Hadoop之数据仓库Hive

1.Hive介绍

1.1 Hive是什么

• 由 Facebook 实现并开源
• Hive 是在 Hadoop 分布式文件系统 (HDFS) 之上开发的 ETL 和数据仓库工具
• Hive 提供写 SQL 的方式对存储在 Hadoop 集群里面的数据进行清洗、加工，生成新的数据并存储到 Hadoop 集群当中
• Hive只是个客户端，不涉及集群的概念

1.2 Hive产生背景

• Mapreduce 编程不方便
  没学过java的怎么办？运行Mapreduce程序也很麻烦，打包运行等等，Hive实现同样的功能就更容易
• 传统关系型数据库人员的需求
  他们sql写的很好，大数据如果用不上sql，岂不很可惜，基于 SQL 的数据开发方式，让 Hive 成为了大数据处理领域最重要的一项技术，对于大数据开发技术来说，SQL 是一等公民

1.3 使用Hive的好处

• 简单，容易上手
  写sql的方式实现，并且语法和sql类似
• 统一元数据管理
  Hive是基于Hadoop的，所以数据都是用HDFS存储的，都是一行一行的字符串，没有关系型数据库的表，列啊，字段类型之类的元数据概念。Hive会有这些元数据，并且把它们存储在Mysql中
• 底层支持多种执行引擎
  Mapreduce，Tez，Spark。可以让Hive sql 语句运行在不同的模式中，比如离线在线

1.4 Hive的架构

Hive 主要由三个部分组成：Clients（客户端）、Serverices（服务）、Storage and compute（存储和计算）

• Clients（客户端）：Hive 为与不同类型的应用程序的通信提供了不同的驱动程序。Hive clinets 可以支持 Thrift、JDBC、ODBC 协议与 Hive services 进行通信
• Serverices（服务）：Clients 与 Hive 的交互通过 Hive Services 执行。CLI 是命令行界面，充当 DDL（数据定义语言）操作的 Hive 服务。Serverices 核心的模块是 Driver（驱动程序）
• Hive Services、CLI、Hive web Interface 都通过 Driver（驱动程序）对元数据、文件系统进行计算和处理
• Storage and compute（存储和计算）：Hive 的元数据存储在元数据数据库中，元数据数据库支持 Mysql 等多种类型。Hive 的查询结果和数据存储在 Hadoop 中

• 1.5 Hive的数据结构

Hive 的存储结构包括数据库、表、视图、分区和表数据

• 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

2.Hive的部署

Hive的元数据管理依赖Mysql数据，所以得提前安装一个Mysql

2.1 下载并安装

Hive只是个客户端，所以得有安装包，下载需要的版本的Hive安装包

解压并指定目录

tar -zxvf hive-1.1.0-cdh5.15.1.tar.gz -C ~/app/

2.2 配置Hive到环境变量

vi ~/.bash_profile

2.3 修改配置文件

• hive-env.sh
  主要配置了Hadoop目录，如果Hadoop也加入了环境变量，那么不用修改这个配置文件
• hive-site.xml
  主要配置了Mysql的信息，copy mysql的驱动到Hive的lib文件夹下。
  
  从上到下分别是数据库名，驱动名，数据库用户名和密码
  

3.Hive的操作

Hive文档链接：https://cwiki.apache.org/confluence/display/Hive

3.1 数据库操作

Hive Data Definition Language
DDL 说明文档链接：https://cwiki.apache.org/confluence/display/Hive/LanguageManual+DDL
对数据的创建，修改，删除，查看，文档上写的比较详细，直接看官方文档就行了

• 命令窗口显示当前是哪个数据库

set hive.cli.print.current.db=true

• 清屏

!clear;

3.2 表操作

增删查改也可以看官方文档，建表示例：

CREATE TABLE emp(
empno int COMMENT '员工编号',
ename string COMMENT '员工名称',
job string COMMENT '工作岗位',
mgr int,
hiredate string,
sal double,
comm double,
deptno int
) 
COMMENT '员工信息表'
ROW FORMAT DELIMITED FIELDS TERMINATED BY '\t';

常用命令：

• 查看表 show tables;
• 查看表信息 desc emp
• 查看表信息-详情 desc extended emp;
• 查看表信息-格式化的详情 desc formatted emp;
• 向表里加载数据 LOAD DATA LOCAL INPATH ‘/home/hadoop/data/emp.txt’ OVERWRITE INTO TABLE emp;
• 修改表名 alter table car rename to car_new;
• 增加一个字段 alter table car add columns (count int);
• 修改一个字段的定义 alter table car change name name_new string;
• 添加一个分区 alter table car add partition(name=“benchi”);

3.3 数据的操作

文档地址：https://cwiki.apache.org/confluence/display/Hive/LanguageManual+DML

3.3.1 导入数据

3.3.1.1 LOAD

LOAD DATA [LOCAL] INPATH 'filepath' [OVERWRITE] INTO TABLE tablename [PARTITION (partcol1=val1, partcol2=val2 ...)]

LOCAL：本地系统，如果没有local那么就是指的HDFS的路径

LOAD DATA LOCAL INPATH '/home/hadoop/data/emp.txt' OVERWRITE INTO TABLE emp;

LOAD DATA INPATH 'hdfs://hadoop000:8020/data/emp.txt' INTO TABLE emp;

OVERWRITE：是否数据覆盖，如果没有那么就是数据追加

3.3.1.1 Insert

INSERT OVERWRITE TABLE tablename1 [PARTITION (partcol1=val1, partcol2=val2 …) [IF NOT EXISTS]] select_statement1 FROM from_statement;

INSERT INTO TABLE tablename1 [PARTITION (partcol1=val1, partcol2=val2 …)] select_statement1 FROM from_statement;

INSERT OVERWRITE TABLE emp2 select * FROM emp;

create table emp1 as select * from emp;

3.3.2 导出数据

INSERT OVERWRITE LOCAL DIRECTORY '/tmp/hive/' ROW FORMAT DELIMITED FIELDS TERMINATED BY '\t' select empno,ename,sal,deptno from emp;

3.3.3 简单查询

完全类似于 sql语句

3.3.4 复杂查询

函数，分组，聚合，join 也完全类似于 sql语句

3.3.4 执行计划

展示Hql语句执行的过程

EXPLAIN [EXTENDED|CBO|AST|DEPENDENCY|AUTHORIZATION|LOCKS|VECTORIZATION|ANALYZE] query

3.4 外部表和内部表的区别

• MANAGED_TABLE，内部表
  删除表：HDFS上的数据被删除 & Meta也被删除
• EXTERNAL_TABLE，外部表
  HDFS上的数据不被删除 & Meta被删除