文章目录
数据仓库工具hive
一、数据仓库的概念
什么是数据仓库,主要用来干嘛的
1、什么是数据仓库
仓库就是用来存储东西的 仓库不会生产东西 仓库不会消耗这些粮食
说白了里面的东西,是外界放进去的,供外界使用
总结来说就是仓库不生产也不消耗,外界放入,供外界使用,主要的功能就是存储
数据仓库:简称DW data warehouse 里面装的都是数据
目的:构建面向分析的集成化数据环境,主要职责是做分析,对仓库里面的数据来做分析
数据分析可以支持我们做决策等
2、数据仓库的主要特征
面向主题:数据分析有一定的范围,需要选取一定的主题进行分析
集成性:集成各个其他方面关联的一些数据,比如分析订单购买人的情况,就涉及到牵连用户信息的情况
非易失性:数据分析主要是分析过去已经发生的数据 ,分析的东西都是既成就的事实,不会在改变了
时变性:随着时间的发展,数据的形态也在发生变化,数据分析的手段也要相应的进行改变
3、 数据仓库与数据库区别
得要知道
数据库:事务处理 OLTP On-Line Transaction Processing 联机事务处理
数据库主要的功能就是用来做事务处理的,主要负责频繁的增删改查
数据仓库:分析处理 OLAP On-Line Analytical Processing 联机的分析处理
不需要做事务的保证 主要职责就是做数据的分析,面向分析的
首先要明白,数据仓库的出现,并不是要取代数据库。
1.数据库是面向事务的设计,数据仓库是面向主题设计的。
2.数据库一般存储业务数据,数据仓库存储的一般是历史数据。
3.数据库设计是尽量避免冗余,一般针对某一业务应用进行设计,比如一张简单的User表,记录用户名、
密码等简单数据即可,符合业务应用,但是不符合分析。数据仓库在设计是有意引入冗余,依照分析需求
,分析维度、分析指标进行设计。
4.数据库是为捕获数据而设计,数据仓库是为分析数据而设计。
数据库的数据,允许增删改
数据仓库的数据,一般不允许增删改
数据仓库的产生是因为有大量的数据库的存在,需要对数据进一步的决策分析,然
后才产生数据仓库的概念
excel kettle sass passs 都是数据分析的一些软件
4、数据仓库分层架构
按照数据流入流出的过程,数据仓库架构可分为三层——源数据、数据仓库、数据应用。
数据仓库的分层:
数据仓库一般分为三层:
第一层:源数据层 又叫ODS 我们产生数据的地方
第二层:数据仓库层 又叫DW 主要集中存储数据 面向主题进行分析
第三步:数据应用层 又叫app层 主要用于展示我们分析之后的数据结果
数据在这三层之间的一个流动,称之为ETL的过程
ETL:extrat(抽取) transform(转换) load(加载)
数据从源数据层流向数据仓库层再流向app层
为什要对数据仓库的分层?:每一层职责清晰
数据仓库的元数据管理:定义我们的数据架构,数据的位置,数据的信息的
这里的元数据,记录的是我们数据仓库当中的数据如何进行处理的一整套的过程
二、hive的基本概念以及hive的安装
1.hive简介
hive:是一个数据仓库的处理工具,专门用于数据仓库的数据分析
hive 是基于hadoop的一个数据仓库的工具,将结构化的数据,映射成为一张表,并且提供类似sql的查询功能
本质是将sql语句转换成mapreduce的任务进行执行
结构化数据:提现为数据字段固定,数据类型固定 (数据库的表就是一种最典型的结构化数据)
半结构化数据:数据类型一定 但是数据的字段个数不定 (XML和JSON)
非结构化数据:完全没有任何规律 字段类型不定,字段的个数不定,数据的类型不定 比如说音频 视频
hive当中的元数据信息:
主要描述了hive表与hdfs的数据之间的映射关系
包括了字段的映射(hive当中的哪个字段与数据当中的哪一列进行对应),数据位置的保存,建表的语句定义等等
hive是一个数据仓库的工具,主要用于做数据分析的
数据的存储:用的是HDFS
数据的计算:用的是MR
hive与hdfs上面数据的映射关系,叫做元数据信息,一般都保存在mysql或者oracle里面等等
Hive的特点
1.可扩展
Hive可以自由的扩展集群的规模,一般情况下不需要重启服务。
2.延展性
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。
3.容错
良好的容错性,节点出现问题SQL仍可完成执行。
2.hive架构
基本组成
用户接口:包括CLI、JDBC/ODBC、WebGUI。其中,CLI(command line interface)为shell命令行;JDBC/ODBC是
Hive的JAVA实现,与传统数据库JDBC类似;WebGUI是通过浏览器访问Hive。
元数据存储:通常是存储在关系数据库如mysql/derby中。Hive 将元数据存储在数据库中。Hive 中的元数据包括表的名字,
表的列和分区及其属性,表的属性(是否为外部表等),表的数据所在目录等。
解释器、编译器、优化器、执行器:完成HQL 查询语句从词法分析、语法分析、编译、优化以及查询计划的生成。
