（数据库存储）S7 Hive数据仓库 安装 操作

数据仓库概念

起源于Facebook，使用SQL语言。

数据仓库

面向主题的，集成的，随时间变化的，信息相对稳定的数据集合。

• 面向主题：

    操作性数据库的数据注释是面向事务处理任务。主题指用户使用数据仓库进行决策时关心的重点方面。如商品的推荐。
  

• 随时间变化

    数据仓库是不同时间的数据集合，数据仓库中的数据保存时限要能满足进行决策分析的需要（如5到10年），而数据仓库中的数据都要标明数据的历史时期。
  

• 数据仓库数据相对稳定

    一般不可更新，进入仓库后长期保留，进行大量查询操作，很少修改和删除操作。
  

OLTP和OLAP

联机事务管理OLTP联机分析处理OLAP

1. OLTP是传统关系型数据库的主要应用，针对基本的日常事务处理，如银行转账
2. OLAP是数据仓库的主要应用，支持复杂分析操作，侧重决策支持，并且提供直观易懂的查询结果，如商品推荐
   

数据仓库的结构

1. 数据源：

    是数据仓库的基础，包含内部信息和外部信息
    	* 内部信息:业务数据和自动化系统中包含的各类文档。
    	* 外部信息：各类法律法规，市场信息，竞争对手信息..
   

2. 数据存储和管理

    是数据仓库的核心，针对系统现有数据进行抽取、清理并有效集成，并按主题进行组织。数据集市，小型部门的数据仓库
   

3. OLAP服务器

    对分析的数据按照多维数据模型进行重组，支持用户随时进行多角度、多次层次的分析。
   

4. 前段工具

    分析工具、报表工具、查询工具、数据挖掘工具以及各基于数据仓库或者数据集市开发的应用
   

数据仓库的数据模型

星型模型

• 以一组事实表和一组维度表组合而成
  

雪花模型

• 是对星型模型的扩展
• 效率比较低使用不多
  

Hive简介

什么是Hive

• Hive是建立在Hadoop文件系统上的数据仓库，它提供一系列工具，对存储在HDFS中的数据今夕数据提取、转换和加载（ETL），是一种可以存储、查询和分析储存在Hadoop中的大规模数据的工具

• 定义了简单类SQL语言HQL，可以将结构化数据文件映射为一张数据表，可以使用SQL语言也可使用MapReduce开发自定义的mapper和reducer来处理内建的mapper和reducer无法完成的复杂分析工作。

• Hive除了有类似数据库的查询语言，再无相似之处。

  Hive与传统数据库的对比
  
  Hive面向分析数据，MySQL注重处理，注重业务

Hive系统架构

包含四个部分：用户接口，跨语言服务，底层的驱动引擎和元数据存储系统

1. 用户接口：CLI是shell终端命令、JDBC/ODBC（Hive的java实现）和webUI（通过浏览器访问Hive）。其中CLI用的最多

2. 跨语言服务（Thrift Server）：Thrift 是Facebook开发的框架，用于不同的语言的调用Hive的接口

3. 底层的驱动引擎：包含编译器、优化器、执行器。用于完成HQL查询语句从词法分析、语法分析、编译、优化及查询计划的生成，生成的查询计划存在HDFS中随后MapReduce调用执行

4. 元数据存储系统（metastore）：metastore默认存在自带的Derby数据库中，但是不适合多用户操作，并且数据存储目录不固定，不方便管理。通常将原数据存在MySQL数据库中。

    * Hive元数据存储系统中通常存储表名、列、分区及其相关属性
   

Hive工作原理

1. ui向Driver发送查询操作
2. Driver借助编译器解析查询，期望获取查询计划
3. 编译器将元数据请求发送费MetaStore
4. Metastore将元数据以响应的方式发送给编译器
5. 编译器坚持需求，并将计划重新发送给Driver
6. Driver将执行计划，发送给执行引擎，执行任务
7. 执行引擎从DataNode中获取结果，并将结果发送给UI和Driver

