Hive 简介
什么是 Hive
Hive 是由 Facebook 实现并开源的、基于 Hadoop 的一个数据仓库工具。它可以将结构化的数据映射为一张数据库表，并提供 HQL(Hive SQL)查询功能；其底层数据是存储在 HDFS 上，Hive的本质是将 SQL 语句转换为 MapReduce 任务运行，使不熟悉 MapReduce 的用户很方便地利用 HQL 处理和计算 HDFS 上的结构化的数据，适用于离线的批量数据计算。
数据仓库之父比尔·恩门（Bill Inmon）在 1991 年出版的“Building the Data Warehouse”（《建立数据仓库》）指出：
数据仓库（Data Warehouse）是一个面向主题的（Subject Oriented）、集成的（Integrated）、相对稳定的（Non-Volatile）、反映历史变化（Time Variant）的数据集合，用于支持管理决策(Decision Making Support)。
Hive 依赖于 HDFS 存储数据，Hive 将 HQL 转换成 MapReduce 执行，所以说 Hive 是基于 Hadoop 的一个数据仓库工具，实质就是一款基于 HDFS 的 MapReduce 计算框架，对存储在 HDFS 中的数据进行分析和管理。用一张图表示Hive如下：
为什么使用 Hive
直接使用 MapReduce 所面临的问题：
- 人员学习成本太高
- 项目周期要求太短
- MapReduce实现复杂查询逻辑开发难度太大
为什么要使用 Hive：
-
更友好的接口：操作接口采用类 SQL 的语法，提供快速开发的能力
-
更低的学习成本：避免了写 MapReduce，减少开发人员的学习成本
-
更好的扩展性：可自由扩展集群规模而无需重启服务，还支持用户自定义函数
Hive 特点
Hive 优势
-
基于hadoop的数据仓库解决方案：
- 将结构化的数据(序列化)文件映射为数据库表
- 提供类sql的查询语言HQL（sql 代替 mapreduce）
- 让更多的人，容易的使用hadoop
-
可以整合更多的计算框架
- mapreduce（基于磁盘中间结果存于磁盘）
- spark（基于内存减少IO（磁盘数据流读写），DAG计算模型减少SHUFFLE）
- tez(也有DAG和container重用，但部署繁琐)
-
支持在HDFS和HBase上临时查询数据
-
支持用户自定义函数、格式
-
成熟的JDBC和ODBC驱动程序，用于ETL和BI
-
稳定可靠（真实生产环境）的批处理
-
有庞大活跃的社区
Hive 劣势
-
Hive 不支持记录级别的增删改操作，但是用户可以通过查询生成新表或者将查询结 果导入到文件中（当前选择的 hive-2.3.2 的版本支持记录级别的插入操作）
-
Hive 的查询延时很严重，因为 MapReduce Job 的启动过程消耗很长时间，所以不能用在交互查询系统中。
-
Hive 不支持事务（因为没有增删改，所以主要用来做 OLAP（联机分析处理），而 不是 OLTP（联机事务处理），这就是数据处理的两大级别）。
Hive 体系结构
从上图看出hive的内部架构由四部分组成：
-
用户接口:
(1) CLI，Shell 终端命令行（Command Line Interface），采用交互形式使用 Hive 命令行与 Hive 进行交互，最常用（学习，调试，生产）；
(2) JDBC/ODBC，是 Hive 的基于 JDBC 操作提供的客户端，用户（开发员，运维人员）通过 这连接至 Hive server 服务；
(3) Web UI，通过浏览器访问 Hive。 -
底层的Driver：Driver 组件完成 HQL 查询语句从词法分析，语法分析，编译，优化，以及生成逻辑执行 计划的生成。生成的逻辑执行计划存储在 HDFS 中，并随后由 MapReduce 调用执行。
Hive 的核心是驱动引擎Driver， 驱动引擎由四部分组成：
(1) 解释器Interpreter：解释器的作用是将 HiveSQL 语句转换为抽象语法树（AST）
(2) 编译器Compiler：编译器是将语法树编译为逻辑执行计划
(3) 优化器Optimizer：优化器是对逻辑执行计划进行优化
(4) 执行器Executor：执行器是调用底层的运行框架执行逻辑执行计划 -
元数据存储系统 ： Metastore（default derby,recommend mysql）
元数据，通俗的讲，就是存储在 Hive 中的数据的描述信息。Hive 的元数据包括数据库、表、视图、分区和表数据等。数据库，表，分区等等都对 应 HDFS 上的一个目录。表数据对应 HDFS 对应目录下的文件。Metastore 默认存在自带的 Derby 数据库中。缺点就是不适合多用户操作，并且数据存储目录不固定。数据库跟着 Hive走，极度不方便管理，因此通常通过我们自己创建的 MySQL 库（本地 或 远程），进行Hive 和 MySQL 之间通过 MetaStore 服务交互。
-
执行平台hadoop：Hive 依赖于 HDFS 存储数据，Hive 将 HQL 转换成 MapReduce 执行。
执行流程分为以下两步，如下：
# hive 处理 CLI(beeline)/JAVA jdbc => Driver => SQL Parser -> sql cmd翻译成AST抽象语法树 -> 第三方工具antlr对AST进行语法分析：表、字段、语法寓意是否存在 => Query Optimizer -> 优化逻辑执行计划 => Physical Plan -> 将AST转换成逻辑执行计划 => Execution -> 转换逻辑执行计划为可执行物理执行计划 # hadoop 处理 hadoop平台 Hive => Mapreduce/spark/tez =>hdfs
此外，还需要了解hive中跨语言服务 thrift server：
