hive详解

转 http://www.linuxidc.com/Linux/2014-04/100978.htm

Hive的安装

1.1在hadoop生态圈中属于数据仓库的角色。他能够管理hadoop中的数据，同时可以查询hadoop中的数据。

本质上讲，hive是一个SQL解析引擎。Hive可以把SQL查询转换为MapReduce中的job来运行。

hive有一套映射工具，可以把SQL转换为MapReduce中的job，可以把SQL中的表、字段转换为HDFS中的文件(夹)以及文件中的列。

这套映射工具称之为metastore，一般存放在derby、mysql中。

相关阅读：

基于Hadoop集群的Hive安装 http://www.linuxidc.com/Linux/2013-07/87952.htm

Hive内表和外表的区别 http://www.linuxidc.com/Linux/2013-07/87313.htm

Hadoop + Hive + Map +reduce 集群安装部署 http://www.linuxidc.com/Linux/2013-07/86959.htm

Hive本地独立模式安装 http://www.linuxidc.com/Linux/2013-06/86104.htm

Hive学习之WordCount单词统计 http://www.linuxidc.com/Linux/2013-04/82874.htm

1.2 hive在hdfs中的默认位置是/user/hive/warehouse，是由配置文件hive-conf.xml中属性hive.metastore.warehouse.dir决定的。

2.hive的安装

(1)解压缩、重命名、设置环境变量

(2)在目录$HIVE_HOME/conf/下，执行命令mv hive-default.xml.template  hive-site.xml重命名

在目录$HIVE_HOME/conf/下，执行命令mv hive-env.sh.template  hive-env.sh重命名

(3)修改hadoop的配置文件hadoop-env.sh，修改内容如下：

export HADOOP_CLASSPATH=.:$CLASSPATH:$HADOOP_CLASSPATH:$HADOOP_HOME/bin

(4)在目录$HIVE_HOME/bin下面，修改文件hive-config.sh，增加以下内容：

export JAVA_HOME=/usr/local/jdk

export HIVE_HOME=/usr/local/hive

export HADOOP_HOME=/usr/local/hadoop

3.安装mysql

(1)删除linux上已经安装的mysql相关库信息。rpm  -e  xxxxxxx  --nodeps

执行命令rpm -qa |grep mysql 检查是否删除干净

(2)执行命令 rpm -i  mysql-server-********  安装mysql服务端

(3)启动mysql 服务端，执行命令  mysqld_safe &

(4)执行命令 rpm -i  mysql-client-********  安装mysql客户端

(5)执行命令mysql_secure_installation设置root用户密码

4. 使用mysql作为hive的metastore

(1)把mysql的jdbc驱动放置到hive的lib目录下

(2)修改hive-site.xml文件，修改内容如下：

<property>
    <name>javax.jdo.option.ConnectionURL</name>
    <value>jdbc:mysql://hadoop0:3306/hive?createDatabaseIfNotExist=true</value>
</property>
<property>
    <name>javax.jdo.option.ConnectionDriverName</name>
    <value>com.mysql.jdbc.Driver</value>
</property>
<property>
    <name>javax.jdo.option.ConnectionUserName</name>
    <value>root</value>
</property>
<property>
    <name>javax.jdo.option.ConnectionPassword</name>
    <value>admin</value>
</property>

用户接口，包括 CLI，JDBC/ODBC，WebUI
元数据存储，通常是存储在关系数据库如 mysql, derby 中
解释器、编译器、优化器、执行器
Hadoop：用 HDFS 进行存储，利用 MapReduce 进行计算

用户接口主要有三个：CLI，JDBC/ODBC和WebUI

.CLI，即Shell命令行

.JDBC/ODBC是Hive 的Java，与使用传统数据库JDBC的方式类似

.WebGUI是通过浏览器访问Hive

Hive将元数据存储在数据库中(metastore)，目前只支持mysql、derby。Hive中的元数据包括表的名字，表的列和分区及其属性，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（plan）的生成。生成的查询计划存储在HDFS 中，并在随后有MapReduce调用执行

Hive的数据存储在 HDFS中，大部分的查询由 MapReduce完成（包含 * 的查询，比如 select * from table不会生成 MapRedcue任务）

Hive的metastore

 

metastore是hive元数据的集中存放地。metastore默认使用内嵌的derby数据库作为存储引擎

Derby引擎的缺点：一次只能打开一个会话

使用Mysql作为外置存储引擎，多用户同时访问

Hive的shell

1、hive命令行模式，直接输入#/hive/bin/hive的执行程序，或者输入#hive --service cli

2、hive web界面的(端口号9999)启动方式

#hive --service hwi&

用于通过浏览器来访问hive

http://Hadoop0:9999/hwi/

3、hive 远程服务(端口号10000)启动方式

#hive --service hiveserver&

 

