Hive学习笔记之hive的介绍与安装

1 Hive 基本概念

1.1 什么是 Hive

1. hive 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。
    hive 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，提供类 SQL 查询功能。

2. Hive 本质：将 HQL 转化成 MapReduce 程序
   

   （1）Hive 处理的数据存储在 HDFS
   （2）Hive 分析数据底层的实现是 MapReduce
   （3）执行程序运行在 Yarn 上

1.2 Hive 的优缺点

1.2.1 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。
 （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。
 （6）Hive统一了元数据管理，可与impala/spark等共享元数据

1.2.2 缺点

1）Hive 的 HQL 表达能力有限
 （1）迭代式算法无法表达
 （2）数据挖掘方面不擅长，由于 MapReduce 数据处理流程的限制，效率更高的算法却无法实现。
2）Hive 的效率比较低
 （1）Hive 自动生成的 MapReduce 作业，通常情况下不够智能化
 （2）Hive 调优比较困难，粒度较粗

1.3 Hive 架构原理

1）用户接口：Client
 CLI（command-line interface）、JDBC/ODBC(jdbc 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,执行程序在yarn上 。
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 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。

1.4 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。本节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，清楚这一点，有助于从应用角度理解 Hive 的特性。

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 不建议对数据的改写，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。。
3. 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。
4. 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；对应的，数据库可以支持的数据规模较小。

2 Hive 安装

2.1 Hive 安装地址

Hive 官网地址
文档查看地址
下载地址

2.2 Hive 安装部署

2.2.1 安装 Hive

1. 把 apache-hive-3.1.2-bin.tar.gz 上传到 linux 的/opt/software/hive 目录下

2. 解压 apache-hive-3.1.2-bin.tar.gz 到/opt/module/hive目录下面

   tar -zxvf /opt/software/hive/apache-hive-3.1.2-bin.tar.gz -C /opt/module/
   

3. 修改 apache-hive-3.1.2-bin.tar.gz 的名称为 hive

   mv /opt/module/apache-hive-3.1.2-bin/ /opt/module/hive
   

4. 修改hive的拥有权

   chown -R  zjw:zjw /opt/module/hive/
   

5. 修改/etc/profile.d/my_env.sh，添加环境变量

   vim /etc/profile.d/my_env.sh
   

6. 添加内容

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

7. 解决日志 Jar 包冲突

    mv $HIVE_HOME/lib/log4j-slf4j-impl-2.10.0.jar $HIVE_HOME/lib/log4j-slf4j-impl-2.10.0.bak
   

8. 初始化元数据库

    bin/schematool -dbType derby -initSchema
   

2.2.2 启动并使用 Hive

1. 启动 Hive: bin/hive

2. 使用Hive

   hive> show databases;
   hive> show tables;
   hive> create table test(id int);
   //插入数据需要花费一点时间，要耐心等待
   hive> insert into test values(1);
   hive> select * from test;
   

   容易遇到的错误：

   1. 如果在插入数据时候出现在这样的异常：
      
      错误原因：namenode内存空间不够，JVM剩余内存空间不够新job运行所致。
      可使用：set hive.exec.mode.local.auto=true; 来选择本地模式
      
   2. show databases;
      报错FAILED: HiveException java.lang.RuntimeException: Unable to instantiate org.apache.hadoop.hive.ql.metadata.SessionHiveMetaStoreClient，网上找的解决方案：
      hive自带的内存数据库derby,应该先初始化，进入hive目录，里面有一个metestore文件夹（是之前启动hive的derby时自动生成的，这里需要将metastore_db 目录重命名为 metastore_db.tmp，然后再初始化）。
      解决步骤（在hive目录下）：
      1.> mv metastore_db metastore_db.tmp
      2.> bin/schematool -initSchema -dbType derby

3. 查看hive生成的log文件
   

2.4 Hive 元数据配置到 MySQL

为什么要将元数据放在mysql中？
因为hive默认的内存数据库derby只能供一个人使用，在另外一个节点上同时开启就会报错，而现在我们整个集群都要使用hive元数据，所以改用mysql。
如果不会下载Mysql的可以参考我的这篇文章：如何搭建一个简单的Liunx开发环境

