Hive系列（1） - Hive 介绍

Apache Hive™是一个基于Apache Hadoop™的数据仓库设施，便于读、写和管理分布式存储中的大型数据集,并通过SQL语法查询数据。

1. Hive概念

Hive是一个数据存储和处理的数据仓库软件。

1.1 Hive是什么

Hive有以下特性：

• 获取数据的标准SQL功能，可以通过用户定义函数（UDFs）、用户定义聚合（UDAFs）和用户定义表函数（UDTFs）
• 访问直接存储在Apache HDFS™或Apache HBase™中的数据
• 通过Apache Tez™，Apache Spark™或MapReduce执行查询
• 可插入的文件格式，包括(CSV/TSV)文本文件，Apache Parquet™，Apache ORC™等

1.2 Hive不是什么

Hive不是为在线事务处理（OLTP）工作流而设计的。

1.3 Hive数据模型

按照粒度可以把Hive数据划分为：

• Databases - 命名空间，作用是避免表，视图，分区，列等的命名冲突。
• Tables - 具有相同结构的数据单元，类似于关系型数据库中的表。
  
  表可以被过滤、投影、连接和合并表格。此外一个表的所有数据都保存在HDFS的一个目录下。Hive的表有以下几种类型：
  • MANAGED_TABLE (默认) - 文件，元数据和统计信息由Hive内部进程管理。内部表有以下特性：
    • 内部表保存在hive.metastore.warehouse.dir属性下，默认的保存路径类似于/user/hive/warehouse/databasename.db/tablename/.
    • DROP 会删除内部表的数据但是只会删除外部表的元数据。
  • EXTERNAL_TABLE - 文件可以被Hive之外的进程访问和管理。
    • 如果一个外部表的结构或分区改变了，MSCK REPAIR TABLE table_name语句可以用来更新元数据信息。
  • VIRTUAL_VIEW - 一个没有相关存储的纯逻辑对象，由CTAS语句创建。
    
    • 当查询引用视图时，视图的定义会被执行以产生一系列行数据。
    • 一个视图的schema在创建时被冻结，对基础表连续修改不会影响视图的schema.
    • 视图时只读的.
  • MATERIALIZED_VIEW - 存储实际数据的中间表，占据物理空间，由CTAS 创建。
    
    • 物化视图的创建语句有原子性。
    • 物化视图可通过优化器查询重写。
    • 物化视图可以保存在外部系统中，如Druid.
• Partitions - 分区列确定数据的存储方式。比如一个表T有个date类型的分区列ds，它的数据文件将保存在特定的HDFS目录<table location>/ds=<date>下。
• Buckets (or Clusters) - 每个分区的数据可能根据表中列的哈希值划分入Buckets中，每个桶作为一个文件储存在分区目录下。

1.4 类型系统

Hive支持和表中列关联的原始和复杂数据类型。

• 基本类型

分类	类型	描述
整型	TINYINT	1字节的整型
	SMALLINT	2字节的整型
	INT	4字节的整型
	BIGINT	8字节的整型
Boolean	BOOLEAN	TRUE/FALSE
浮点数	FLOAT	单精度浮点数
	DOUBLE	双精度浮点数
定点数	DECIMAL	用户定义范围和精度的定点值
字符串类型	STRING	指定字符集的连续字符序列
	VARCHAR	有最大长度的连续字符序列
	CHAR	指定长度的字符序列
日期和时间类型	TIMESTAMP	没有时区的日期和时间（"LocalDateTime"语义）
	TIMESTAMP WITH LOCAL TIME ZONE	精确到纳秒的时间戳
	Date	a date
二进制类型	BINARY	一串字节序列

类型可以在查询语言中隐式转换。

显式类型转换可以使用内置函数实现。

• 复杂类型
  
  复杂类型可以由基础类型和其他复杂类型组合构成：

类型	描述	例子
STRUCT	使用点号(.)访问元素	列c的类型时TRUCT {a INT; b INT}，通过表达式c.a访问
Maps	使用['element name']访问元素	M['key']
Arrays	使用[n]访问元素	A[0]

2. Hive架构

这是Hive的架构图，它包括客户端，查询处理器，执行引擎和元数据服务：

Hive有3个主要组件：

• Serializers/Deserializers (trunk/serde) - 包含一些内置的序列化/反序列化族群，也允许用户为自己的数据格式开发序列化器/反序列化器。
• MetaStore (trunk/metastore) - 实现元数据服务，用于保存仓库中表和分区的所有信息。
• Query Processor (trunk/ql) - 实现了将SQL转换为map/reduce任务图的处理框架以及基于依赖顺序执行任务的执行时序框架。

2.1 Hive SerDe

Hive用SerDe（和文件格式）来读和写表的行数据，基本的工作流程如下：

• HDFS文件 --> 输入文件格式 --> <key, value> --> 反序列化器 --> 行数据对象
• 行数据对象 --> 序列化器 --> <key, value> --> 输出文件格式 --> HDFS文件

注意以下几点：

• "key"在读取时被忽略，在写入时总是一个常量。行数据对象被保存在"value"中。
• Hive不拥有HDFS文件格式，用户可以使用其他工具访问HDFS中的Hive表。

包org.apache.hadoop.hive.serde2中提供了一些内置的SerDe类，如 MetadataTypedColumnsetSerDe, LazySimpleSerDe等。

2.2 Hive MetaStore

MetaStore包含表，分区和数据库相关的元数据。

• MetaStore Server - 一个thrift服务（接口定义在metastore/if/hive_metastore.if中），为来自客户端的元数据请求服务。
• ObjectStore - 处理存储在SQL仓库中的实际的元数据的访问。
• MetaStore Client - 提供各种语言的Thrift客户端查询元数据。

2.3 Hive查询处理器

Hive查询处理器处理sql查询，主要包括以下组件：

• Driver - 接收查询，实现会话处理并提供执行和获取的api.
• Compiler - 解析查询和语义分析，并在MetaStore中查找的表和分区元数据的帮助下生成执行计划。
• Execution Engine - 执行Compiler生成的执行计划。执行计划是状态的DAG.

