【大数据】7：Apache Hive（一）

好问者

已于 2024-08-13 21:00:19 修改

阅读量601

点赞数 26

文章标签：大数据 apache hive

于 2024-08-13 20:32:10 首次发布

本文链接：https://blog.csdn.net/2301_76936713/article/details/141172219

版权

Apache Hive

1. Apache Hive 概述

1.1 分布式SQL计算

对数据进行统计分析，SQL是目前最为方便的编程工具。

大数据体系中充斥着非常多的统计分析场景所以，使用SQL去处理数据，在大数据中也是有极大的需求的。

MapReduce支持程序开发（Java、Python等）但不支持SQL开发

1.2 分布式SQL计算 - Hive

Apache Hive是一款分布式SQL计算的工具，其主要功能是：

将SQL语句翻译成MapReduce程序运行

为什么使用Hive？

使用Hadoop MapReduce直接处理数据所面临的问题

人员学习成本太高需要掌握java、Python等编程语言
MapReduce实现复杂查询逻辑开发难度太大

使用Hive处理数据的好处

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）
底层执行MapReduce，可以完成分布式海量数据的SQL处理

2. 模拟实现Hive功能

思考：

如果让您设计Hive这款软件，要求能够实现用户只编写sql语句 Hive自动将sql转换MapReduce程序并提交运行处理位于HDFS上的结构化数据。如何实现？

2.1 元数据管理

假设有如下结构化文本数据存储在HDFS中。

假设要执行：

SELECT city, COUNT(*) FROM t_user GROUP BY city;

对这个SQL翻译成MapReduce程序，会出现哪些困难？

针对SQL：SELECT city, COUNT(*) FROM t_user GROUP BY city;

若翻译成MapReduce程序，有如下问题：数据文件在哪里？使用什么符号作为列的分隔符？哪些列可以作为city使用？ city列是什么类型的数据？

这些信息同时也需要有地方存储起来，方便多次使用。如何存储最好呢？很简单，找一个数据库即可，比如MySQL

所以，我们可以总结出来第一个点，即构建分布式SQL计算，需要拥有：元数据管理功能，即：数据位置数据结构等对数据进行描述

进行记录

2.2 解析器

解决了元数据管理后，我们还有一个至关重要的步骤，即完成SQL到MapReduce转换的功能

我们称呼它为：SQL解析器，

期待它能做到：

SQL分析
SQL到MapReduce程序的转换
提交MapReduce程序运行并收集执行结果

2.3 基础架构

所以，当解析器也拥有了之后，我们就完成了一款基于MapReduce的，分布式SQL执行引擎的基础构建。即，核心组件需要有：

元数据管理，帮助记录各类元数据
SQL解析器，完成SQL到MapReduce程序的转换

当拥有这2个组件，基本上分布式SQL计算的能力就实现了。

2.4 Hive架构

Apache Hive其2大主要组件就是：SQL解析器以及元数据存储，如下图

3. Hive基础架构

3.1 Hive架构图

3.2 Hive组件

元数据存储

通常是存储在关系数据库如 mysql/derby中。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。

-- Hive提供了 Metastore 服务进程提供元数据管理功能

Driver驱动程序，包括语法解析器、计划编译器、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，并在随后有执行引擎调用执行。这部分内容不是具体的服务进程，而是封装在Hive所依赖的Jar文件即Java代码中。

用户接口

包括 CLI、JDBC/ODBC、WebGUI。其中，CLI(command line interface)为shell命令行；Hive中的Thrift服务器允许外部客户端通过网络与Hive进行交互，类似于JDBC或ODBC协议。WebGUI是通过浏览器访问Hive。 -- Hive提供了 Hive Shell、 ThriftServer等服务进程向用户提供操作接口

Hive的核心架构

元数据管理，称之为Metastore服务
SQL解析器（Driver驱动程序），完成SQL解析、执行优化、代码提交等功能
用户接口：提供用户和Hive交互的功能

4. Hive部署

4.1 VMware虚拟机部署

Hive是单机工具，只需要部署在一台服务器即可。

Hive虽然是单机的，但是它可以提交分布式运行的MapReduce程序运行。

规划

我们知道Hive是单机工具后，就需要准备一台服务器供Hive使用即可。

同时Hive需要使用元数据服务，即需要提供一个关系型数据库，我们也选择一台服务器安装关系型数据库即可。

所以：为了简单起见，都安装到node1服务器上。

步骤1：安装MySQL数据库

在node1节点使用yum在线安装MySQL5.7版本。

# 更新密钥
rpm --import https://repo.mysql.com/RPM-GPG-KEY-mysql-2022

# 安装Mysql yum库
rpm -Uvh http://repo.mysql.com//mysql57-community-release-el7-7.noarch.rpm

# yum安装Mysql
yum -y install mysql-community-server

# 启动Mysql设置开机启动
systemctl start mysqld
systemctl enable mysqld

# 检查Mysql服务状态
systemctl status mysqld

# 第一次启动mysql，会在日志文件中生成root用户的一个随机密码，使用下面命令查看该密码
grep 'temporary password' /var/log/mysqld.log

# 修改root用户密码
mysql -u root -p -h localhost
Enter password:
 
mysql> ALTER USER 'root'@'localhost' IDENTIFIED BY 'Root!@#$';

