大数据基础设施搭建 - Hive

一、Hive是什么

https://hive.apache.org/
注意：Hive需要在NodeNode所在节点安装！
What？Hive是什么：将结构化的数据文件映射为一张数据库表

二、解压压缩包

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

三、配置环境变量

[hadoop@hadoop102 apache-hive-3.1.2-bin]$ sudo vim /etc/profile.d/my_env.sh

新增内容：

#HIVE_HOME
export HIVE_HOME=/opt/module/apache-hive-3.1.2-bin
export PATH=$PATH:$HIVE_HOME/bin

使环境变量生效：

[hadoop@hadoop102 apache-hive-3.1.2-bin]$ source /etc/profile.d/my_env.sh

四、初始化元数据库

hive元数据概述：记录了hive中表的名称、列名、数据类型、分区信息、数据存储路径等。
hive元数据存储：默认是元数据存储于hive内置的derby数据库，是用Java写的。一定要切换到MySQL，内嵌derby局限性太高！当一个hive客户端启动时，就会独占derby元数据库且不与其他客户端共享元数据，所以无法同时开启多个hive客户端进行操作！

4.1 配置MySQL地址

[hadoop@hadoop102 ~]$ vim $HIVE_HOME/conf/hive-site.xml

新增内容：

<?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://mall: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>123456</value>
    </property>

    <!-- Hive默认在HDFS的工作目录；数据库被创建之后默认存储的位置。 eg：/warehouse/xx_dw_dwb.db -->
    <property>
        <name>hive.metastore.warehouse.dir</name>
        <value>/warehouse</value>
    </property>
    
   <!-- Hive元数据存储的验证 -->
    <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>
</configuration>

4.2 拷贝MySQL驱动

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

4.3 初始化元数据库

4.3.1 创建数据库

[mall@mall ~]$ mysql -uroot -p123456

mysql> create database metastore;
mysql> quit;

4.3.2 初始化元数据库

-verbose参数：显示初始化过程日志
-dbType：指定数据库类型

[hadoop@hadoop102 ~]$ schematool -initSchema -dbType mysql -verbose

五、启动元数据服务metastore

metastore服务用于访问hive元数据。有两种提供服务的方式，分别是嵌入式模式和独立服务模式。
生产中使用独立服务模式，因为在嵌入式模式下，每个Hive CLI都需要直接连接元数据库，当Hive CLI较多时，数据库压力会比较大。

内嵌式模式：

独立服务模式：

5.1 修改配置文件

如果配置文件中有此项配置，说明hive在连接元数据的时候需要走第三方服务thrift，必须启动独立服务模式metastore服务！

[hadoop@hadoop102 ~]$ vim $HIVE_HOME/conf/hive-site.xml

新增内容：

    <!-- hive元数据服务metastore的ip和端口号 -->
    <property>
        <name>hive.metastore.uris</name>
        <value>thrift://hadoop102:9083</value>
    </property>

5.2 启动/关闭metastore服务

# 启动
[hadoop@hadoop102 ~]$ nohup hive --service metastore &>/dev/null 2>/dev/null &
# 关闭
[hadoop@hadoop102 ~]$ ps -ef | grep metastore
[hadoop@hadoop102 ~]$ kill 28832

六、启动hiveserver2服务

6.1 修改配置文件

[hadoop@hadoop102 ~]$ vim $HIVE_HOME/conf/hive-site.xml

新增内容：

    <!-- 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>

6.2 启动/关闭hiveserver2服务

# 启动
[hadoop@hadoop102 apache-hive-3.1.2-bin]$ nohup bin/hive --service hiveserver2 &>/dev/null 2>/dev/null &
# 关闭
[hadoop@hadoop102 ~]$ ps -ef | grep hiveserver2
[hadoop@hadoop102 ~]$ kill 29204

七、访问Hive

7.1 通过hive客户端访问

[hadoop@hadoop102 ~]$ cd /opt/module/apache-hive-3.1.2-bin/
[hadoop@hadoop102 apache-hive-3.1.2-bin]$ bin/hive

查看数据库：

hive> show databases;
OK
default
Time taken: 0.756 seconds, Fetched: 1 row(s)

