荐 hive（一）hive入门、原理、安装及数据类型

第 1 章 Hive 基本概念

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。
• 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。
• 本质是：将 HQL 转化成 MapReduce 程序
  
  1）Hive 处理的数据存储在 HDFS
  2）Hive 分析数据底层的默认实现是 MapReduce
  3）执行程序运行在 Yarn 上

1.2 Hive 的优缺点

1.2.1 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。

1.2.2 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
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

1.3 Hive 架构原理

• 1．用户接口：Client
  CLI（hive shell）、JDBC/ODBC(java 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。

• Hive数据仓库中包含着解释器、编译器、优化器等，这些是其独有的部分，用于将sql语句变成MapReduce去执行，后续的工作就自动交给了Hadoop、Yarn和MapReduce，Hive在运行时，实际的源数据存在与HFDS上，而描述数据的元数据存放在关系型数据库中。
  

• 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。

1.4 Hive 和数据库比较

• 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。本节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。

1.4.1 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。

1.4.2 数据存储位置

• Hive 是建立在 Hadoop 之上的，所有 Hive 的数据都是存储在 HDFS 中的。而数据库则可以将数据保存在块设备或者本地文件系统中。

1.4.3 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。

1.4.4 索引

• Hive 在加载数据的过程中不会对数据进行任何处理，甚至不会对数据进行扫描，因此也没有对数据中的某些 Key 建立索引。Hive 要访问数据中满足条件的特定值时，需要暴力扫描整个数据，因此访问延迟较高。由于 MapReduce 的引入， Hive 可以并行访问数据，因此即使没有索引，对于大数据量的访问，Hive 仍然可以体现出优势。数据库中，通常会针对一个或者几个列建立索引，因此对于少量的特定条件的数据的访问，数据库可以有很高的效率，较低的延迟。由于数据的访问延迟较高，决定了 Hive 不适合在线数据查询。

1.4.5 执行

• Hive 中大多数查询的执行是通过 Hadoop 提供的MapReduce 来实现的。而数据库通常有自己的执行引擎。

1.4.6 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。

1.4.7 可扩展性

• 由于 Hive 是建立在 Hadoop 之上的，因此 Hive 的可扩展性是和 Hadoop 的可扩展性是一致的（世界上最大的 Hadoop 集群在 Yahoo!，2009 年的规模在 4000 台节点左右）。而数据库由于 ACID 语义的严格限制，扩展行非常有限。目前最先进的并行数据库 Oracle 在理论上的扩展能力也只有 100 台左右。

1.4.8 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。

第 2 章 Hive 安装

2.1 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/

2.2 Hive 安装部署

• 1．Hive 安装及配置
  • （1）把 apache-hive-1.2.1-bin.tar.gz 上传到 linux 的/opt/software 目录下
  • （2）解压 apache-hive-1.2.1-bin.tar.gz 到/opt/module/目录下面
    tar -zxvf apache-hive-1.2.1-bin.tar.gz -C /opt/module/
  • （3）修改 apache-hive-1.2.1-bin.tar.gz 的名称为 hive
    
  • （4）修改/opt/module/hive/conf 目录下的 hive-env.sh.template 名称为 hive-env.sh
    
  • （5）配置 hive-env.sh 文件
    • （a）配置 HADOOP_HOME 路径
      export HADOOP_HOME=/opt/module/hadoop-2.7.2
    • （b）配置 HIVE_CONF_DIR 路径
      export HIVE_CONF_DIR=/opt/module/hive/conf
      
• 2．Hadoop 集群配置
  （1）必须启动 hdfs 和 yarn
  start-dfs.sh
  start-yarn.sh
  （2）在 HDFS 上创建/tmp 和/user/hive/warehouse 两个目录并修改他们的同组权限可写(可不操作，系统会自动创建)
  
  bin/hadoop fs -mkdir /tmp
  bin/hadoop fs -mkdir -p /user/hive/warehouse
  bin/hadoop fs -chmod g+w /tmp
  bin/hadoop fs -chmod g+w /user/hive/warehouse
• 3．Hive 基本操作
  （1）启动 hive
  bin/hive
  
  （2）查看数据库
  hive> show databases;
  （3）打开默认数据库
  hive> use default;
  （4）显示 default 数据库中的表
  hive> show tables;
  （5）创建一张表
  hive> create table student(id int, name string);
  （6）显示数据库中有几张表
  hive> show tables;
  （7）查看表的结构
  hive> desc student;
  （8）向表中插入数据
  hive> insert into student values(1000,“ss”);
  
  （9）查询表中数据
  hive> select * from student;
  