Hive数据模型

数据模型存在HDFS中。有数据库，表，分区表和捅表

一个表就是一个文件夹，一个桶表是一个子文件，分区是表文件夹里的子文件夹

1. 数据库：类似关系型数据库中的数据库
2. 表：放在HDFS中，内部表存在Hive数据仓库中；外部表，可以存在Hive数据仓库外的分布式文件系统中。hive数据仓库就是HDFS的一个目录，这个目录是hive的默认路径，可以再Hive配置文件中配置，最终也会存在元数据库中
3. 分区：根据“分区列”值进行粗略划分，如在Hive文件夹下有子文件夹分别存储。目的为了快速查询
   分区列不是某个字段，而是独立的列，根据这个列查询表中的数据文件
4. 桶表：将“大表”分为“小表”，为了更高的查询效率，桶表是Hi侧数据模型的最小单元，数据加载到桶表是，对字段值进行哈希取值，然后除以桶的个数，保证每个桶表都有数据。每个桶表就是表或者分区的一个文件。

Hive安装

安装模式

1. 嵌入模式：使用内嵌的Derby数据库存储元数据，配置简单，但是只能连接一个客户端，只能用来测试。
2. 本地模式：采用外部数据库存储运输局，不会开启Metastore服务，因为本地模式使用的和Hive同一个进程中的Me他store服务
3. 远程模式：与本地模式相仿，但是需要单独开启Metastore服务，然后在每个客户端都在配置文件汇总连接该服务，远程模式下Metastore服务和hive 服务运行在不同的进程中

安装

嵌入式安装

1. 下载安装包
2. 解压后在hive目录下 执行bin/hive 启动hive
   
3. 进入到hive后使用类Sql语句，show databases;查看数据库只有默认的default数据库。
4. 当退出hive是当前目录产生derby.log文件，记录了用户操作Hive的日志文件，当重新打开hive会产生新的derby文件。
5. 换路径启动时产生新的derby文件无法共享文件。

本地模式和远程安装

mysql的安装配置

1. 安装mysql

yum install mysql mysql-server mysql devel

2. 启动MySQL

/etc/init.d/mysqld start

3. 连接mysql

[root@hadoop01 hive]# mysql

Welcome to the MySQL monitor.  Commands end with ; or \g.
Your MySQL connection id is 2
Server version: 5.1.73 Source distribution

Copyright (c) 2000, 2013, Oracle and/or its affiliates. All rights reserved.

Oracle is a registered trademark of Oracle Corporation and/or its
affiliates. Other names may be trademarks of their respective
owners.

Type 'help;' or '\h' for help. Type '\c' to clear the current input statement.

mysql> 

4. 修改登录密码

mysql> use mysql
mysql> UPDATE user SET Password=PASSWORD('密码') WHERE user='root';

5. 允许远程登录

mysql> GRANT ALL PRIVILEGES ON *.* TO 'root'@'%' IDENTIFIED BY '登录密码' WITH GRANT OPTION;

6. 强制写入

FLUSH PRIVILEGES;

7. 设置mysql服务开机启动

[root@hadoop01 ~]# service mysqld status  	//启动mysqld服务
[root@hadoop01 ~]# chkconfig mysqld on 		// 开机启动
[root@hadoop01 ~]# chkconfig mysqld --list	//看一下

hive的配

1. 进入hive的conf文件夹
2. 将hive-env.sh.template复制一份并重命名

[root@hadoop01 conf]# cp hive-env.sh.template hive-env.sh

3. 修改hive-env.sh

# Set HADOOP_HOME to point to a specific hadoop install directory
HADOOP_HOME=/opt/hadoop   # Hadoop的安装路径。

这个文件是指定Hadoop的路径

4. 创建hive-site.xml并 添加一下代码

<configuration>
    <property>
        <name>javax.jdo.option.ConnectionUserName</name># 用户名
        <value>root</value>
    </property>
    <property>
        <name>javax.jdo.option.ConnectionPassword</name># 登录密码
        <value>1123</value>
    </property>
   <property>
        <name>javax.jdo.option.ConnectionURL</name>#地址，并使用hive数据库？没有创建=true
        <value>jdbc:mysql://localhost:3306/hive?createDatabaseIfNotExist=true</value>
    </property>
    <property>
        <name>javax.jdo.option.ConnectionDriverName</name>#驱动连接
        <value>com.mysql.jdbc.Driver</value>
    </property>
</configuration>