7.2 通过beeline客户端访问（JDBC）

-u参数：hiveserver2所在ip和端口号
-n参数：账号

[hadoop@hadoop102 apache-hive-3.1.2-bin]$ bin/beeline -u jdbc:hive2://hadoop102:10000 -n hadoop

八、修改元数据库字符集

Hive元数据库字符集默认是Latin1，如果建表语句中有中文注释，会出现乱码现象。

8.1 修改hive元数据库中存储注释的字段的字符集为utf-8

以utf-8编码向元数据库中写入数据

mysql -uroot -p

（1）字段注释

use metastore;
alter table COLUMNS_V2 modify column COMMENT varchar(256) character set utf8;

（2）表注释

alter table TABLE_PARAMS modify column PARAM_VALUE mediumtext character set utf8;

8.2 修改hive-site.xml配置文件

以utf-8编码从元数据库中读取数据

[hadoop@hadoop102 ~]$ vim $HIVE_HOME/conf/hive-site.xml

修改内容：

    <!-- jdbc连接的URL -->
    <property>
        <name>javax.jdo.option.ConnectionURL</name>
        <value>jdbc:mysql://mall:3306/metastore?useSSL=false&amp;useUnicode=true&amp;characterEncoding=UTF-8</value>
    </property>

九、提交HQL任务到YARN

hive -hiveconf mapred.job.name=ads_coupon_used_stat -f /opt/module/apache-hive-3.1.2-bin/sqljob/ads_coupon_used_stat.sql

十、替换计算引擎为Spark（Hive on Spark）

先解决版本兼容问题

10.1 上传并解压纯净版Spark

在Hive所在节点

10.2 配置Spark

10.2.1 修改spark-env.sh配置文件

十一、整合HDFS（TODO）

将HDFS文件包装成hive中的表

十二、升级为hive集群（TODO）

十三、从HDFS导入数据到Hive

登陆hive客户端：

[hadoop@hadoop102 apache-hive-3.1.2-bin]$ bin/hive

13.1 在Hive上创建数据库

create database dw_ods;
use dw_ods;

13.2 在Hive上创建外部分区表

内部表：数据由hive自身管理，删除表时，数据一并删除。
外部表：数据由hdfs管理，删除表时，只会删除元数据，并不会删除hdfs上存储的文件。
注意：删除外部表重建后，需要修复hive分区元数据后才能查询到数据，因为创建hive表是不会创建分区元数据信息，导致查询不到表中的数据。
修复分区元数据命令：msck repair table ods_log;

drop table if exists ods_log;
CREATE EXTERNAL TABLE ods_log (`line` string COMMENT 'line')
PARTITIONED BY (`dt` string)
STORED AS
  INPUTFORMAT 'org.apache.hadoop.mapred.TextInputFormat'
  OUTPUTFORMAT 'org.apache.hadoop.hive.ql.io.HiveIgnoreKeyTextOutputFormat'
LOCATION '/warehouse/dw_ods.db/ods_log/'
;

建表语句如果有中文注释需解决中文乱码问题：

见：第八节
注意：改完配置文件后需要重启元数据服务、hiveserver2服务。

13.3 加载数据到指定表的指定分区

Hive建表时指定的存储格式要和从HDFS导入的数据存储格式一致，否则会导入失败。HDFS上的数据文件是Gzip或Bzip格式，Hive表是TextFile格式，load的时候Hive可以自动识别。

load data inpath '/warehouse/applog/gmall/tracking_log/2023-11-17' into table dw_ods.ods_log partition(dt='2023-11-17');

十四、常用命令

14.1 新增字段

新增的字段加在表的最后面
CASCADE：避免新增字段后分区元数据问题，导致HDFS文件中虽然新增字段有数据，但是查询的结果为NULL。
如果分区元数据出错：先删除分区，再修复元数据。
alter table dw_ods.ods_activity_info_full drop partition(dt=‘2023-12-06’);
msck repair table dw_ods.ods_activity_info_full;

ALTER TABLE dw_ods.ods_activity_info_full 
ADD COLUMNS (
    `activity_desc` STRING COMMENT '活动描述'
) CASCADE;