thrift通过一个中间语言IDL(接口定义语言)来定义RPC（不同节点进程之间函数调用，即微服的核心所在）的数据类型和接口，这些内容写在以.thrift结尾的文件中，然后通过特殊的编译器来生成不同语言的代码,以满足不同需要的开发者，比如java开发者，就可以生成java代码，c++开发者可以生成c++代码，生成的代码中不但包含目标语言的接口定义，方法，数据类型，还包含有RPC协议层和传输层的实现代码。
Hive 和 RDBMS 的对比
Hive 具有 SQL 数据库的外表，但应用场景完全不同，Hive 只适合用来做海量离线数 据统计分析，也就是数据仓库。
Hive 基础
Hive 数据存储
-
Hive 的存储结构包括数据库、表、视图、分区和表数据等。数据库，表，分区等等都对 应 HDFS 上的一个目录。表数据对应 HDFS 对应目录下的文件。
-
Hive 中所有的数据都存储在 HDFS 中，没有专门的数据存储格式，因为 Hive 是读模式 （Schema On Read），可支持 TextFile，SequenceFile，RCFile 或者自定义文件格式等
-
Hive 中包含以下数据模型：
database：在 HDFS 中表现为${hive.metastore.warehouse.dir}目录下一个文件夹
table：在 HDFS 中表现所属 database 目录下一个文件夹
external table：与 table 类似，不过其数据存放位置可以指定任意 HDFS 目录路径
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或者分区目录下根据某个字段的值进行 hash 散 列之后的多个文件
view：与传统数据库类似，只读，基于基本表创建
-
Hive 的元数据存储在 RDBMS 中，除元数据外的其它所有数据都基于 HDFS 存储。默认情况下，Hive 元数据保存在内嵌的 Derby 数据库中，只能允许一个会话连接，只适合简单的测试。实际生产环境中不适用，为了支持多用户会话，则需要一个独立的元数据库，使用 MySQL 作为元数据库，Hive 内部对 MySQL 提供了很好的支持。
Hive 基本操作
删库操作
-
删除空数据库
drop database if not exists hivetest； -
删除非空数据库
drop database if not exists hivetest cascade;
建表操作
-
只需要在创建表的时候告诉 Hive 数据中的列分隔符和行分隔符，Hive 就可以解析数据：
create table shop( shopid BIGINT, shopname STRING, running BOOLEAN, contact ARRAY<STRING>, address STRUCT<province:STRING,city:STRING,district:STRING,detail:STRING>, yearlymoney MAP<STRING,FLOAT> ) row format delimited fields terminated by '|' #行中列分隔符：默认'\001' collection items terminated by ',' #指定集合数据ARRAY或者STRUCT分隔符,默认'\002' map keys terminated by ':' #指定map分隔符,默认'\003' lines terminated by '\n' #指定行结束符：默认'\n' stored as textfile #文件存储类型：默认textfile ,压缩用sequen location '/hive110/warehouse/shop' #文件存储位置：默认hive.metastore.warehouse.dir位置 ; -
内部表、外部表、分区表、分桶表
内部表和外部表的区别：
删除内部表，就是删除表元数据和数据，内部表建立核心数据。
删除外部表，只删除元数据，不删除数据，外部表建立共享数据。
内部表和外部表的使用选择：
大多数情况，他们的区别不明显，如果数据的所有处理都在 Hive 中进行，那么倾向于选择内部表，但是如果Hive 和其他工具要针对相同的数据集进行处理，外部表更合适。
使用外部表访问存储在 HDFS 上的初始数据，然后通过 Hive 转换数据并存到内部表中
通过外部表和内部表的区别和使用选择的对比可以看出来，hive 其实仅仅只是对存储在 HDFS 上的数据提供了一种新的抽象。而不是管理存储在 HDFS 上的数据。所以不管创建内部表还是外部表，都可以对 hive 表的数据存储目录中的数据进行增删操作。
分区表和分桶表的区别：
Hive 数据表可以根据某些字段进行分区操作，细化数据管理，可以让部分查询更快。同时表和分区也可以进一步被划分为 Buckets，分桶表的原理和 MapReduce 编程中的 HashPartitioner 的原理（分桶是以分桶字段的hashcode()%numberReducerTasks）类似。
分区和分桶都是细化数据管理，但是分区表是手动添加区分，由于 Hive 是读模式，所 以对添加进分区的数据不做模式校验，分桶表中的数据是按照某些分桶字段进行 hash 散列 形成的多个文件，所以数据的准确性也高很多