* 配置完成后hive会将默认的Derby数据库变为mysql数据库

5. 将mysql连接驱动jar包上传到hive的lib下

[root@hadoop01 mysql-connector-java-5.1.48]# cp mysql-connector-java-5.1.48.jar /opt/hive/lib/
# 文件已上传、先tar xf mysql-connector-java-5.1.48.tar.gz -C ./
# 后里面有mysql-connector-java-5.1.48.jar

6. 本地模式安装完成启动 和之前一样。。。
7. 远程模式将hive-site.xml的localhost改为由mysql的服务节点ip即可
8. 启动hive后创建表，退出后查看mysql的hive数据库有很多表
   

错误解决方法

点击跳转

Hive的管理

CLI方式

1. 启动Hive
   安装目录启动bin/hive

2. 退出hive
   exit;或者quit;

3. 查看数据库
   show databases;

4. 使用数据库查看表
   show tables
   注意：hive默认使用defulat数据库

5. 查看自带函数
   show functions;

远程服务

当我们使用JDBC或者ODBC进行hive操作时，CLI不能进行多节点同时访问，还会造成服务器阻塞。一般Hive部署的服务器用户是无法访问到的，所以使用远程服务进行hive操作。

1. 将hadoop01的hive分发下去。

[root@hadoop01 opt]# scp -r ./hive hadoop04:`pwd`

2. 在hadoop01启动hive安装包下的Hiveserver2服务

[root@hadoop01 hive]# bin/hiveserver2

启动后shell窗口没反应不动他，再开一个hadoo01的链接jps一下出现RunJar说明hive服务启动成功

3. 在新开的hadoop窗口进行连接

[root@hadoop01 ~]# cd /opt/hive/
[root@hadoop01 hive]# bin/beeline
Beeline version 1.2.2 by Apache Hive
beeline> 

4. 输入远程连接协议

beeline> !connect jdbc:hive2://hadoop01:10000   # hive2的默认端口号为10000
Connecting to jdbc:hive2://hadoop01:10000
Enter username for jdbc:hive2://hadoop01:10000: root #用户名
Enter password for jdbc:hive2://hadoop01:10000: **** # 密码

5. 查看数据库
   代码和mysql差不多了

0: jdbc:hive2://hadoop01:10000> show databases;
+----------------+--+
| database_name  |
+----------------+--+
| default        |
| text01         |
+----------------+--+
2 rows selected (0.894 seconds)

注意

在启动hive之前必须hadoop集群和mysql已经启动。

Hive内置数据类型

数据类型	描述
TINYINT	1字节有符号整数 ，从-128到127
SMALLINT	2字节有符号整数，从-32768到32767
INT	4字节有符号整数
BIGINT	8字节有符号整数
FLOAT	4字节单精度浮点数
DOUBLE	8字节双精度浮点数
DOUBLE PRECISION	DOUBLE的别名从Hive2.2.0开始提供
DECIMAL	任意精度带符号小数
NUMERIC	DECIMAL别名，Hive3.0开始
TIMESTAMP	精度到纳秒的时间戳
DATE	以年/月/日形式的日期
INTERVAL	表示时间间隔
STRING	字符串
VARCHAR	可变长度字符串
CHAR	固定长度字符串
BOLLEAN	存TRUE和FALSE
BINARY	字节数组

---

复杂数据类型	复杂数据类型描述
ARRAY	有序字段，字段类型相同
MAP	一组无序键值对，键必须是原子类型，值无所谓，同一映射的键数据类型相同，值数据类型相同。（java中的Map集合）
STRUCT	一组命名的字段，字段类型可以不同

• 与java中数据类型对应
  1. TINYINT、SMALLINT、INT以及BIGINT等价与java中的byte、short、int、和long，分别为1、2、4、8、字节
  2. FLOAT和DOUBLE对应java中的float和double分别是32位和64位浮点数
  3. STRING用于存储文本，理论上最多可存2GB的字符数
  4. BINARY用于变长的二进制数据存储
• 复杂数据类型与java的同名数据类型类似。而STRUCT是一种记录类型，它封装了一个命令的字段集合。示例如下

CREATE TABLE complex(
	col1 ARRAY<int>,
	col2 Map<int,STRING>
	col3 STRUCT<a:STRING,b:INT,c:DOUBLE>
)

数据模型操作

数据库操作

1. 创建数据库

create database|schema [if not exists] db_name;

* database|schema表示是创建数据库还是创建数据库模式
* [if not exists] 表示库不存在才创建
* 默认情况下数据库在/user/hive/

2. 查看数据库

show databases;

3. 查看数据库详情

desc databases|schema db_name;

4. 切换数据库

use db_name

5. 修改数据库

alter (database|schema) db_name set dbproperties(property_name=property_valus,.....)