3. Hive Metastore部署

Hive对象（如数据库，表和函数)的定义存储在Metastore中，Hive和其他执行引擎在运行时通过这些元数据确定怎么解析，授权和有效执行用户的查询。

Metastore通过DataNucleus将对象定义保存到关系型数据库（RDBMS）中，它是一个基于对象关系映射（ORM）层的JAVA JDO. Metastore有一些推荐的RDBMS，如MySQL, MariaDB, Oracle等。

3.1 部署模式

从Hive 3.0开始，Metastore作为独立的服务运行，无需安装Hive的其他部分。基于后端的RDBMS，Metastore有两种部署模式：(Embedded)嵌入式模式和(Remote)远程模式。

1. Embedded mode
   
   MetaStore使用嵌入式的Apache Derby RDBMS, 完全嵌入用户的进程中。只适合用于简单的测试。
   
   缺点：任一时间只有一个客户端可以使用Metastore，并且客户端生命周期内的任何修改都不会持久化（因为Derby保存在内存中）。
   

2. Remote mode
   
   Metastore通过JDBC连接到外部的RDBMS，作为一个服务运行。RDBMS的JDBC驱动所需要的任何jar文件都要放在METASTORE_HOME/lib目录中或通过命令行显式传入。
   

3.2 配置

Metastore从$METASTORE_HOME/conf目录下读取所有的配置文件。下面是一些通用配置：

参数	默认值	描述
metastore.warehouse.dir		默认catalog和数据库下表的默认存放路径。
datanucleus.schema.autoCreateAll	false	如果RDBMS中schema不存在，则在启动时自动创建。生产环境中不建议使用，用schematool代替。
metastore.hmshandler.retry.attempts	10	连接metastore失败时的重试次数。
metastore.hmshandler.retry.interval	2 sec	重试间隔时间。

远程Metasotre需要配置以下JDBC参数：

配置参数	说明
javax.jdo.option.ConnectionURL	JDBC驱动连接URL
javax.jdo.option.ConnectionDriverName	JDBC驱动类
javax.jdo.option.ConnectionUserName	连接RDBMS的用户名
javax.jdo.option.ConnectionPassword	连接RDBMS的用户密码

有三种方式配置Metastore服务：

• 在CLI或Beeline中使用set命令设置会话级别的配置。
  

set hive.root.logger=DEBUG,console;

• 使用hive命令（CLI）或beeline命令中的 –hiveconf 选项为整个会话配置。

bin/hive --hiveconf hive.root.logger=DEBUG,console

• 使用$HIVE_CONF_DIR或 classpath 中的配置文件设置。
  • hive-site.xml 为整个Hive设置配置。

      <property>
        <name>hive.root.logger</name>
        <value>DEBUG,console</value>
        <description>Root logger</description>
      </property>
    

  • 服务特定的配置文件。可以在hivemetastore-site.xml文件中设置元数据服务相关的配置，在hiveserver2-site.xml中设置hiveserver2服务相关的配置。

3.3 部署实践

使用下面的步骤启动一个hive metastore服务。

1. 要求

• Java
  
• Hadoop 2.x (preferred), 1.x (not surpported by Hive 2.0.0 onward).
• Hive通常在Linux或Windows生产环境下使用。Mac一般用于开发环境。

2. 获取Hive压缩包和解压

有两种方式获取hive压缩包：

• 从hive稳定版网站直接下载。
• 从源代码编译：

# hive 1.0
mvn clean package -DskipTest -Phadoop-1,dist
# hive 2.0 and onward
mvn clean package -DskipTest -Pdist

解压hive压缩包并且设置HIVE_HOME和HIVE_CONF_DIR环境变量（可选）：

tar zxf hive-x.y.z.tar.gz
export HIVE_HOME=/path/to/hive
export PATH=$HIVE_HOME/bin:$PATH

3. 启动metastore服务

Hive使用hadoop，所以path中必须有hadoop：

export HADOOP_HOME=<hadoop-install-dir>
export HADOOP_CONF_DIR=<hadoop-conf-dir>

此外，必须使用以下HDFS命令创建/tmp和/user/hive/warehouse(即hive.metastore.warehouse.dir)目录，并且修改chmod g+w，然后你才可以在hive中创建表。

$HADOOP_HOME/bin/hadoop fs -mkdir       /tmp
$HADOOP_HOME/bin/hadoop fs -mkdir       /user/hive/warehouse
$HADOOP_HOME/bin/hadoop fs -chmod g+w   /tmp
$HADOOP_HOME/bin/hadoop fs -chmod g+w   /user/hive/warehouse

如果是第一次启动metastore服务，还必须初始化背后的数据库schema：

$HIVE_HOME/bin/schematool -initSchema -dbType mysql

然后启动hive metastore服务：

nohup $HIVE_HOME/bin/hive --service metastore --hiveconf hive.log.file=hivemetastore.log --hiveconf hive.log.dir=/var/log/hive > /var/log/hive/hive.out 2> /var/log/hive/hive.err &

4. 冒烟测试hive

• 打开hive命令行：

$HIVE_HOME/bin/hive [--hiveconf hive.metastore.uris=thrift://<host>:<port>]

• 运行示例命令：

show databases;create table test(col1 int, col2 string); show tables;

为了方便起见，我们提供了一个docker工具用于启动一个小型的hive metastore服务，可以参考hadoop-docker.