Hive
- 基于Hadoop的数据仓库解决方案
- 将结构化的数据文件映射为数据库表
- 提供类sql的查询语言HQL(Hive Query Language)
1. Hive的优势和特点
- 入门简单,HQL类SQL语法
- 统一的元数据管理,可与impala/spark等共享元数据
- 灵活性和扩展性较好:支持UDF,自定义存储格式等
- 支持在不同的计算框架上运行(MR, Tez, Spark)
- 提供了一个简单的优化模型
- 适合离线数据处理,稳定可靠(真实生产环境)
- 有庞大活跃的社区
2.Hive架构
Hive 底层存储是基于 HDFS 进行存储,Hive 的计算底层是转换成 MapReduce 进行计算
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。
3.Hive元数据管理
- 记录数据仓库中模型的定义、各层级间的映射关系
- 存储在关系数据库中
- 内嵌模式:默认Derby, 轻量级内嵌SQL数据库
Derby非常适合测试和演示
存储在.metastore_db目录中 - 本地模式:实际生产一般存储在MySQL中
修改配置文件hive-site.xml:设置 MySQL 的Connection URL
、用户名
和密码
以及ConnectionDriverName
;
将 MySQL 的 JDBC 驱动 Jar 文件放到 Hive 的 lib 目录下 - 远程模式:在服务器端启动
MetaStoreServer
,客户端利用Thrift
协议通过 MetaStoreServer 访问元数据库 - HCatalog:将Hive元数据共享给其他应用程序
4.Hive数据结构
5.数据库(Database)
表的集合,HDFS中表现为一个文件夹,默认在hive.metastore.warehouse.dir
属性目录下,如果没有指定数据库,默认使用default
数据库
create database if not exists mydatabase; --创建数据库
use mydatabase; -- 选择数据库
show databases; -- 查看数据库信息
describe database default; -- 可以查看数据库更多的描述信息
alter database mydatabase set owner user dayongd; -- 修改数据库信息
drop database if exists mydatabase cascade --如果数据库是空数据库,可以直接用 drop 删除,如果数据库不为空,可以
采用 cascade 命令,强制删除
6.数据表(Table)
-
内部表(管理表)
HDFS中为所属数据库目录下的子文件夹
数据完全由Hive管理,删除表(元数据)会删除数据 -
外部表(External Tables)
数据保存在指定位置的HDFS路径中
Hive不完全管理数据,删除表(元数据)不会删除数据 -
Hive建表语句
--外部表和内部表创建方式一样,区别在于外部表多了external关键字
CREATE EXTERNAL TABLE IF NOT EXISTS employee_external (
name string,
work_place ARRAY<string>,
sex_age STRUCT<sex:string,age:int>,
skills_score MAP<string,int>,
depart_title MAP<string,ARRAY<string>>
)
COMMENT 'This is an external table' --为表和列添加注释
ROW FORMAT DELIMITED
FIELDS TERMINATED BY '|' --如何分隔列(字段)
COLLECTION ITEMS TERMINATED BY ','
MAP KEYS TERMINATED BY ':'
STORED AS TEXTFILE --文件存储格式
LOCATION '/home/hadoop/hive/warehouse/employee'; --数据存储路径(HDFS)
hive处理csv格式文件,separatorChar指定数据的分割
ROW FORMAT serde 'org.apache.hadoop.hive.serde2.OpenCSVSerde'
with serdeproperties ("separatorChar"=",")
Hive中默认分隔符:字段:^A(\001)/集合:^B(\002)/映射:^C(\003)
- 创建临时表
- 临时表是应用程序自动管理在复杂查询期间生成的中间数据的方法
- 表只对当前session有效,session退出后自动删除
- 表空间位于
/tmp/hive-<user_name>
(安全考虑) - 如果创建的临时表表名已存在,实际用的是临时表
--注意temporary关键字
CREATE TEMPORARY TABLE tmp_table_name1 (c1 string);
CREATE TEMPORARY TABLE tmp_table_name2 AS..
CREATE TEMPORARY TABLE tmp_table_name3 LIKE..