* dbproperties一般是键值对

6. 删除数据库

drop (database|schema) [if exists] db_name [restrict|cascade]

* cascade强制删除，如果不加当库里有表就会删除失败。但是不建议加。。（删库跑路）

表操作

内部表操作

1. 创建表

create [temporary(临时表)][external(外部表)] table [if not exists] tb_name
[(字段名 字段类型 [comment 字段注释信息],....)]
[comment 表注释信息]
[partiitioned(指定分区表) by(字段名 字段类型 [comment 字段注释信息],....)]
[clustered(创建分桶表) by (字段名,字段名,...)]
[sorted(指定排序规则) by (字段名 [ASC(升)|DESC(降序)],..)]  
[row format (一行字段的分隔符)]
[stored as (数据表文件的存储格式)]
[location (hdfs_path(文件存放位置)(创建外部表必须有))]

2. 复制表
   • 复制一张一样的格式，只会复制结构，不复制内容

create [temporary][external] table [if not exists] tb_name like (已存在表的名字)[location (hdfs_path(文件存放位置))];

参数名称	说明
temporary(临时表)	加上说明创建临时表，改表仅当前对话可见，会话结束时删除
external	创建一个外部表，需要制定数据文件的实际路径，忽略这个选项，默认创建内部表，Hive将数据文件移动到数据仓库目录下。外部表，只会记录数据所在路径，不会移动数据
partitioned by	创建带有分区的表
clustered by	对每个表或者分区
sorted by	对列排序，可以提高查询效率
row format	hive默认采用‘\001’作为分隔符
stored as	指定文件存储格式，默认textfile。
location	文件在hdfs上的路径

基本表创建

1. 首先在hadoop01上的hivedata目录下创建一个user.txt文件

1,zcx,20
2,lxm,20
3,sss,55

2. 针对hivedata目录准备的结构化文件user.txt先创建一个内部表

create table t_user(id int,name string,age int)
row format delimited fields terminated by ',';

• 看看web的结构
  

3. 将创建的user.txt文件上传到HDFS的/user/hive/warehouse/text01.db/t_user目录下

[root@hadoop01 hivedata]# hadoop fs -put ./user.txt /user/hive/warehouse/text01.db/t_user

4. 当将文件放到这个目录意味着表中就有数据了。
   我们的hive可以结构化数据自动装换为表
   

复杂类型数据建建表

1. 现有结构化文件student.txt

1,张三,唱歌:非常喜欢-跳舞:喜欢-游泳:一般般
1,Lisa,打游戏:非常喜欢-篮球:不喜欢

2. 创建表

create table t_student(id int,name string,hhobby map<string,string>)
row format delimited fields terminated by ','
collection items terminated by '-'
map keys terminated by ':';

3. 上传student.txt到/user/hive/warehouse/text01.db/t_student

[root@hadoop01 hivedata]# hadoop fs -put ./student.txt /user/hive/warehouse/text01.db/t_student

4. 查看数据库

select * from t_student;

注意

1. 建表语句必须根据结构化文件内容和需求，指定匹配的分隔符；
2. 创建hive内部表必须将数据移动到对应的数据表的HDFS目录下，数据才会和表进行映射，产生响应的数据

外部表操作

• 创建表的时候添加External
• 内部表与结构化数据要产生映射必须将数据移动到目录下，当数据庞大是就非常耗时，这使可以使用外部表来避免。
• 案例

1. 现有结构化数据student.txt

95001,李勇,男,20,CS
95002,啊啊,男,20,CS
95003,李送的,男,20,CS
95004,阿勇,男,20,CS
95005,执行勇,男,20,CS
95006,阿斯顿,男,20,CS
95007,张长旭,男,20,CS
95008,刘雪梅,你,20,CS

2. 将文件上传到HDFS的/stu路径下，模拟生产环境产生的数据

hadoop fs -mkdir /stu
adoop fs -put ./student.txt /stu

3. 创建外部表

create external table student_ext(Sno int,Sname string,Sex string,Sage int,Sdept string)
row format delimited fields terminated by ',' 
location '/stu';

location表示表的目录在哪

4. 查看表中是否有数据

select * from student_ext;