生成的查询计划存储在HDFS 中,并在随后有MapReduce 调用执行。
hive与hadoop的关系:hive利用HDFS存储数据并且hive就是一个mr的客户端
3.Hive与传统数据库对比
千万别把hive当做数据库来用,现在版本的hive支持插入,不支持修改,删除操作 最主要的功能是查询
hive是用来做数据仓库的
mapreduce为什么慢????反复的将数据从磁盘到内存,从内存到磁盘,从磁盘到内存 从内存到磁盘
hive的数据是存储在hdfs上面,而且hive支持各种存储格式
4.Hive的数据存储
1、Hive中所有的数据都存储在 HDFS 中,没有专门的数据存储格式
(可支持Text,SequenceFile,ParquetFile,ORC格式RCFILE等)
SequenceFile是hadoop中的一种文件格式:文件内容是以序列化的kv对象来组织的
2、只需要在创建表的时候告诉 Hive 数据中的列分隔符和行分隔符,Hive 就可以解析数据。
3、Hive 中包含以下数据模型:DB、Table,External Table,Partition,Bucket。
db: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db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在任意指定路径
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下根据hash散列之后的多个文件
5.HIVE的安装部署
5.1 derby版hive直接使用:
1、解压hive
cd /export/softwares
tar -zxvf hive-1.1.0-cdh5.14.0.tar.gz -C ../servers/
1、直接启动 bin/hive
cd ../servers/
cd hive-1.1.0-cdh5.14.0/
bin/hive
hive> create database mytest;
缺点:多个地方安装hive后,每一个hive是拥有一套自己的元数据,大家的库、表就不统一;
5.2 使用mysql共享hive元数据
mysql数据库的安装(使用rpm包的方式进行安装,不推荐)
第一步:查看系统自带的mysql的rpm包
rpm -qa | grep mysql
rpm -e mysql-libs-5.1.73-8.el6_8.x86_64 --nodeps
第二步:安装mysql的rpm包
rpm -ivh *.rpm
第三步:启动mysql的服务
service mysqld start
第四步:查看mysql初始化密码
more /root/.mysql_secret
1.mysql数据库的安装(使用yum源进行安装,强烈推荐)
第一步:在线安装mysql相关的软件包
yum install mysql mysql-server mysql-devel
第二步:启动mysql的服务
/etc/init.d/mysqld start
第三步:通过mysql安装自带脚本进行设置
/usr/bin/mysql_secure_installation
第四步:进入mysql的客户端然后进行授权
进入mysql的客户端
mysql -uroot -p
mysql的远程连接授权语句:
grant all privileges on *.* to 'root'@'%' identified by '123456' with grant option;
flush privileges; 刷新权限表
*.* 第一个星表示数据库名称 第二个星表示数据库下面的哪个表
'root'@'%' root:表示mysql的用户 %表示我们的ip地址 可以从哪台机器使用哪个用户来连接我们的数据库服务器
root@node1
all privileges :所有的权限 这里还可以写 insert update delete select
identified by :远程连接的时候的密码,与我们mysql的root用户密码无关
实际线上环境,关于mysql的控制比较严格,不同的人分配不同用户,创建不同的数据库,分配不同的权限
mysql数据库的卸载
停止mysql服务 service mysql stop
查看所有mysql的安装包 rpm -qa | grep -i mysql
卸载所有mysql的安装包 rpm -e xxx
查看是否卸载干净 rpm -qa | grep -i mysql
查看哪里还有mysql的文件夹 whereis mysql
删除 rm -rf /user/lib64/mysql
删除 rm -rf /user/my.cnf
删除 rm -rf /root/.mysql_secret
删除 rm -rf /var/lib/mysql
2.修改hive的配置文件
修改hive-env.sh
添加我们的hadoop的环境变量
cd /export/servers/hive-1.1.0-cdh5.14.0/conf
