大数据技术之Hive(一

今天来聊一聊Hive，也是平时工作中每天都用到且用得最多的离线查询。

 

Hive的简介

 

Hive由 Facebook 开源用于解决海量结构化日志的数据统计工具，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。

在这里我还是要推荐下我自己建的大数据学习交流qq裙： 957205962， 裙 里都是学大数据开发的，如果你正在学习大数据 ，小编欢迎你加入，大家都是软件开发党，不定期分享干货（只有大数据开发相关的），包括我自己整理的一份2018最新的大数据进阶资料和高级开发教程，欢迎进阶中和进想深入大数据的小伙伴

本质是将 HQL 转化成 MapReduce 程序

1）Hive 处理的数据存储在 HDFS上

2）Hive 分析数据底层的实现是 MapReduce

3）执行程序运行在 Yarn 上

 

Hive的优点

 

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，主要做离线查询

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

 

Hive的缺点

 

1）Hive 的 HQL 表达能力有限，迭代式算法无法表达，数据挖掘方面不擅长

2）Hive 的效率比较低，Hive 自动生成的 MapReduce 作业，通常情况下不够智能化，Hive 调优比较困难，粒度较粗

 

Hive  架构原理

 

 

如图中所示，Hive 通过给用户提供的一系列交互接口，接收到用户的指令(SQL)，使用自己的 Driver，结合元数据(MetaStore)，将这些指令翻译成 MapReduce，提交到 Hadoop 中执行，最后，将执行返回的结果输出到用户交互接口。

 

1）用户接口：Client

CLI（hive shell）、JDBC/ODBC(java 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

 

Hive和数据库比较

 

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。这里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。

在这里我还是要推荐下我自己建的大数据学习交流qq裙： 957205962， 裙 里都是学大数据开发的，如果你正在学习大数据 ，小编欢迎你加入，大家都是软件开发党，不定期分享干货（只有大数据开发相关的），包括我自己整理的一份2018最新的大数据进阶资料和高级开发教程，欢迎进阶中和进想深入大数据的小伙伴

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。

 

2、数据存储位置

Hive 是建立在 Hadoop 之上的，所有 Hive 的数据都是存储在 HDFS 中，而数据库则可以将数据保存在块设备或者本地文件系统中。

 

3、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中不支持对数据的改写和添加，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。

 

4、索引

Hive 在加载数据的过程中不会对数据进行任何处理，甚至不会对数据进行扫描，因此也没有对数据中的某些 Key 建立索引。Hive 要访问数据中满足条件的特定值时，需要暴力扫描整个数据，因此访问延迟较高。由于 MapReduce 的引入， Hive 可以并行访问数据，因此即使没有索引，对于大数据量的访问，Hive 仍然可以体现出优势。数据库中，通常会针对一个或者几个列建立索引，因此对于少量的特定条件的数据的访问，数据库可以有很高的效率，较低的延迟。由于数据的访问延迟较高，决定了 Hive 不适合在线数据查询。

 

5、 执行

Hive 中大多数查询的执行是通过 Hadoop 提供的 MapReduce 来实现的。而数据库通常有自己的执行引擎。

 

6、 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。

 

7、 可扩展性

由于 Hive 是建立在 Hadoop 之上的，因此 Hive 的可扩展性是和 Hadoop 的可扩展性是一致的（世界上最大的 Hadoop 集群在 Yahoo!，2009 年的规模在 4000 台节点左右）。而数据库由于 ACID 语义的严格限制，扩展行非常有限。目前最先进的并行数据库 Oracle 在理论上的扩展能力也只有 100 台左右。

 

8、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，数据库可以支持的数据规模较小。

 

Hive的基本操作

 

需求：将本地/opt/module/datas/student.txt这个目录下的数据导入到hive的student(id int, namestring)表中。

 

1）数据准备

在/opt/module/datas/student.txt 这个目录下准备数据

在/opt/module/目录下创建 datas

创建文件夹： mkdir datas

 

在/opt/module/datas/目录下创建 student.txt 文件并添加数据

创建文件：touch student.txt

 

打开新建的文件，填充数据：vi student.txt

以下为数据，用Tab键间隔

1001  zhangshan

1002  lishi

1003  zhaoliu

 

启动 hive：bin/hive

 

查看数据库：show databases;

 

使用 default 数据库：use default;

 

查看 default 数据库中的表：show tables;

 

创建 student 表, 并声明文件分隔符’\t’：

create table student(id int, name string) ROW FORMAT DELIMITED FIELDS TERMINATED BY '\t';

 

加载/opt/module/datas/student.txt 文件到 student 数据库表中：

load data local inpath

 '/opt/module/datas/student.txt' into table student;

 

Hive 查询结果： select * from student;

结果为：

1001  zhangshan

1002  lishi

1003  zhaoliu

 

查看Hive常用的交互命令：bin/hive -help

 

 

“-e”不进入 hive 的交互窗口执行 sql 语句：

 bin/hive -e "select id from student;"

 

“-f”执行脚本中 sql 语句：

在/opt/module/datas 目录下创建 hivef.sql 文件：

 touch hivef.sql

 