当我们看HDFS的web的student_ext目录下没有student_ext文件夹

提示

1. hive创建内部表是，会将数据移动到数据库指向的路径。
2. 创建外部表时仅记录数据所在路径，不会对数据的位置改变。
3. 在删除表时，内部表的元数据和数据一起都被删除，而外部表只删除元数据，不删除数据

分区表操作

分区表就对应hdfs上的一个文件夹

普通分区

• 创建表

create table t_user_p(id int,name string)
partitioned by (country string)
row format delimited fields terminated by ',';

partitioned by (country string)表明我是分区表，分区名为country 

• 导入数据
  • 语法

load data [local] inpath 'filepath' [overwrite]
into table tb_name [partition (partcol1=val1, partcol2=val2,)]

参数名称	说明
load data	固定语句
filepath	文件的路径或者文件。
local	若指定了local关键字，则使用本地路径，否则使用HDFS上的文件路径
overwrite	覆盖，若指定改属性则，表中数据被覆盖，否则在表中追加

load data local inpath '/root/hivedata/user_p.txt' into table t_user_p partition(country='USA');

• 新增分区

alter table 表名 add partition (country='China') location '/user/hive/warehouse/t_user_p/country=China';

• 修改分区名

alter table 表名 partition(country='原来分区名') rename to partition(country='分区名');

• 删除分区

alter table 表名 drop if exists partiton(country='分区名');

动态分区

• 当数据量大时不可能手动添加字段，所以用到动态分区，
• 开启动态分区

set hive.exec.dynamic.partition=ture;
set hive.exec.dynamic.partition.mode=nonstrict;

• hive默认不支持动态分区，hive.exec.dynamic.parttion默认值为False需开启。hive.exec.dynamic.parttion.mode默认为static设置为nonstrict，表示允许所有的分区字段都可以使用动态分区。
• hive中insert语句是用于动态插入数据，语句：

insert overwrite table 表名 
partition (partcol1[=val1],partcol2[=val2]....)
select_statement from from_statement;

例如

1. 有一个结构化数据文件dynamic_partition_table.txt

2020-02-15,ip1
2020-02-11,ip2
2020-02-13,ip3
2020-02-14,ip4
2020-03-15,ip5
2020-04-15,ip6
2020-05-15,ip7

2. 将文件进行动态分区的数据插入，按照时间插入到目标表d_p_t的相应分区中
3. 创建表

create table dynamic_partition_table(day string,ip string)
row format delimited fields terminated by ',';

4. 将数据文件加载到数据表

load data local inpath
'/root/hivedata/dynamic_partition_table.txt'
into table dynamic_partition_table;

5. 创建目标表

create table d_p_t(ip string)
partitioned by (month string,day string);

6. 实现动态插入

insert overwrite table d_p_t partition (month,day)
select ip,substr(day,1,7) as month,day
from dynamic_partition_table;

substr(day,1,7)：截取数据，day中的第一个字符到第六个字符截取出来

7. 查看目标表中的分区数据

show partitions d_p_t;

桶表操作

• 就是在文件层面把数据分开
• 首先开启分桶功能

set hive.enforce.bucketing = true;
set mapreduce.job.reduces=4;

第一行设置开启，
第二行，因为HQL最终会装换称MR程序，所以分桶数与ReduceTask保持一致，从而昌盛相应文件个数

1. 创建分桶表

create table stu_buck(Sno int,Sname string,Sex string,Sage int,Sdept string)
clustered by (Sno) into 4 buckets
row format delimited fields terminated by ',';

* clusetred by(Sno):表示分桶关键字，Sno分桶字段，必须为表字段的一个。
* into 4 buckets：按照Sno分桶，分成四个桶。

2. 在HDFS的/stu有文件student.txt，将文件复制到/hivedata目录，然后加载数据到桶表中，因为桶表加载数据不能使用load data方式导入（load data实际上是将数据文件进行复制或移动到hive表对应的地址中），所以要创建临时表student，该表与stu_buck表字段必须一致

create table student_tmp(Sno int,Sname string,Sex string,Sage int,Sdept string)
row format delimited fields terminated by ',';