Hive与传统数据库

查询语言

HiveQL

SQL

数据存储位置

HDFS

Raw Device or本地FS

数据格式

用户定义

系统决定

数据更新

不支持

支持

索引

新版本有，但弱

有

执行

MapReduce

Executor

执行延迟

高

低

可扩展性

高

低

数据规模

大

小

 

Hive的数据类型

基本数据类型
tinyint / smalint / int /bigint
float / double
boolean
string
复杂数据类型
Array/Map/Struct
没有date /datetime

 

Hive的数据存储

Hive的数据存储基于Hadoop HDFS

Hive没有专门的数据存储格式

存储结构主要包括：数据库、文件、表、视图

Hive默认可以直接加载文本文件（TextFile），还支持sequence file

创建表时，指定Hive数据的列分隔符与行分隔符，Hive即可解析数据

 

Hive的数据模型-内部表

 

与数据库中的Table 在概念上是类似

每一个 Table在 Hive中都有一个相应的目录存储数据。例如，一个表 test，它在HDFS 中的路径为：/ warehouse/test。warehouse是在hive-site.xml 中由${hive.metastore.warehouse.dir}

指定的数据仓库的目录

所有的 Table 数据（不包括External Table）都保存在这个目录中。

删除表时，元数据与数据都会被删除

 

Hive的数据模型-分区表

Partition 对应于数据库的 Partition 列的密集索引

在 Hive 中，表中的一个 Partition 对应于表下的一个目录，所有的 Partition 的数据都存储在对应的目录中

例如：test表中包含date 和city 两个Partition，

则对应于date=20130201, city = bj的HDFS子目录：

/warehouse/test/date=20130201/city=bj

对应于date=20130202, city=sh的HDFS子目录为；

/warehouse/test/date=20130202/city=sh

 

CREATETABLE tmp_table #表名

(

title string,#字段名称 字段类型

minimum_bid double,

quantity bigint,

have_invoice bigint

)COMMENT'注释：XXX'#表注释

PARTITIONEDBY(ptSTRING)#分区表字段（如果你文件非常之大的话，采用分区表可以快过滤出按分区字段划分的数据）

ROW FORMAT DELIMITED

FIELDSTERMINATEDBY'\001'#字段是用什么分割开的

STOREDAS SEQUENCEFILE; #用哪种方式存储数据，SEQUENCEFILE是hadoop自带的文件压缩格式

 

一些相关命令

SHOWTABLES;#查看所有的表

SHOWTABLES'*TMP*';#支持模糊查询

SHOWPARTITIONS TMP_TABLE;#查看表有哪些分区

DESCRIBETMP_TABLE;#查看表结构

分区表的shell

 

创建数据文件partition_table.dat

创建表

 

create table partition_table(rectime

 

string,msisdnstring) partitioned by(daytime strin

 

g,citystring) row format delimited fields

 

terminated by '\t' stored as TEXTFILE;

 

加载数据到分区

 

load data local inpath'/home/partition_table.dat' i

 

nto table partition_tablepartition (daytime='20

 

13-02-01',city='bj');

 

查看数据

 

select * from partition_table

 

select count(*) from partition_table

 

删除表 drop table partition_table

 

 

 

Hive的数据模型—桶表

桶表是对数据进行哈希取值，然后放到不同文件中存储。

创建表

create table bucket_table(id string) clustered by(id) into 4 buckets;

加载数据

set hive.enforce.bucketing = true;

insert into table bucket_table select name from stu;

insert overwrite table bucket_table select name from stu;

数据加载到桶表时，会对字段取hash值，然后与桶的数量取模。把数据放到对应的文件中。

 

抽样查询

select * from bucket_table tablesample(bucket 1 out of 4 on id);

Hive的数据模型-外部表

指向已经在 HDFS 中存在的数据，可以创建 Partition

它和 内部表 在元数据的组织上是相同的，而实际数据的存储则有较大的差异

内部表 的创建过程和数据加载过程（这两个过程可以在同一个语句中完成），在加载数据的过程中，实际数据会被移动到数据

仓库目录中；之后对数据对访问将会直接在数据仓库目录中完成。删除表时，表中的数据和元数据将会被同时删除

外部表只有一个过程，加载数据和创建表同时完成，并不会移动到数据仓库目录中,只是与外部数据建立一个链接。当删除一个外部表时，仅删除链接

 CREATEEXTERNAL TABLE page_view

( viewTimeINT,

  useridBIGINT,

  page_urlSTRING, 

  referrer_urlSTRING, 

  ipSTRING COMMENT 'IP Address of the User',

  country STRING COMMENT 'country of origination‘

)
 
