Hive入门教程

---

前言

本文介绍的是Hadoop下的数据仓库工Hive的入门与使用

---

一、Hive的基本概念

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工具。
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。
Hive本质：
将HQL转化成MapReduce程序

（1）Hive处理的数据存储在HDFS
（2）Hive分析数据底层的实现是MapReduce
（3）执行程序运行在Yarn上

1.2 Hive优缺点

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。
缺点：
（1）迭代式算法无法表达
（2）数据挖掘方面不擅长，由于 MapReduce 数据处理流程的限制，效率更高的算法却无法实现。
（3）Hive 自动生成的 MapReduce 作业，通常情况下不够智能化
（4）Hive 调优比较困难，粒度较粗

1.3 Hive架构

• 1 ）用户接口：Client CLI（command-line interface）、JDBC/ODBC(jdbc 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。
  

1.4 Hive与传统数据库比较

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。本文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。
1.4.3 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。
1.4.4 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。

二、Hive 安装与使用

下载地址：http://archive.apache.org/dist/hive/

2.1 安装部署

安装 Hive
1 ）把 把 apache-hive-3.1.2-bin.tar.gz 上传到 linux 的/opt/software 目录下
2 ） 解压 apache-hive-3.1.2-bin.tar.gz 到/opt/module/ 目录下面

[chen@hadoop102 software]$ tar -zxvf /opt/software/apache-hive-3.1.2-bin.tar.gz -C /opt/module/

3 ） 修改 apache-hive-3.1.2-bin.tar.gz 的名称为 hive

[chen@hadoop102 software]$ mv /opt/module/apache-hive-3.1.2-bin/
/opt/module/hive

4 ） 修改/etc/profile.d/my_env.sh ， 添加环境变量

[chen@hadoop102 software]$ sudo vim /etc/profile.d/my_env.sh

5 ） 添加内容

#HIVE_HOME
export HIVE_HOME=/opt/module/hive
export PATH=$PATH:$HIVE_HOME/bin

6 ）解决日志 Jar 包冲突

[chen@hadoop102 software]$ mv $HIVE_HOME/lib/log4j-slf4j-impl-2.10.0.jar $HIVE_HOME/lib/log4j-slf4j-impl-2.10.0.bak

7 ）初始化元数据库

[chen@hadoop102 hive]$ bin/schematool -dbType derby -initSchema

2.2 启动并使用Hive

1 ）启动 Hive
[atguigu@hadoop102 hive]$ bin/hive
2 ）使用 Hive
hive> show databases;
hive> show tables;
hive> create table test(id int);
hive> insert into test values(1);
hive> select * from test;
3 ）在 CRT 窗口 中开启另一个窗口开启 Hive ，在/tmp/atguigu 目录下监控 hive.log 文件

Caused by: ERROR XSDB6: Another instance of Derby may have already booted
the database /opt/module/hive/metastore_db.
at
org.apache.derby.iapi.error.StandardException.newException(UnknownSource)
at
org.apache.derby.iapi.error.StandardException.newException(UnknownSource)

原因在于 Hive 默认使用的元数据库为 derby，开启 Hive 之后就会占用元数据库，且不与其他客户端共享数据，所以我们需要将 Hive 的元数据地址改为 MySQL。

2.3 Hive元数据配置到MySQL

2.3.1 拷贝 驱动
将 MySQL 的 JDBC 驱动拷贝到 Hive 的 lib 目录下

[chen@hadoop102 software]$ cp /opt/software/mysql-connector-java-5.1.37.jar $HIVE_HOME/lib

2.3.2 配置 Metastore 到 到 MySQL
1 ） 在HIVE_HOME/conf 目录下新建 hive-site.xml 文件

[chen@hadoop102 software]$ vim $HIVE_HOME/conf/hive-site.xml

添加如下内容

<?xml version="1.0"?>
<?xml-stylesheet type="text/xsl" href="configuration.xsl"?>
<configuration>
<!-- jdbc 连接的 URL -->
<property>
<name>javax.jdo.option.ConnectionURL</name>
<value>jdbc:mysql://hadoop102:3306/metastore?useSSL=false</value>
</property>
<!-- jdbc 连接的 Driver-->
<property>
<name>javax.jdo.option.ConnectionDriverName</name>
<value>com.mysql.jdbc.Driver</value>
</property>
<!-- jdbc 连接的 username-->
<property>
<name>javax.jdo.option.ConnectionUserName</name>
<value>root</value>
</property>
<!-- jdbc 连接的 password -->
<property>
<name>javax.jdo.option.ConnectionPassword</name>
<value>000000</value>
</property>
<!-- Hive 元数据存储版本的验证 -->
<property>
<name>hive.metastore.schema.verification</name>
<value>false</value>
</property>
<!--元数据存储授权-->
<property>
<name>hive.metastore.event.db.notification.api.auth</name>
<value>false</value>
</property>
<!-- Hive 默认在 HDFS 的工作目录 -->
<property>
<name>hive.metastore.warehouse.dir</name>
<value>/user/hive/warehouse</value>
</property>
</configuration>

