3.2) 找出那个女人评分最高的10部电影 create table result4_B as select c.movie_id, c.rating as rating from t_rating c where c.user_id=1150 order by rating desc limit 10; 3.3) 求出10部电影的平均分 select d.movie_id as movie_id, b.name as name,avg(c.rating) from result4_B d join t_rating on d.movie_id=c.movie_id join t_movie on c.movie_id=b.movie_id group by d.movie_id, b.name;