cp hive-env.sh.template hive-env.sh
vim hive-env.sh
# Set HADOOP_HOME to point to a specific hadoop install directory
HADOOP_HOME=/export/servers/hadoop-2.6.0-cdh5.14.0
# Hive Configuration Directory can be controlled by:
export HIVE_CONF_DIR=/export/servers/hive-1.1.0-cdh5.14.0/conf
修改hive-site.xml
cd /export/servers/hive-1.1.0-cdh5.14.0/conf
vim hive-site.xml
<?xml-stylesheet type="text/xsl" href="configuration.xsl"?>
<configuration>
<property>
<name>javax.jdo.option.ConnectionURL</name>
<value>jdbc:mysql://node3.hadoop.com:3306/hive?createDatabaseIfNotExist=true</value>
</property>
<property>
<name>javax.jdo.option.ConnectionDriverName</name>
<value>com.mysql.jdbc.Driver</value>
</property>
<property>
<name>javax.jdo.option.ConnectionUserName</name>
<value>root</value>
</property>
<property>
<name>javax.jdo.option.ConnectionPassword</name>
<value>123456</value>
</property>
<property>
<name>hive.cli.print.current.db</name>
<value>true</value>
</property>
<property>
<name>hive.cli.print.header</name>
<value>true</value>
</property>
<property>
<name>hive.server2.thrift.bind.host</name>
<value>node3.hadoop.com</value>
</property>
<!--
<property>
<name>hive.metastore.uris</name>
<value>thrift://node3.hadoop.com:9083</value>
</property>
-->
</configuration>
hive在使用mysql作为元数据的时候,mysql的数据库编码不能是UTF8,hive默认使用的latain1 这种编码
3.上传mysql的lib驱动包
将mysql的lib驱动包上传到hive的lib目录下
cd /export/servers/hive-1.1.0-cdh5.14.0/lib
将mysql-connector-java-5.1.38.jar 上传到这个目录下
6.hive交互方式
第一种交互方式:Hive交互shell
cd /export/servers/hive-1.1.0-cdh5.14.0
bin/hive
查看所有的数据库
hive (default)> show databases;
创建一个数据库
hive (default)> create database myhive;
使用该数据库并创建数据库表
hive (default)> use myhive;
hive (myhive)> create table test(id int,name string);
以上命令操作完成之后,一定要确认mysql里面出来一个数据库hive
第二种交互方式:Hive JDBC服务
启动hiveserver2服务
前台启动
cd /export/servers/hive-1.1.0-cdh5.14.0
bin/hive --service hiveserver2
后台启动
cd /export/servers/hive-1.1.0-cdh5.14.0
nohup bin/hive --service hiveserver2 2>&1 &
beeline连接hiveserver2
bin/beeline
beeline> !connect jdbc:hive2://node3.hadoop.com:10000
用户名和密码随便输出,但是用户名一定要有权限去操作hdfs的数据
注意:如果使用beeline方式连接hiveserver2,一定要保证hive在mysql当中的元数据库已经创建成功,不然就会拒绝连接
第三种交互方式:Hive命令