# 如果你想设置简单密码，需要降低Mysql的密码安全级别
set global validate_password_policy=LOW; # 密码安全级别低
set global validate_password_length=4;	 # 密码长度最低4位即可

# 然后就可以用简单密码了（课程中使用简单密码，为了方便，生产中不要这样）
ALTER USER 'root'@'localhost' IDENTIFIED BY 'root';

/usr/bin/mysqladmin -u root password 'root'

grant all privileges on *.* to root@"%" identified by 'root' with grant option;  
flush privileges;

步骤2：配置Hadoop

Hive的运行依赖于Hadoop（HDFS、MapReduce、YARN都依赖）

同时涉及到HDFS文件系统的访问，所以需要配置Hadoop的代理用户

即设置hadoop用户允许代理（模拟）其它用户

配置如下内容在Hadoop的core-site.xml中，并分发到其它节点，且重启HDFS集群

<property>
    <name>hadoop.proxyuser.hadoop.hosts</name>
    <value>*</value>
</property>
<property>
    <name>hadoop.proxyuser.hadoop.groups</name>
    <value>*</value>
</property>

步骤3：下载解压Hive

切换到hadoop用户

su - hadoop

下载Hive安装包

http://archive.apache.org/dist/hive/hive-3.1.3/apache-hive-3.1.3-bin.tar.gz

解压到node1服务器的：/export/server/内

tar -zxvf apache-hive-3.1.3-bin.tar.gz -C /export/server/

设置软连接

ln -s /export/server/apache-hive-3.1.3-bin /export/server/hive

步骤4：提供MySQL Driver包

下载MySQL驱动包

https://repo1.maven.org/maven2/mysql/mysql-connector-java/5.1.34/mysql-connector-java-5.1.34.jar

将下载好的驱动jar包，放入：Hive安装文件夹的lib目录内

mv mysql-connector-java-5.1.34.jar /export/server/hive/lib/

步骤5：配置Hive

在Hive的conf目录内，新建hive-env.sh文件，填入以下环境变量内容：

export HADOOP_HOME=/export/server/hadoop 
export HIVE_CONF_DIR=/export/server/hive/conf 
export HIVE_AUX_JARS_PATH=/export/server/hive/lib

在Hive的conf目录内，新建hive-site.xml文件，填入以下内容：

<configuration>
  <property>
    <name>javax.jdo.option.ConnectionURL</name>
    <value>jdbc:mysql://node1:3306/hive?createDatabaseIfNotExist=true&amp;useSSL=false&amp;useUnicode=true&amp;characterEncoding=UTF-8</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>123456</value>
  </property>

  <property>
    <name>hive.server2.thrift.bind.host</name>
    <value>node1</value>
  </property>

  <property>
    <name>hive.metastore.uris</name>
    <value>thrift://node1:9083</value>
  </property>

  <property>
    <name>hive.metastore.event.db.notification.api.auth</name>
    <value>false</value>
  </property>

</configuration>

步骤6：初始化元数据库

支持，Hive的配置已经完成，现在在启动Hive前，需要先初始化Hive所需的元数据库。

在MySQL中新建数据库：hive

CREATE DATABASE hive CHARSET UTF8;

执行元数据库初始化命令：

cd /export/server/hive 

bin/schematool -initSchema -dbType mysql -verbos

# 初始化成功后，会在MySQL的hive库中新建74张元数据管理的表。

步骤7：启动Hive（使用Hadoop用户）

确保Hive文件夹所属为hadoop用户
创建一个hive的日志文件夹：

mkdir /export/server/hive/logs

启动元数据管理服务（必须启动，否则无法工作）

前台启动：

bin/hive --service metastore

后台启动：

nohup bin/hive --service metastore >> logs/metastore.log 2>&1 &

启动客户端，二选一（当前先选择Hive Shell方式）

Hive Shell方式（可以直接写SQL）：

 bin/hive

Hive ThriftServer方式（不可直接写SQL，需要外部客户端链接使用）：

 bin/hive --service hiveserver2

步骤7：启动Hive（使用Hadoop用户）

好问者

关注

26
点赞
踩
23

收藏

觉得还不错? 一键收藏
0
评论
【大数据】7：Apache Hive（一）

对数据进行统计分析，SQL是目前最为方便的编程工具。大数据体系中充斥着非常多的统计分析场景所以，使用SQL去处理数据，在大数据中也是有极大的需求的。MapReduce支持程序开发（Java、Python等）但不支持SQL开发。
复制链接

扫一扫