  （10）退出 hive
  hive> quit;

2.3 将本地文件导入 Hive 案例

• 需求
  将本地/opt/module/data/student.txt 这个目录下的数据导入到 hive 的 student(id int, name string)表中。
• 1．数据准备
  在/opt/module/data 这个目录下准备数据
  （1）在/opt/module/目录下创建 data
  mkdir data
  （2）在/opt/module/data/目录下创建 student.txt 文件并添加数据
  touch student.txt
  vim student.txt
  内容如下：
  1001 ni
  1002 hao
  1003 sha
  注意以 tab 键间隔。
• 2．Hive 实际操作
  （1）启动 hive
  bin/hive
  （2）显示数据库
  hive> show databases;
  （3）使用 default 数据库
  hive> use default;
  （4）显示 default 数据库中的表
  hive> show tables;
  （5）删除已创建的 student 表
  hive> drop table student;
  （6）创建 student 表, 并声明文件分隔符’\t’
  hive> create table student(id int, name string) row format delimited fields terminated by ‘\t’;
  （7）加载/opt/module/data/student.txt 文件到 student 数据库表中。
  hive> load data local inpath ‘/opt/module/data/student.txt’ into
  table student;
  （8）Hive 查询结果
  select * from student;
  注意表存储在hdfs上，具体位置 /user/hive/warehouse/student，因此上传数据可以直接用shell语句put上传也行
• 3．遇到的问题
  再打开一个客户端窗口启动 hive，会产生 java.sql.SQLException 异常。
  原因是，Metastore 默认存储在自带的 derby 数据库中，推荐使用 MySQL 存储 Metastore;

2.4 MySql 安装

此内容见mysql高级篇（一）mysql的安装配置、架构介绍及SQL语句的复习.
另外，安装完之后，进行MySql 中 user 表中主机配置，配置只要是 root 用户+密码，在任何主机上都能登录 MySQL 数据库。
修改 user 表，把 Host 表内容修改为%
update user set host=’%’ where host=‘localhost’;
同时删除root用户的其他host
完事儿刷新一下flush privileges;即可

2.5 Hive 元数据配置到 MySql

• 下载官网.
  
  点击下载
  

2.5.1 驱动拷贝

• 1．在/opt/software目录下解压 mysql-connector-java-5.1.49.tar.gz 驱动
  包
  tar -zxvf mysql-connector-java-5.1.49.tar.gz

• 2．拷贝 mysql-connector-java-5.1.49-bin.jar到/opt/module/hive/lib/
  cp /opt/software/mysql-connector-java-5.1.49/mysql-connector-java-5.1.49-bin.jar /opt/module/hive/lib/

2.5.2 配置 Metastore 到 MySql

• 1．在/opt/module/hive/conf 目录下创建一个 hive-site.xml
  touch hive-site.xml
  vim hive-site.xml
• 2．根据官方文档配置参数，拷贝数据到 hive-site.xml 文件中
  配置如下：

<?xml version="1.0"?>
<?xml-stylesheet type="text/xsl" href="configuration.xsl"?>
<configuration>
    <property>
        <name>javax.jdo.option.ConnectionURL</name>
        <value>jdbc:mysql://hadoop102:3306/metastore?createDatabaseIfNotExist=true</value>
        <description>JDBC connect string for a JDBC metastore</description>
    </property>
    <property>
        <name>javax.jdo.option.ConnectionDriverName</name>
        <value>com.mysql.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>

• 3．配置完毕后，如果启动 hive 异常，可以重新启动虚拟机。（重启后，别忘了启动 hadoop 集群）
• 这里需要改一下hdfs的文件夹权限，不然不能执行ddl语句：hadoop fs -chmod 777 /user/hive/warehouse

2.5.3 多窗口启动 Hive 测试

多窗口启动hive之后，回到 MySQL 窗口查看数据库，显示增加了 metastore 数据库

2.6 Hive 常用交互命令

• 1．“-e”不进入 hive 的交互窗口执行 sql 语句，就是在命令行里直接执行SQL语句
  bin/hive -e “select id from student;”
• 2．“-f”执行脚本中 sql 语句
  • （1）在/opt/module/data 目录下创建 hivef.sql 文件
    touch hivef.sql
    文件中写入正确的 sql 语句
    select * from aa;
  • （2）执行文件中的 sql 语句
    bin/hive -f /opt/module/data/hivef.sql
  • （3）执行文件中的 sql 语句并将结果写入文件中
    bin/hive -f /opt/module/data/hivef.sql >> /opt/module/data/hive_result.txt