2.4.1 拷贝驱动

将 MySQL 的 JDBC 驱动拷贝到 Hive 的 lib 目录下

cp /opt/software/mysql-connector-java-5.1.37.jar $HIVE_HOME/lib

2.4.2 配置 Metastore 到 MySQL

1. 在$HIVE_HOME/conf 目录下新建 hive-site.xml 文件

    vim $HIVE_HOME/conf/hive-site.xml
   

   添加如下内容

   <?xml version="1.0"?>
   <?xml-stylesheet type="text/xsl" href="configuration.xsl"?>
   <configuration>
   <!-- 	配置mysql四要素：数据库地址、驱动名称、用户名、密码 -->
    <!-- jdbc 连接的 URL -->
    <property>
    <name>javax.jdo.option.ConnectionURL</name>
    <value>jdbc:mysql://hadoop104:3306/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>12345678</value>
   </property>
    <!-- Hive 元数据存储版本的验证 -->
    <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>
    <!-- Hive 默认在 HDFS 的工作目录 -->
    <property>
    <name>hive.metastore.warehouse.dir</name>
    <value>/user/hive/warehouse</value>
    </property>
   </configuration>
   

   2. 登陆 MySQL

    mysql -uroot -p12345678
   

2. 新建 Hive 元数据库

   create database metastore;
   quit;
   

3. 初始化 Hive 元数据库

    schematool -initSchema -dbType mysql -verbose
   

   如果出现已存在的异常，把hive目录下的metastore_db重命名metastore_db.temp

2.4.3 再次启动 Hive

1. 启动 Hive： bin/hive

2. 查看mysql会发现多了metastore数据库（存储元数据）
   
   “metasore”是hive-site.xml中配置的名字

3. 使用 Hive

   hive> show databases;
   hive> show tables;
   hive> create table test (id int);
   hive> insert into test values(1);
   hive> select * from test;
   

2.5 使用元数据服务的方式访问 Hive

1. 在 hive-site.xml 文件中添加如下配置信息

    <!-- 指定存储元数据要连接的地址 -->
    <property>
    <name>hive.metastore.uris</name>
    <value>thrift://hadoop104:9083</value>
    </property>
   

2. 启动 metastore

   hive --service metastore
   

   注意: 启动后窗口不能再操作，需打开一个新的 shell 窗口做别的操作，而且如果已经开启了元数据服务就必须要
   开启hive --service metastore，不然之后进入hive后普通的操作也会报错。

3. 启动 hive: bin/hive

2.6 使用 JDBC 方式访问 Hive

1. 在 hive-site.xml 文件中添加如下配置信息

   <!-- 指定 hiveserver2 连接的 host -->
    <property>
    <name>hive.server2.thrift.bind.host</name>
    <value>hadoop104</value>
    </property>
    <!-- 指定 hiveserver2 连接的端口号 -->
    <property>
    <name>hive.server2.thrift.port</name>
    <value>10000</value>
    </property>
   

2. 启动 hiveserver2: bin/hive --service hiveserver2

3. 启动 beeline 客户端（需要多等待一会 ）

    bin/beeline -u jdbc:hive2://hadoop104:10000 -n zjw
   

4. 看到如下界面
   
   我在使用JDBC连接时出现的两个错误

   1. 没有开启元数据服务
      
      2.root以外的用户连接出现错误

    Error: Could not open client transport with JDBC Uri: 
    jdbc:hive2://hadoop102:10000: Failed to open new session: java.lang.RuntimeException: 
    org.apache.hadoop.ipc.RemoteException(org.apache.hadoop.security.authorize.AuthorizationException):
    User: zjw is not allowed to impersonate ding (state=08S01,code=0)
   

   我解决的办法是首先关闭hadoop集群，然后在hadoop配置文件core-site.xml中加入

   <property>
       <name>hadoop.proxyuser.zjw.hosts</name>
       <value>*</value>
   </property>
   <property>
       <name>hadoop.proxyuser.zjw.groups</name>
       <value>*</value>
   </property>
   

   你们需要讲zjw改成你们自己的用户名
   或者你可以参考这篇文章:https://blog.csdn.net/u011495642/article/details/84305944