代码如下（示例）：
2 ） 登陆 MySQL

[chen@hadoop102 software]$ mysql -uroot -p000000

3 ） 新建 Hive 元数据库

mysql> create database metastore;

mysql> quit;
4 ） 初始化 Hive 元数据库

[chen@hadoop102 software]$ schematool -initSchema -dbType mysql -verbose

再次启动 Hive
1 ）启动 Hive

[chen@hadoop102 hive]$ bin/hive

2 ）使用 Hive

hive> show databases;
hive> show tables;
hive> create table test (id int);
hive> insert into test values(1);
hive> select * from test;

3 ）在 CRT 窗口 中开启另一个窗口开启 Hive

hive> show databases;
hive> show tables;
hive> select * from aa;

2.4 使用元数据服务的方式访问 Hive

1 ）在 在 hive-site.xml 文件中添加如下配置信息

<property>
<name>hive.metastore.uris</name>
<value>thrift://hadoop102:9083</value>
</property>

2 ） 启动 metastore

[chen@hadoop202 hive]$ hive --service metastore
2020-04-24 16:58:08: Starting Hive Metastore Server

注意: 启动后窗口不能再操作，需打开一个新的 shell 窗口做别的操作
3 ） 启动 hive
[atguigu@hadoop202 hive]$ bin/hive

2.5 使用 JDBC的方式访问 Hive

1 ）在 在 hive-site.xml 文件中添加如下配置信息

<!-- 指定 hiveserver2 连接的 host -->
<property>
<name>hive.server2.thrift.bind.host</name>
<value>hadoop102</value>
</property>
<!-- 指定 hiveserver2 连接的端口号 -->
<property>
<name>hive.server2.thrift.port</name>
<value>10000</value>
</property>

2 ）启动 hiveserver2

[chen@hadoop102 hive]$ bin/hive --service hiveserver2

3 ） 启动 beeline 客户端 （ 需要多等待一会 ）

[chen@hadoop102 hive]$ bin/beeline -u jdbc:hive2://hadoop102:10000 -n atguigu

4 ） 看到如下界面

Connecting to jdbc:hive2://hadoop102:10000
Connected to: Apache Hive (version 3.1.2)
Driver: Hive JDBC (version 3.1.2)
Transaction isolation: TRANSACTION_REPEATABLE_READ
Beeline version 3.1.2 by Apache Hive
0: jdbc:hive2://hadoop102:10000>

2.6 Hive 常用交互命令

[chen@hadoop102 hive]$ bin/hive -help
usage: hive
-d,--define <key=value> Variable subsitution to apply to hive
commands. e.g. -d A=B or --define A=B
--database <databasename> Specify the database to use
-e <quoted-query-string> SQL from command line
-f <filename> SQL from files
-H,--help Print help information
--hiveconf <property=value> Use value for given property
--hivevar <key=value> Variable subsitution to apply to hive
commands. e.g. --hivevar A=B
-i <filename> Initialization SQL file
-S,--silent Silent mode in interactive shell
-v,--verbose Verbose mode (echo executed SQL to the
console)

1 ） “-e ”不进入 hive 的交互窗口执行 sql 语句
[atguigu@hadoop102 hive]$ bin/hive -e “select id from student;”
2 ） “-f ”执行脚本中 sql 语句
（1）在/opt/module/hive/下创建 datas 目录并在 datas 目录下创建 hivef.sql 文件
[chen@hadoop102 datas]$ touch hivef.sql
（2）文件中写入正确的 sql 语句
select *from student;
（3）执行文件中的 sql 语句

[chen@hadoop102 hive]$ bin/hive -f /opt/module/hive/datas/hivef.sql

（4）执行文件中的 sql 语句并将结果写入文件中

[chen@hadoop102 hive]$ bin/hive -f /opt/module/hive/datas/hivef.sql >/opt/module/datas/hive_result.txt

2.7 Hive 其他命令操作

1 ） 退出 hive 窗口：

hive(default)>exit;
hive(default)>quit;

2 ）在 在 hive cli 命令窗口中如何查看 hdfs 文件系统
hive(default)>dfs -ls /;
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/atguigu
（2）查看. hivehistory 文件

[chen@hadoop102 ~]$ cat .hivehistory

2.8 Hive 常见属性配置

2.8.1 Hive 运行日志信息配置
1 ）Hive 的 的 log 默认存放在/tmp/atguigu/hive.log 目录下（当前用户名下）
2 ） 修改 hive 的 的 log 存放日志到/opt/module/hive/logs
（1）修改/opt/module/hive/conf/hive-log4j2.properties.template 文件名称为
hive-log4j2.properties

[chen@hadoop102 conf]$ pwd/opt/module/hive/conf
[chen@hadoop102 conf]$ mv hive-log4j2.properties.template hive-log4j2.properties

（2）在 hive-log4j2.properties 文件中修改 log 存放位置
hive.log.dir=/opt/module/hive/logs
2.8.2 打印 当前库 和 表头
在 hive-site.xml 中加入如下两个配置:

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

2.8.3 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：

[chen@hadoop103 hive]$ 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。

---

总结

以上就是Hive的基本概念以及安装使用。