2.7 Hive 其他命令操作

• 1．在 hive cli 命令窗口中如何查看 hdfs 文件系统
  dfs -ls /;
• 2．在 hive cli 命令窗口中如何查看本地文件系统
  ! ls /opt/module/data;
• 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/liuyongjun
  （2）查看. hivehistory 文件
  [liuyongjun@hadoop102 ~]$ cat .hivehistory

2.8 Hive 常见属性配置

2.8.1 Hive 数据仓库位置配置

• 1）Default 数据仓库的最原始位置是在 hdfs 上的：/user/hive/warehouse 路径下。
• 2）在仓库目录下，没有对默认的数据库 default 创建文件夹。如果某张表属于 default数据库，直接在数据仓库目录下创建一个文件夹。

2.8.2查询后信息显示配置

• 1）在 hive-site.xml 文件中添加如下配置信息，就可以实现显示当前数据库，以及查询表的头信息配置。

<property>
<name>hive.cli.print.header</name>
<value>true</value>
</property>
<property>
<name>hive.cli.print.current.db</name>
<value>true</value>
</property>

配置后结果显示：

2.8.3 Hive 运行日志信息配置

• 1．Hive 的 log 默认存放在/tmp/liuyongjun/hive.log 目录下（当前用户名下）
• 2．修改 hive 的 log 存放日志到/opt/module/hive/logs
  • （1）修改/opt/module/hive/conf/hive-log4j.properties.template 文件名称为hive-log4j.properties
    
  • （2）在 hive-log4j.properties 文件中修改 log 存放位置
    hive.log.dir=/opt/module/hive/logs
    

2.8.4 参数配置方式

• 1．查看当前所有的配置信息
  hive>set;
• 2．参数的配置三种方式
  • （1）配置文件方式
    默认配置文件：hive-default.xml
    用户自定义配置文件：hive-site.xml
    注意：用户自定义配置会覆盖默认配置。另外，Hive 也会读入 Hadoop 的配置，因为 Hive 是作为 Hadoop 的客户端启动的，Hive 的配置会覆盖 Hadoop 的配置。配置文件的设定对本机启动的所有 Hive 进程都有效。
  • （2）命令行参数方式
    启动 Hive 时，可以在命令行添加-hiveconf param=value 来设定参数。
    例如：
    bin/hive -hiveconf mapred.reduce.tasks=10;
    
    注意：仅对本次 hive 启动有效
    查看参数设置：
    hive (default)> set mapred.reduce.tasks;
    
  • （3）参数声明方式
    可以在 HQL 中使用 SET 关键字设定参数
    例如：
    hive (default)> set mapred.reduce.tasks=100;
    注意：仅对本次 hive 启动有效
    查看参数设置
    hive (default)> set mapred.reduce.tasks;
    上述三种设定方式的优先级依次递增。即配置文件<命令行参数<参数声明。注意某些
    系统级的参数，例如 log4j 相关的设定，必须用前两种方式设定，因为那些参数的读取在会话建立以前已经完成了。

第 3 章 Hive 数据类型

3.1 基本数据类型

• 对于Hive的String类型相当于数据库的varchar类型，该类型是一个可变的字符串，不过它不能声明其中最多能存储多少个字符，理论上它可以存储2GB的字符数。

3.2 集合数据类型

• Hive有三种复杂数据类型ARRAY、MAP 和 STRUCT。ARRAY和MAP与Java中的Array和Map类似，而STRUCT与C语言中的Struct类似，它封装了一个命名字段集合，复杂数据类型允许任意层次的嵌套。

3.3 类型转化

• Hive的原子数据类型是可以进行隐式转换的，类似于Java的类型转换，例如某表达式使用INT类型，TINYINT会自动转换为INT类型，但是Hive不会进行反向转化，例如，某表达式使用TINYINT类型，INT不会自动转换为TINYINT类型，它会返回错误，除非使用CAST 操作。
• 1）隐式类型转换规则如下。
  （1）任何整数类型都可以隐式地转换为一个范围更广的类型，如TINYINT可以转换成INT，INT可以转换成BIGINT。
  （2）所有整数类型、FLOAT和STRING类型都可以隐式地转换成DOUBLE。
  （3）TINYINT、SMALLINT、INT都可以转换为FLOAT。
  （4）BOOLEAN类型不可以转换为任何其它的类型。
• 2）可以使用CAST操作显示进行数据类型转换，例如CAST(‘1’ AS INT)将把字符串’1’ 转换成整数1；如果强制类型转换失败，如执行CAST(‘X’ AS INT)，表达式返回空值 NULL。

本文地址：https://blog.csdn.net/weixin_45077780/article/details/107332499