bin/hive -e 不进入hvie的客户端直接执行hql语句
bin/hive -f hive.sql 不进入hive的客户端,直接执行hive的脚本文件
三、hive基本操作
3.1、创建数据库与创建数据库表
创建数据库
create database if not exists myhive;
use myhive;
创建一个hive的数据库,就会创建一个对应的文件夹在这个路径下面
<name>hive.metastore.warehouse.dir</name>
<value>/user/hive/warehouse</value>
创建数据库并指定hdfs存储位置
create database myhive2 location '/myhive2';
修改数据库
可以使用alter database 命令来修改数据库的一些属性。但是数据库的元数据信息是不可更改的,包括数据库的名称
以及数据库所在的位置
alter database myhive2 set dbproperties('createtime'='20200419');
查看数据库基本信息
desc database myhive2;
查看数据库更多详细信息
desc database extended myhive2;
删除数据库
删除一个空数据库,如果数据库下面有数据表,那么就会报错
drop database myhive2;
强制删除数据库,包含数据库下面的表一起删除
drop database myhive cascade;
创建数据库表
建表语法
CREATE [EXTERNAL] TABLE [IF NOT EXISTS] table_name
[(col_name data_type [COMMENT col_comment], …)]
[COMMENT table_comment]
[PARTITIONED BY (col_name data_type [COMMENT col_comment], …)]
[CLUSTERED BY (col_name, col_name, …)
[SORTED BY (col_name [ASC|DESC], …)] INTO num_buckets BUCKETS]
[ROW FORMAT row_format]
[STORED AS file_format]
[LOCATION hdfs_path]
external 定义我们的表为外部表
location 指定我们表里面的数据应该存放在hdfs的哪个位置
partitioned by 创建分区表 按照文件夹,将不同的数据,划分到不同的文件夹下面去
clustered by 分桶表 将我们的数据按照一定的规则,划分到多个文件里面去
store as 指定数据的存储格式 text sequenceFile parquet orc
row format 指定我们hive建表的分隔符,与我们hdfs的数据的分隔符保持一致,才能够映射hdfs上面的数据到
对应的hive的表的字段里面来
LIKE 允许用户复制现有的表结构,但是不复制数据。
hive当中的四种常见的表模型:
第一种表模型:管理表
hive建表初体验
use myhive;
create table stu(id int,name string);
insert into stu values (1,"zhangsan");
select * from stu;
hive当中的默认分隔符: \001 键盘打不出来 asc码值 非打印字符 避免分隔符的冲突
第一种表模型:管理表,又叫做内部表 删除表的时候,hdfs上面对应的数据,同步删除
Hive建表时候的字段类型:
创建表指定字段之间的分隔符,指定数据的存储格式,指定数据的存放位置
create table if not exists stu2(id int ,name string) row format delimited fields terminated
by '\t' stored as textfile location '/user/stu2';
根据查询结果创建表,复制表结构,并且复制表数据到我们创建的表里面去
create table stu3 as select * from stu2;
仅仅复制表结构,不复制表数据
create table stu4 like stu2;
查看表的类型
desc formatted tableName;
删除表
drop table tableName
第二种表模型:外部表
外部表:删表的时候不会删除hdfs上面的数据
指定hdfs其他位置的路径的数据,加载到hive的表当中来
hive认为数据是从其他地方移动过来的,hive表没有完全的独占这份数据,删除表的时候不能够删除数据
管理表和外部表的使用场景:
每天将收集到的网站日志定期流入HDFS文本文件。在外部表(原始日志表)的基础上做大量的统计分析,用到的中间表、
结果表使用内部表存储,数据通过SELECT+INSERT进入内部表。
操作案例
分别创建老师与学生表外部表,并向表中加载数据
创建老师表:create exte