Hive的基本概念
- Hive是由Facebook实现并开源的,是基于hadoop的一个数据仓库工具,他的作用就是将结构化的数据映射为一张数据库表,并提供HQL(Hive SQL)语句的查询功能,底层数据是存储在HDFS上.
- HIve的本质:将SQL语句转换为MapReduce任务运行,使不熟悉MapReduce的用户很方便利用HQL处理计算HDFS上的结构化的数据,是一款基于HDFS的MapReduce计算框架
- 主要的用途: 用来做离线数据分析,比直接MapReduce开发效率更高
- 优点:
- 操作接口采用类SQL语法,提供快速开发的能力
- 避免了去写MapReduce,减少开发人员的学习成本
- 功能拓展很方便
- 缺点:
- 人员的学习成本太高
- Mapreduce实现复杂查询逻辑开发难度太大
- 和gadoop的关系
- Hive利用了HDFS存储数据,利用MapReduce查询分析数据
- Hive是数据仓库工具,没有集群的概念,如果想提交Hive作业需要在hadoop集群Master节点上装Hive就可以了
Hive架构
在这里插入图片描述
Hive组件
- 用户接口:包括CLI,JDBC/ODBC,WebGUI
- CLI为shell命令行
- JDBC/ODBC是Hive的JAVA实现,与传统数据库JDBC类似
- WebGUI是通过浏览器访问Hive
- HiveServer2基于Thrift,允许远程客户端使用多种编程语言如Java,Python向Hive提交请求
- 元数据存储:通常是存储在关系数据库如mysql/derby中
- Hive将元数据存储在数据库中
- Hive中的元数据包括
- 表的名字
- 表的列
- 分区及其属性
- 表的属性
- 表的数据所在目录等
- 解释器,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,并在随后由MapReduce调用执行
Hive数据模型
- Hove中给所有的数据都存储在HDFS中,没有专门的数据存储格式
- 在创建表的时候指定数据中的分隔符,Hive就可映射成功,解析数据
- Hive中包含以下数据模型
- db:在hdfs中改变现为hive.metastore.warehouse.dir目录下一个文件夹
- table:在hdfs中表现所属db目录下一个文件夹
- external table:数据存放位置可以在HDFS任意指定路径
- partition:在hdfs中表现为table目录下的子目录
- bucket:在hdfs中表现为同一个表目录下根据hash三列之后的多个文件
Hive安装部署
-
安装Hive前需要安装好JDK和Hadoop.配置好环境变量
-
先下载Hive的安装包 后面的必须是CDH的如果不是可能在运行的过程中会出错
-
根据元数据存储的介质不同,分为下面两个版本,其中derby属于内嵌模式.实际生产环境则使用mysql来进行元数据存储
- 内置derby版:bin/hive启动即可使用
- 缺点:
- 不同的路径启动hive,每一个hive拥有一套自己的元数据,无法共享
- 缺点:
- mysql版
- 内置derby版:bin/hive启动即可使用
Hive的启动
-
启动docker
service docker start
-
通过docker启动mysql
docker start mysql
-
启动hive的metastore元数据服务
hive --service metastore
-
启动hive
hive
Hive的内部表和外部表
内部表(managed table) | 外部表(external table) | |
---|---|---|
概念 | 创建表时无external修饰 | 创建表时被external修饰 |
数据管理 | 由Hive自身管理 | 由HDFS管理 |
数据保存位置 | hive.metastore.warehouse.dir (默认:/user/hive/warehouse) | hdfs中任意位置 |
删除时影响 | 直接删除元数据(metadata)及存储数据 | 仅会删除元数据,HDFS上的文件并不会被删除 |
表结构修改时影响 | 修改会将修改直接同步给元数据 | 表结构和分区进行修改,则需要修复(MSCK REPAIR TABLE table_name;) |
分区表
-
什么是分区表
- 随着表的不断增大,对于新纪录的增加,查找,删除等(DML)的维护也更加困难,对于数据库中的超大型表,可以通过把他的数据分成若干个小表,从而简化数据库的管理活动,对于每一个简化的小表,我们称为一个单个的分区
- hive中分区表实际是对应hdfs文件系统上独立文件夹,该文件夹的文件是分区所有数据文件
- 分区可以理解成分类,通过分类把不同类型的数据放到不同的目录下
- 分类的标准就是分区字段,可以一个,也可以多个
- 分区表的意义在于优化查询,查询时尽量利用分区字段,如果不使用分区字段,就会全部扫描
-
分区表的简单操作
# 创建分区表 create table employee (name string,salary bigint) partitioned by (date1 string) row format delimited fields terminated by ',' lines terminated by '\n' stored as textfile; # 查看表的分区 show partitions employee; # 添加分区 alter table employee add if not exists partition(date1='2018-12-01'); # 加载数据到分区 load data local inpath '/root/tmp/employee.txt' into table employee partition(date1='2018-12-01'); 如果重复加载同名文件,不会报错,会自动创建一个*_copy_1.txt
-
分区表的总结
- 利用分区表方式减少查询时需要扫描的数据量
- 分区字段不是表中的列,数据文件中没有对应的列
- 分区仅仅是一个目录名
- 查看数据时,hive会自动添加分区列
- 支持多级分区,多级子目录
- 利用分区表方式减少查询时需要扫描的数据量
动态分区
-
在写入是自动创建分区
-
创建表
create table employee2 (name string,salary bigint) partitioned by (date1 string) row format delimited fields terminated by ',' lines terminated by '\n' stored as textfile;
-
导入数据
insert into table employee2 partition(date1) select name,salary,date1 from employee;
-
使用动态分区需要设置参数
set hive.exec.dynamic.partition.mode=nonstrict;
Hive函数
- Hive自定义函数和Transfrom
- UDF
- 当Hive提供的内置函数无法满足你的业务处理需要时,此时就可以考虑使用自定义函数
- TRANSFORM,and UDF and UDAF
- UDF:就是一个mapper,对每一条输入数据,映射为一条输出数据
- UDAF:就是一个reducer,把一组输入数据映射为一条(或多条)输出数据
- UDF