5. 编写 hive 服务启动脚本（了解）
   (1)前台启动的方式导致需要打开多个 shell 窗口，可以使用如下方式后台方式启动

   nohup hive --service metastore 2>&1 &
   nohup hive --service hiveserver2 2>&1 &
   

   nohup: 放在命令开头，表示不挂起,也就是关闭终端进程也继续保持运行状态
   /dev/null：是 Linux 文件系统中的一个文件，被称为黑洞，所有写入改文件的内容
   都会被自动丢弃
   2>&1 : 表示将错误重定向到标准输出上
   &: 放在命令结尾,表示后台运行
   一般会组合使用: nohup [xxx 命令操作]> file 2>&1 &，表示将 xxx 命令运行的结
   果输出到 file 中，并保持命令启动的进程在后台运行。
   如上命令不要求掌握。

   （2）为了方便使用，可以直接编写脚本来管理服务的启动和关闭

    vim $HIVE_HOME/bin/hiveservices.sh
   

   内容如下：此脚本的编写不要求掌握。直接拿来使用即可。

   #!/bin/bash
   HIVE_LOG_DIR=$HIVE_HOME/logs
   if [ ! -d $HIVE_LOG_DIR ]
   then
   	mkdir -p $HIVE_LOG_DIR
   fi
   #检查进程是否运行正常，参数1为进程名，参数2为进程端口
   function check_process()
   {
       pid=$(ps -ef 2>/dev/null | grep -v grep | grep -i $1 | awk '{print $2}')
       ppid=$(netstat -nltp 2>/dev/null | grep $2 | awk '{print $7}' | cut -d '/' -f 1)
       echo $pid
       [[ "$pid" =~ "$ppid" ]] && [ "$ppid" ] && return 0 || return 1
   }
   
   function hive_start()
   {
   metapid=$(check_process HiveMetastore 9083)
       cmd="nohup hive --service metastore >$HIVE_LOG_DIR/metastore.log 2>&1 &"
       [ -z "$metapid" ] && eval $cmd || echo "Metastroe服务已启动"
       server2pid=$(check_process HiveServer2 10000)
       cmd="nohup hiveserver2 >$HIVE_LOG_DIR/hiveServer2.log 2>&1 &"
       [ -z "$server2pid" ] && eval $cmd || echo "HiveServer2服务已启动"
   }
   function hive_stop()
   {
   metapid=$(check_process HiveMetastore 9083)
       [ "$metapid" ] && kill $metapid || echo "Metastore服务未启动"
       server2pid=$(check_process HiveServer2 10000)
       [ "$server2pid" ] && kill $server2pid || echo "HiveServer2服务未启动"
   }
   
   case $1 in
   "start")
       hive_start
       ;;
   "stop")
       hive_stop
       ;;
   "restart")
       hive_stop
       sleep 2
       hive_start
       ;;
   "status")
       check_process HiveMetastore 9083 >/dev/null && echo "Metastore服务运行正常" || echo "Metastore服务运行异常"
       check_process HiveServer2 10000 >/dev/null && echo "HiveServer2服务运行正常" || echo "HiveServer2服务运行异常"
       ;;
   *)
       echo Invalid Args!
       echo 'Usage: '$(basename $0)' start|stop|restart|status'
       ;;
   esac
   

   （3）添加执行权限： chmod +x $HIVE_HOME/bin/hiveservices.sh
   （4）启动 Hive 后台服务： hiveservices.sh start

2.7 Hive 常用交互命令

[zjw@hadoop104 hive]$ bin/hive -help

1. “-e”不进入 hive 的交互窗口执行 sql 语句

bin/hive -e "select id from student;“

2.8 Hive 其他命令操作

1. 退出 hive 窗口：

   exit;
   quit;
   

2. 在 hive cli 命令窗口中如何查看 hdfs 文件系统

   dfs -ls /;
   

   