文件中写入正确的 sql 语句：

select *from student;

 

执行文件中的 sql 语句：

bin/hive -f /opt/module/datas/hivef.sql

 

执行文件中的 sql 语句并将结果写入文件中：

bin/hive -f /opt/module/datas/hivef.sql                                       >/opt/module/datas/hive_result.txt

 

Hive的其他命令操作

 

退出 hive 窗口：exit;  或者quit;

exit:先隐性提交数据，再退出；

quit:不提交数据，退出；

 

在 hive cli 命令窗口中如何查看 hdfs 文件系统：dfs -ls /;

 

在 hive cli 命令窗口中如何查看 hdfs 本地系统：! ls /opt/module/datas;

 

查看在 hive 中输入的所有历史命令

查看. hivehistory 文件：cat .hivehistory

在这里我还是要推荐下我自己建的大数据学习交流qq裙： 957205962， 裙 里都是学大数据开发的，如果你正在学习大数据 ，小编欢迎你加入，大家都是软件开发党，不定期分享干货（只有大数据开发相关的），包括我自己整理的一份2018最新的大数据进阶资料和高级开发教程，欢迎进阶中和进想深入大数据的小伙伴

Hive数据类型

 

基本数据类型：

 

对于 Hive 的 String 类型相当于数据库的 varchar 类型，该类型是一个可变的字符串，不过它不能声明其中最多能存储多少个字符，理论上它可以存储 2GB 的字符数。

 

 集合数据类型：

 

Hive 有三种复杂数据类型 ARRAY、MAP 和 STRUCT。ARRAY 和 MAP 与 Java 中的 Array 和 Map 类似，而 STRUCT 与 C 语言中的 Struct 类似，它封装了一个命名字段集合，复杂数据类型允许任意层次的嵌套。

 

假设某表有如下一行，我们用 JSON 格式来表示其数据结构。在 Hive 下访问的格式为：

 

基于上述数据结构，在 Hive 里创建对应的表，并导入数据

创建本地测试文件 test.txt：

 

 

注意，MAP，STRUCT 和 ARRAY 里的元素间关系都可以用同一个字符表示，这里用“_”。

 

Hive 上创建测试表 test：

 

列分隔符：

row format delimited fields terminated by ','    

 

 MAP STRUCT 和 ARRAY 的分隔符(数据分割符号)：

collection items terminated by '_'   

 

MAP 中的 key 与 value 的分隔符：

map keys terminated by ':'      

 

行分隔符：

lines terminated by '\n';          

 

导入文本数据到测试表：

load data local inpath 

'/opt/module/datas/test.txt' into table test;

 

访问三种集合列里的数据，以下分别是 ARRAY，MAP，STRUCT 的访问方式：

select friends[1],children['xiao song'],address.city 

from test 

where name="songsong";

 

结果：

_c0 _c1 city

lili 18 beijing

 

类型转化

 

Hive 的数据类型是可以进行隐式转换的，类似于 Java 的类型转换，例如某表达式使用 INT 类型，TINYINT 会自动转换为 INT 类型，但是 Hive 不会进行反向转化，例如，某表达式使用 TINYINT 类型，INT 不会自动转换为 TINYINT 类型，它会返回错误，除非使用 CAST 操作。

 

1）隐式类型转换规则如下。

    1、任何整数类型都可以隐式地转换为一个范围更广的类型，如 TINYINT 可以转换成 INT，INT 可以转换成 BIGINT

    2、所有整数类型、FLOAT 和 STRING 类型都可以隐式地转换成 DOUBLE。

    3、TINYINT、SMALLINT、INT 都可以转换为 FLOAT

    4、BOOLEAN 类型不可以转换为任何其它的类型

 

2）可以使用 CAST 操作显示进行数据类型转换，例如 CAST('1' AS INT)将把字符串'1' 转换成整数 1；如果强制类型转换失败，如执行 CAST('X' AS INT)，表达式返回空值 NULL

 

这是Hive的第一部分，之后会更新Hive的DDL语句、DML操作、查询、常用函数、压缩、存储、优化，作为Hive的一个系列。

以上内容参考《Hive编程指南》，很实用的一本书，可在京东购买，以下是书本链接，请叫我雷锋。

https://item.jd.com/11363739.html

 

 

 

大环境不好，而且大强子搞事情，自家股价跌了这么多，好心给他打个广告，没准以后Hive这个系列的文章对很多人有帮助然后都跑到某东买书呢

 

心情不好咋办，看书学习啊，提升自己啊，写笔记啊，这样时间才过得更快，之后也会感谢自己的用功。

 

这周尽量把Hive这个系列更新完，算是年终总结吧。、

在这里我还是要推荐下我自己建的大数据学习交流qq裙： 957205962， 裙 里都是学大数据开发的，如果你正在学习大数据 ，小编欢迎你加入，大家都是软件开发党，不定期分享干货（只有大数据开发相关的），包括我自己整理的一份2018最新的大数据进阶资料和高级开发教程，欢迎进阶中和进想深入大数据的小伙伴