-
查询排序操作
order by 全局排序：启动一个reducer。值得注意的是，当开启MR严格模式（set hive.mapred.mode=strict;）的时候 order by 必须设置 limit 子句，否则会报错；对于分区表，必须要对分区字段加限制条件，否则会报错。
sort by 部分排序：只对每个reducer中的字段排序。值得注意的是，sort by 可指定执行的reducer个数（set mapreduce.job.reduces=number）；对输出的数据再执行归并排序，即可以得到全部结果。
distribute by ：控制map输出在reducer中的分布就是说相同KEY划分到同一个Reducer中。简单的说，distribute by就是按某字段（key）分区。
cluster by 当（sort by + distribute by ）为相同字段时，对分区的区内进行排序；但是只能是升序排序。
-
行列互转
行转列
语法：
Lateral view + UDTF(explode表达式) 别名 as columnAlias [,columnAlias] #explode(explode表达式) [as (别名,...)] 理论上不能与其他字段并列在select子句中，除非查询的结果行数一致，不提供别名，就是默认map（key,value）、array（array_name）、... # map（key,value）: explode(map_name) key和value自动拆分,key为新列字段，value为行值 # array（array_name）: explode(split(array_name,'分隔符')) 原字段为新字段，拆分的值为行值 # struct（fieldname:fieldvalue）: explode(struct_name) fieldname和fieldvalue自动拆分,fieldname为新列字段，fieldvalue为行值例如：
select shopname,nian,qian from shop lateral view explode(yearlymoney)t as nian,qian
列转行语法：
concat_ws(SEP_CHAR,collect_list/collect_set()) # collect_list 有序，不唯一 # collect_set 无序，唯一例如：
select userid,concat_ws(',',collect_list(cast(cast(paymoney as decimal(10,2)) as string))) from consume group by userid order by userid结果：
-
窗口函数
语法：sort_func/agg_func/analyze_func over(partition by FIELD order by FIELD[,…]) [as] ALIAS
sort_func
介绍：
# set mapred.reduce.tasks = 1; # 行号 row_number() 序号不重复 1,2,3,4,... # 排名 rank() 并列调号 1,2,2,4，... 序号有可能不连续,排序字段值相同序号 # 排名 dense_rank() 并列续号 1,2,2,3... 序号连续,排序字段值相同序号 # 小于等于当前值的当前组内的记录数（百分比0-1之间，rank/总数（去除重复）） cume_dist() # 切片 ntile(N) 切成N片，当前行的分片号 # 如果切片不均，默认增加第一分片 # 取多少个分片，哪些分片，抽样（类似软分桶）例如：
select studentid,score,courseid, row_number() over() as no1, row_number() over(order by studentid) as no2, row_number() over(partition by courseid order by studentid) as no3, cume_dist() over(order by studentid) as no4, cume_dist() over(partition by courseid order by studentid) as no5, ntile(2) over(partition by courseid order by studentid) as no6 from score; 结果： +------------+--------+-----------+------+------+------+----------------------+----------------------+------+--+ | studentid | score | courseid | no1 | no2 | no3 | no4 | no5 | no6 | +------------+--------+-----------+------+------+------+----------------------+----------------------+------+--+ | 1 | 80 | 1 | 18 | 1 | 1 | 0.16666666666666666 | 0.16666666666666666 | 1 | | 2 | 70 | 1 | 15 | 4 | 2 | 0.3333333333333333 | 0.3333333333333333 | 1 | | 3 | 80 | 1 | 12 | 7 | 3 | 0.5 | 0.5 | 1 | | 4 | 50 | 1 | 9 | 10 | 4 | 0.6666666666666666 | 0.6666666666666666 | 2 | | 5 | 76 | 1 | 6 | 13 | 5 | 0.7777777777777778 | 0.8333333333333334 | 2 | | 6 | 31 | 1 | 4 | 15 | 6 | 0.8888888888888888 | 1.0 | 2 | | 1 | 90 | 2 | 17 | 2 | 1 | 0.16666666666666666 | 0.16666666666666666 | 1 | | 2 | 60 | 2 | 14 | 5 | 2 | 0.3333333333333333 | 0.3333333333333333 | 1 | | 3 | 80 | 2 | 11 | 8 | 3 | 0.5 | 0.5 | 1 | | 4 | 30 | 2 | 8 | 11 | 4 | 0.6666666666666666 | 0.6666666666666666 | 2 | | 5 | 87 | 2 | 5 | 14 | 5 | 0.7777777777777778 | 0.8333333333333334 | 2 | | 7 | 89 | 2 | 2 | 17 | 6 | 1.0 | 1.0 | 2 | | 1 | 99 | 3 | 16 | 3 | 1 | 0.16666666666666666 | 0.16666666666666666 | 1 | | 2 | 80 | 3 | 13 | 6 | 2 | 0.3333333333333333 | 0.3333333333333333 | 1 | | 3 | 80 | 3 | 10 | 9 | 3 | 0.5 | 0.5 | 1 | | 4 | 20 | 3 | 7 | 12 | 4 | 0.6666666666666666 | 0.6666666666666666 | 2 | | 6 | 34 | 3 | 3 | 16 | 5 | 0.8888888888888888 | 0.8333333333333334 | 2 | | 7 | 98 | 3 | 1 | 18 | 6 | 1.0 | 1.0 | 2 | +------------+--------+-----------+------+------+------+----------------------+----------------------+------+--+agg_func
介绍：
# unbounded：无界限 # preceding：从分区第一行头开始，则为 unbounded。 N为：相对当前行向前的偏移量 # following：与preceding相反,到该分区结束，则为 unbounded。N为：相对当前行向后的偏移量 # current row：当前行，偏移量为0 # rang/rows between N preceding and N following # rows unbounded/1 preceding例如：
select studentid,score,courseid, sum(score) over(partition by studentid) ssum, sum(score) over(partition by courseid) csum, sum(score) over(order by studentid,courseid rows between 1 preceding and 1 following) sum3, avg(score) over(partition by studentid) savg, avg(score) over(partition by courseid) cavg, min(score) over(partition by studentid) smin, max(score) over(partition by studentid) smax from score; +------------+--------+-----------+-------+-------+-------+---------------------+--------------------+-------+-------+--+ | studentid | score | courseid | ssum | csum | sum3 | savg | cavg | smin | smax | +------------+--------+-----------+-------+-------+-------+---------------------+--------------------+-------+-------+--+ | 1 | 80 | 1 | 269 | 387 | 170 | 89.66666666666667 | 64.5 | 80 | 99 | | 1 | 90 | 2 | 269 | 436 | 269 | 89.66666666666667 | 72.66666666666667 | 80 | 99 | | 1 | 99 | 3 | 269 | 411 | 259 | 89.66666666666667 | 68.5 | 80 | 99 | | 2 | 70 | 1 | 210 | 387 | 