3. 查看在 hive 中输入的所有历史命令

   1. 进入到当前用户的根目录 /root 或/home/zjw
   2. 查看. hivehistory 文件: cat .hivehistory

2.9 Hive 常见属性配置

2.9.1 Hive 运行日志信息配置

1. Hive 的 log 默认存放在/tmp/zjw/hive.log 目录下（当前用户名下）

2. 修改 hive 的 log 存放日志到/opt/module/hive/logs
   （1）修改/opt/module/hive/conf/hive-log4j2.properties.template 文件名称为 hive-log4j2.properties

   mv hive-log4j2.properties.template hive-log4j2.properties
   

   (2)在 hive-log4j2.properties 文件中修改 log 存放位置: hive.log.dir=/opt/module/hive/logs

2.9.2 打印 当前库 和 表头

在 hive-site.xml 中加入如下两个配置:

<property>
 <name>hive.cli.print.header</name>
 <value>true</value>
 </property>
 <property>
 <name>hive.cli.print.current.db</name>
 <value>true</value>
 </property>

2.9.3 参数配置方式

1. 查看当前所有的配置信息:set;

2. 参数的配置三种方式

   1. 配置文件方式
      默认配置文件： hive-default.xml
      用户自定义配置文件：hive-site.xml
         注意：用户自定义配置会覆盖默认配置 。另外，Hive 也会读入 Hadoop 的配置， 因为 Hive是作为 Hadoop 的客户端启动的，Hive 的配置会覆盖 Hadoop 的配置 。配置文件的设定对本机启动的所有 Hive 进程都有效。

   2. 命令行参数方式
      启动 Hive 时，可以在命令行添加-hiveconf param=value 来设定参数。例如：

      bin/hive -hiveconf mapred.reduce.tasks=10;
      

      注意：仅对本次 hive 启动有效
      查看参数设置： set mapred.reduce.tasks;

3. 参数声明方式
   可以在 HQL 中使用 SET 关键字设定参数例如：

    set mapred.reduce.tasks=100;
   

注意：仅对本次 hive 启动有效
查看参数设置： set mapred.reduce.tasks;
上述三种设定方式的优先级依次递增。即配置文件<命令行参数<参数声明。注意某些系统级的参数，例如 log4j 相关的设定，必须用前两种方式设定，因为那些参数的读取在会话建立以前已经完成了。

3 Hive 数据类型

3.1 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。

3.2 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。

1. 案例实操
   （1）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

    "name": "zjw",
    "friends": ["MJ" , "LXQ"] , //列表 Array, 
    "children": { //键值 Map,
    "xiao zjw": 8 ,
    "xiaoxiao zjw": 9
    }
    "address": { //结构 Struct,
    "street": "w u t",
    "city": "hubei"
    } }
   

2. 基于上述数据结构，我们在 Hive 里创建对应的表，并导入数据。
   创建本地测试文件 test.txt

   zjw,MJ_LXQ,xiao zjw:8_xiaoxiao zjw:9,wut_hubei
   yangyang,caicai_susu,xiao yang:18_xiaoxiao yang:19,chao yang_beijing
   

3. Hive 上创建测试表 test

   create table test(
   name string,
   friends array<string>,
   children map<string, int>,
   address struct<street:string, city:string> )
   row format delimited fields terminated by ','
   collection items terminated by '_'
   map keys terminated by ':'
   lines terminated by '\n';
   

   
   字段解释：

   • row format delimited fields terminated by ‘,’ – 列分隔符
   • collection items terminated by ‘_’ --MAP STRUCT 和 ARRAY 的分隔符(数据分割符号)
   • map keys terminated by ‘:’ – MAP 中的 key 与 value 的分隔符
   • lines terminated by ‘\n’; – 行分隔符

4. 导入文本数据到测试表

   load data local inpath '/opt/module/hive/datas/test.txt' into table test;
   

5. 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 zjw'],address.city from 
   test
   where name="zjw";
   

   

3.3 类型转化

  Hive 的原子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(例如 “1”、“2”这种字符串) 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。
   

---

Hive相关文章：
 Hive学习笔记之一hive的介绍与安装
 Hive学习笔记二之表操作
 Hive学习笔记三之函数操作
 Hive学习笔记四之Hive实战

---

Hadoop系列文章：
 Hadoop学习笔记之初始Hadoop
 Hadoop学习笔记之HDFS
 Hadoop学习笔记之MapReduce（一）
 Hadoop学习笔记之MapReduce（二）
 Hadoop学习笔记之Yarn