- Hive建表高阶语句
- CTAS – as select方式建表
CREATE TABLE ctas_employee as SELECT * FROM employee;
- CTE (CTAS with Common Table Expression)
CREATE TABLE cte_employee AS
WITH
r1 AS (SELECT name FROM r2 WHERE name = 'Michael'),
r2 AS (SELECT name FROM employee WHERE sex_age.sex= 'Male'),
r3 AS (SELECT name FROM employee WHERE sex_age.sex= 'Female')
SELECT * FROM r1 UNION ALL SELECT * FROM r3;
- like
CREATE TABLE employee_like LIKE employee;--户复制现有的表结构,不复制数据
- 删除表
DROP TABLE IF EXISTS employee [purge];
TRUNCATE TABLE employee; -- 只能删除内部表数据,不能删除外部表中数据
- 修改表(Alter针对元数据)
ALTER TABLE employee RENAME TO new_employee;
ALTER TABLE c_employee SET TBLPROPERTIES ('comment'='New name, comments');
ALTER TABLE employee_internal SET SERDEPROPERTIES ('field.delim' = '$');
ALTER TABLE c_employee SET FILEFORMAT RCFILE; -- 修正表文件格式
-- 修改表的列操作
ALTER TABLE employee_internal CHANGE old_name new_name STRING; -- 修改列名
ALTER TABLE c_employee ADD COLUMNS (work string); -- 添加列
ALTER TABLE c_employee REPLACE COLUMNS (name string); -- 替换列
- 分区表
- 分区列的值将表划分为一个个的文件夹
- 查询时语法使用"分区"列和常规列类似
- 查询时Hive会只从指定分区查询数据,提高查询效率
- 分为
静态分区
和动态分区
静态分区只能通过load方式一次一个分区装载数据
静态分区->创建分区表
create table dept_partition(
deptno int,
dname string,
loc string )
partitioned by (month string)/partitioned by (month string, day string)
--通过PARTITINED BY定义分区,可以创建多级分区
row format delimited fields terminated by '\t';
静态分区->添加分区
alter table dept_partition add partition(month='201906') ;
alter table dept_partition add partition(month='201905') partition(month='201904');
静态分区->删除分区
alter table dept_partition drop partition (month='201904');
alter table dept_partition drop partition (month='201905'), partition (month='201906');
静态分区->查看分区表有多少分区
show partitions dept_partition;
查看分区表结构
desc formatted dept_partition;
静态分区-> 加载数据到分区表中
load data local inpath '/opt/datas/dept.txt' into table dept_partition partition(month='201909');
单分区查询
select * from dept_partition where month='201909';
使用动态分区需设定属性
set hive.exec.dynamic.partition=true;
set hive.exec.dynamic.partition.mode=nonstrict;
动态分区插入数据
insert into employee_partitioned partition(year, month)
select
name,array('Toronto') as work_place,
named_struct("sex","male","age",30) as sex_age,
map("python",90) as skills_score,
map("r&d", array('developer')) as depart_title,
year(start_date) as year,month(start_date) as month
from employee_hr eh;
- 分桶(Bucket)
- 更高的查询处理效率
- 使抽样(sampling)更高效
- 一般根据"桶列"的哈希函数将数据进行分桶
--注意分桶字段只能是建表中已有的字段
--分区表的字段必须是建表中没有的字段
create table test_bucket(
id int,
name string,
age int
)
clustered by (age) into 4 buckets
row format delimited
fields terminated by ' ';
插入数据到分桶表:必须使用INSERT方式加载数据
insert into table test_bucket
select id, name, age
from people;
- 分桶抽样(Sampling)
- 随机抽样基于整行数据
SELECT * FROM table_name TABLESAMPLE(BUCKET 3 OUT OF 32 ON rand()) s;
- 随机抽样基于指定列(使用分桶列更高效)
SELECT * FROM table_name TABLESAMPLE(BUCKET 3 OUT OF 32 ON id) s;
- Hive视图(View)
- 通过隐藏子查询、连接和函数来简化查询的逻辑结构
- 只保存定义,不存储数据
- 如果删除或更改基础表,则查询视图将失败
- 视图是只读的,不能插入或装载数据
CREATE VIEW view_name AS SELECT statement; -- 创建视图
SHOW TABLES; -- 查找视图
SHOW CREATE TABLE view_name; -- 查看视图定义
DROP view_name; -- 删除视图
--更改视图属性
ALTER VIEW view_name SET TBLPROPERTIES ('comment' = 'This is a view');
ALTER VIEW view_name AS SELECT statement; -- 更改视图定义,
- Hive侧视图(Lateral View)
与表生成函数结合使用,将函数的输入和输出连接
OUTER关键字:即使output为空也会生成结果
select name,work_place,loc from employee lateral view outer explode(split(null,',')) a as loc;
支持多层级
select name,wps,skill,score from employee
lateral view explode(work_place) work_place_single as wps
lateral view explode(skills_score) sks as skill,score;
7.数据导入
- 向表中装载数据(Load)
load data [local] inpath '/opt/datas/student.txt' [overwrite] into table
student [partition (partcol1=val1,…)];
1、local:表示从本地加载数据到 hive 表;否则从 HDFS 加载数据到 hive 表
2、overwrite:表示覆盖表中已有数据,否则表示追加
- 查询语句中创建表并加载数据(as select)
create table if not exists student3
as select id, name from student;
- 创建表时通过 location 指定加载数据路径
create table if not exists student5(
id int, name string)
row format delimited fields terminated by '\t'
location '/kgc/hive/student5';
上传数据到 hdfs 上
dfs -put /opt/datas/student.txt /kgc/hive/student5;
- 通过查询语句向表中插入数据(Insert)
--(1)创建一张分区表
create table student(id string, name string) partitioned by
(month string) row format delimited fields terminated by '\t';
--(2)基本插入数据
insert into table student partition(month='201709')
values('1004','zhaoliu');
--(3)基本模式插入(根据单张表查询结果)
insert overwrite table student partition(month='201708')
select id, name from student where month='201709';
--(4)多插入模式(根据多张表查询结果)
from student
insert overwrite table student partition(month='201707')
select id, name where month='201709'
insert overwrite table student partition(month='201706')
select id, name where month='201709';
- import 数据到指定 hive 表中
import table student2 partition(month='201709') from
'/user/hive/warehouse/export/student';
8.数据导出
- . Insert 导出
将查询的结果导出到本地
insert overwrite local directory '/opt/datas/export/student'
select * from student;
将查询的结果导出到 HDFS 上(没有 local)
insert overwrite directory '/user/hive/warehouse/student2'
ROW FORMAT DELIMITED FIELDS TERMINATED BY '\t'
COLLECTION ITEMS TERMINATED BY '\n'
select * from student;
- Hadoop 命令导出到本地
dfs -get /user/hive/warehouse/student/month=201709/000000_0
/opt/datas/export/student3.txt;
- Export 导出到 HDFS 上
export table default.student to '/user/hive/warehouse/export/student';
- 其他工具导出:以使用 sqoop 等