    COMMENT 'This is the staging page view table'

    ROW FORMAT DELIMITED FIELDSTERMINATED BY '44' LINES  TERMINATED BY '12'

    STORED ASTEXTFILE

    LOCATION 'hdfs://CentOS:9000/user/data/staging/page_view';

外部表的shell

 

创建数据文件external_table.dat

创建表

 

hive>create external table external_table1 (key string)ROW FORM AT DELIMITED FIELDS

 

 

TERMINATED BY '\t' location '/home/external';

 

 

在HDFS创建目录/home/external

 

#Hadoop fs -put /home/external_table.dat /home/

 

external

 

加载数据

LOAD DATA INPATH '/home/external_table1.dat'

 

IN

 

TO TABLE external_table1;

 

查看数据

select * from external_table

 

select count(*) from external_table

 

删除表

drop table external_table

 

 

导入数据

•当数据被加载至表中时，不会对数据进行任何转换。Load 操作只是将数据复制/移动至 Hive 表对应的位置。

LOAD DATA [LOCAL] INPATH 'filepath' [OVERWRITE]
INTO TABLE tablename
[PARTITION (partcol1=val1, partcol2=val2 ...)]

•把一个Hive表导入到另一个已建Hive表

INSERT OVERWRITE TABLE tablename[PARTITION (partcol1=val1, partcol2=val2 ...)] select_statementFROM from_statement

•CTAS

CREATE [EXTERNAL] TABLE [IF NOT EXISTS] table_name

(col_namedata_type, ...) …

AS SELECT …

例：create table new_external_testas select * from external_table1

查询

•基于Partition的查询

一般 SELECT查询是全表扫描。但如果是分区表，查询就可以利用分区剪枝（input pruning）的特性，类似“分区索引“”，只扫描一个表中它关心的那一部分。Hive当前的实现是，只有分区断言（Partitioned by）出现在离FROM子句最近的那个WHERE子句中，才会启用分区剪枝。例如，如果page_views表（按天分区）使用date列分区，以下语句只会读取分区为‘2008-03-01’的数据。

SELECT page_views.* FROM page_views WHERE page_views.date>= '2013-03-01' AND page_views.date<= '2013-03-01'

•LIMIT Clause

Limit可以限制查询的记录数。查询的结果是随机选择的。下面的查询语句从t1表中随机查询5条记录：

SELECT * FROM t1 LIMIT 5

•Top N查询

下面的查询语句查询销售记录最大的5个销售代表。

SETmapred.reduce.tasks= 1
SELECT * FROM sales SORT BY amount DESC LIMIT 5

表连接

导入ac信息表

hive> create table acinfo(name string,acipstring) row format delimited fields terminated by '\t' stored as TEXTFILE;

hive> load data local inpath'/home/acinfo/ac.dat' into table acinfo;

内连接

select b.name,a.* fromdim_acajoinacinfo b on (a.ac=b.acip) limit 10;

左外连接

select b.name,a.* from dim_ac aleft outer joinacinfo b on a.ac=b.acip limit 10;

Java客户端

 

Hive远程服务启动#hive --service hiveserver>/dev/null 2>/dev/null &

JAVA客户端相关代码

Class.forName("org.apache.hadoop.hive.jdbc.HiveDriver");
Connection con = DriverManager.getConnection("jdbc:hive://192.168.1.102:10000/wlan_dw", "", "");
Statement stmt = con.createStatement();
String querySQL="SELECT * FROM wlan_dw.dim_m order by flux desc limit 10";
ResultSet res = stmt.executeQuery(querySQL);
while (res.next()) {
System.out.println(res.getString(1) +"\t" +res.getLong(2)+"\t" +res.getLong(3)+"\t" +res.getLong(4)+"\t" +res.getLong(5));
}

UDF
1、UDF函数可以直接应用于select语句，对查询结构做格式化处理后，再输出内容。
2、编写UDF函数的时候需要注意一下几点：
a）自定义UDF需要继承org.apache.hadoop.hive.ql.UDF。
b）需要实现evaluate函数，evaluate函数支持重载。
4、步骤
a）把程序打包放到目标机器上去；
b）进入hive客户端，添加jar包：hive>add jar /run/jar/udf_test.jar;
c）创建临时函数：hive>CREATE TEMPORARY FUNCTION add_example AS 'hive.udf.Add';
d）查询HQL语句：
SELECT add_example(8, 9) FROM scores;
SELECT add_example(scores.math, scores.art) FROM scores;
SELECT add_example(6, 7, 8, 6.8) FROM scores;
e）销毁临时函数：hive> DROP TEMPORARY FUNCTION add_example;
注：UDF只能实现一进一出的操作，如果需要实现多进一出，则需要实现UDAF