3. 加载数据到student临时表

load data local inpath '/root/hivedata/student.txt'
into table student_tmp;

4. 将数据导入stu_buck表中

insert overwrite table stu_buck
select * from student_tmp cluster by (Sno);

将查询结果插入到stu_buck中，插过程中实现分桶cluster by (Sno)
执行时会启动MapReduce程序

5. 查看分桶表数据

select * from stu_buck;

通过系统查看

[root@hadoop01 hivedata]# hadoop fs -cat /user/hive/warehouse/text01.db/stu_buck/000000_0
95004,阿勇,男,20,CS
95008,刘雪梅,你,20,CS

总结

分桶表就是把所映射的结构化数据分得更细致，分桶规则为：hive对目标列值进行哈希运算，得到哈希值再与分桶个数取模的方式决定数据的归并。使用分桶可以提高查询效率，如join操作时，两表有相同字段，如果两表都分桶了，可以减少join操作时的数据量，从而提高查询效率，还能够在处理大规模数据时，选择小部分数据进行抽样运算，减少资源浪费。

数据操作

查询操作

select [all|distinct] select_expr,select_expr,....
from table_reference
join table_other on expr
[where 查询条件]
[group by col_list [hiving condition]]
[cluster by col_list | [distribute by col_list] [sort by | order by col_list]]
[limit number]

参数	说明
table_reference	可以是一张表，一个视图，或者一个子查询语句
where	指定查询条件
distinct	用于剔除重复数据，默认为all全部显示
group by	用于将查询结果按照指定字段进行分组
having	与group by字段连用，将分组后的结构进行过滤
distribute by	根据指定字段分发到不同的reduce进行处理，分发算法采用哈希散列，与sort by连用
sort by	在数据进行Reduce前完成排序，不是全局排序，如果设置成mapreduce.job.reduces(分桶数目)>1，则sort by只能保证每个桶中是有序的。
cluster by	分桶查询语句，根据指定的字段进行分桶，分桶数取决于设置reduce的格式，分桶后，每个桶中的数据都进行排序。如果distribute by和sort by排序的字段是同一个时，distribute by+sort by=cluster by
order by	对查询的数据进行全局排序，因此输出文件只有一个且只存在一个Reduce，数据量会很大，计算会很慢。

案例–

准备两个数据

1. emp.txt

7369 SMITH CLERK 7902 1980-12-17 800.0 20
7499 ALLEN SALESMAN 7698 1981-2-20 1600.00 300.00 30
7521 WARD SALESMAN 7698 1981-2-22 1250.00 500.00 30
7566 JOESON MANAGER 7839 1981-4-2 2975.00 20
7654 MARTIN SALESMAN 7698 1981-9-28 1250.00 1400.00 30
7698 BLAKE MANAHER 7839 1981-5-1 2850.00 30
7782 CLARK MANAGER 7839 1981-6-6 2450.00 10

2. dept.txt

10 ACCOUNTING 1700
20 RESEARCH 1800
30 SALES 1900
40 OPERATIONS 1700

创建表

1. emp表

create table emp(empno int, ename string, job string, mgr int, hiredate string, sal double, comm double, deptno int)
row format delimited fields terminated by ' ';

2. dept表

create table dept(deptno int, dname string, loc int)
row format delimited fields terminated by ' ';

查询

基本查询

1. 全表查询

select * from emp;

2. 指定字段查询

select deptno,dname from dept;

3. 查询员工表总人数

select count(*) cnt from emp;

count()累计函数 
cnt是别名
启动了MapReduce任务

4. 查询员工表总工资

select sum(sal) sum_sal from emp;

5. 查询5条员工表信息

select * from emp limit 5;

Where条件查询

1. 薪水等于800的所有员工

select * from emp where sal =800;

2. 工资在500 和1500之间的员工

select * from emp where sal between 500 and 1500;

3. deptno为空的所有员工

select * from emp where deptno is null;

4. 查询工资是1250和1600的员工

select * from emp where sal in (1250,1600);

Like和Rlike

Rlike子句是hive的扩展，可以通过java的正则表达式来匹配数据

1. 查询以2开头的薪水的员工

select * from emp where sal like '2%';

2. 查询第二个数是2的薪水的员工信息

在这里插入代码片