229 | 70.0 | 64.5 | 60 | 80 | | 2 | 60 | 2 | 210 | 436 | 210 | 70.0 | 72.66666666666667 | 60 | 80 | | 2 | 80 | 3 | 210 | 411 | 220 | 70.0 | 68.5 | 60 | 80 | | 3 | 80 | 1 | 240 | 387 | 240 | 80.0 | 64.5 | 80 | 80 | | 3 | 80 | 2 | 240 | 436 | 240 | 80.0 | 72.66666666666667 | 80 | 80 | | 3 | 80 | 3 | 240 | 411 | 210 | 80.0 | 68.5 | 80 | 80 | | 4 | 50 | 1 | 100 | 387 | 160 | 33.333333333333336 | 64.5 | 20 | 50 | | 4 | 30 | 2 | 100 | 436 | 100 | 33.333333333333336 | 72.66666666666667 | 20 | 50 | | 4 | 20 | 3 | 100 | 411 | 126 | 33.333333333333336 | 68.5 | 20 | 50 | | 5 | 76 | 1 | 163 | 387 | 183 | 81.5 | 64.5 | 76 | 87 | | 5 | 87 | 2 | 163 | 436 | 194 | 81.5 | 72.66666666666667 | 76 | 87 | | 6 | 31 | 1 | 65 | 387 | 152 | 32.5 | 64.5 | 31 | 34 | | 6 | 34 | 3 | 65 | 411 | 154 | 32.5 | 68.5 | 31 | 34 | | 7 | 89 | 2 | 187 | 436 | 221 | 93.5 | 72.66666666666667 | 89 | 98 | | 7 | 98 | 3 | 187 | 411 | 187 | 93.5 | 68.5 | 89 | 98 | +------------+--------+-----------+-------+-------+-------+---------------------+--------------------+-------+-------+--+analyze_func
介绍：
# lag/lead(COLUMN_NAME,PRECEDING_ROW_NO,DEFAULT_VALUE) over(...) 向上/下取第几行的某列的值，若值为null,取默认值 # first_value/last_value(COLUMN_NAME) over(...) 取分组内排序后截止到当前行的第一行或最后一行某字段例如：
select studentid,score,courseid, lag(score,1,0) over(partition by studentid order by courseid) prevscore, lead(score,1,0) over(partition by studentid order by courseid) nextscore, first_value(score) over(partition by studentid order by courseid) firstscore from score; +------------+--------+-----------+------------+------------+-------------+--+ | studentid | score | courseid | prevscore | nextscore | firstscore | +------------+--------+-----------+------------+------------+-------------+--+ | 1 | 80 | 1 | 0 | 90 | 80 | | 1 | 90 | 2 | 80 | 99 | 80 | | 1 | 99 | 3 | 90 | 0 | 80 | | 2 | 70 | 1 | 0 | 60 | 70 | | 2 | 60 | 2 | 70 | 80 | 70 | | 2 | 80 | 3 | 60 | 0 | 70 | | 3 | 80 | 1 | 0 | 80 | 80 | | 3 | 80 | 2 | 80 | 80 | 80 | | 3 | 80 | 3 | 80 | 0 | 80 | | 4 | 50 | 1 | 0 | 30 | 50 | | 4 | 30 | 2 | 50 | 20 | 50 | | 4 | 20 | 3 | 30 | 0 | 50 | | 5 | 76 | 1 | 0 | 87 | 76 | | 5 | 87 | 2 | 76 | 0 | 76 | | 6 | 31 | 1 | 0 | 34 | 31 | | 6 | 34 | 3 | 31 | 0 | 31 | | 7 | 89 | 2 | 0 | 98 | 89 | | 7 | 98 | 3 | 89 | 0 | 89 | +------------+--------+-----------+------------+------------+-------------+--+
9万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
