大数据:hive1

1:什么是hive:由facebook开源的用于解决海量结构化日志的数据统计

2：hive是基于hadoop的数据仓库工具，可以将结构化的数据文件映谢成一张表，并提供类SQL查询功能。

本质：将Hql转化成mpareduce 

其基本执行过程：

    数据仓库通过sql进行统计分析-------->将SQL语言中常用的操作（select,where,group等）用mapreduce写成很多模板

所有的mapreduce模板封装在hive中--->通过hive框架匹配出相应的mapreduce模板---->运行mapreduece生成相应的分析结果--->result->client--->用户根据业务需求编写相应的sql语句。

 

hive的优缺点：

优点：

  1）操作接口采用类sql语法，提供快速开发的能力（简单、容易上行）

  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的优势在于处理大数据，对于小数据没有优势，因为hive的执行延迟比较高

5）hive支持用户自定义函数，用户可以根据自已的需求来实现自已的函数。

缺点：

hive的hql表达有限：

迭代式算法无法表达

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。

hive的效率比较低

hive自动自成的mapduce，通常情况下不够智能化

hive的调优比较困难，粒度较粗

hive架构原理：

用户cli: 客户端工具有：cli ,jdbc/odbc，webui如zeepline,hue

元数据：metastore

元数据包括：

     表名，表属性的数据库（默认default）、表的拥有者同，列/分区字段，表的类型（是否是外部表）表的数据所有的目录等

默认存在有自还带的derby数据库（建议永远不要用，单实例数据能干什么呢），推荐存储metastore

2hadooop使用hdfs进行存储，使用mapreduece进行计算

驱动器dirver

解析器：

sql parser :将字符串转换成语法树AST，这一步一般第三工具完成，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

编译器：

将AST编译生成逻辑执行计划

优化器：

对逻辑执行计划进行优化

执行器：

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通过用户提供的一系列交互接口，接收到用户的指令（SQL）,使用自已的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采用类似sql的查询语言HQL，因此容易将hive理解为数据库，其实从结构上看，hive和数据库除了拥有类似的查询语方，再无类似之处。本文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，有助于从应用角度理解hive的特性。

1.4.1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

1.4.2数据存储位置

hive是建立在hadoop之上，所有hive的数据都是存储在hdfs中的，而数据库则可以数据保存在块设备或者本地系统中

1.4.3 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中不建设对数据读写，所有的数据者是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。

1.4.4 执行

hive中大多数据查询的执行是通过hadoop提供的mapreduce来实现的，而数据库通常有自已的执行引擎。

1.4.5 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。
1.4.6 可扩展性
由于Hive是建立在Hadoop之上的，因此Hive的可扩展性是和Hadoop的可扩展性是一致的（世界上最大的Hadoop 集群在 Yahoo!，2009年的规模在4000 台节点左右）。而数据库由于 ACID 语义的严格限制，扩展行非常有限。目前最先进的并行数据库 Oracle 在理论上的扩展能力也只有100台左右。
1.4.7 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。

1．Hive安装及配置
（1）把apache-hive-1.2.1-bin.tar.gz上传到linux的/opt/software目录下
（2）解压apache-hive-1.2.1-bin.tar.gz到/opt/module/目录下面
[atguigu@hadoop102 software]$ tar -zxvf apache-hive-1.2.1-bin.tar.gz -C /opt/module/
（3）修改apache-hive-1.2.1-bin.tar.gz的名称为hive
[atguigu@hadoop102 module]$ mv apache-hive-1.2.1-bin/ hive
（4）修改/opt/module/hive/conf目录下的hive-env.sh.template名称为hive-env.sh
[atguigu@hadoop102 conf]$ mv hive-env.sh.template hive-env.sh
	（5）配置hive-env.sh文件
	（a）配置HADOOP_HOME路径
export HADOOP_HOME=/opt/module/hadoop-2.7.2
	（b）配置HIVE_CONF_DIR路径
export HIVE_CONF_DIR=/opt/module/hive/conf

Hive基本操作
（1）启动hive
[atguigu@hadoop102 hive]$ bin/hive
（2）查看数据库
hive> show databases;
（3）打开默认数据库
hive> use default;
（4）显示default数据库中的表
hive> show tables;
（5）创建一张表
hive> create table student(id int, name string);
（6）显示数据库中有几张表
hive> show tables;
（7）查看表的结构
hive> desc student;
（8）向表中插入数据
hive> insert into student values(1000,"ss");
（9）查询表中数据
hive> select * from student;
（10）退出hive
hive> quit;
说明：（查看hive在hdfs中的结构）
2.6.1 启动hiveserver2服务
[atguigu@hadoop102 hive]$ bin/hiveserver2
2.6.2 启动beeline
[atguigu@hadoop102 hive]$ bin/beeline
Beeline version 1.2.1 by Apache Hive
beeline>
2.6.3 连接hiveserver2
beeline> !connect jdbc:hive2://hadoop102:10000（回车）
Connecting to jdbc:hive2://hadoop102:10000
Enter username for jdbc:hive2://hadoop102:10000: atguigu（回车）
Enter password for jdbc:hive2://hadoop102:10000: （直接回车）
Connected to: Apache Hive (version 1.2.1)
Driver: Hive JDBC (version 1.2.1)
Transaction isolation: TRANSACTION_REPEATABLE_READ
0: jdbc:hive2://hadoop102:10000> show databases;
+----------------+--+
| database_name  |
+----------------+--+
| default        |
| hive_db2       |
+----------------+--+
2.7 Hive常用交互命令
 Hive常用交互命令
[atguigu@hadoop102 hive]$ bin/hive -help
usage: hive
 -d,--define <key=value>          Variable subsitution to apply to hive
                                  commands. e.g. -d A=B or --define A=B
    --database <databasename>     Specify the database to use
 -e <quoted-query-string>         SQL from command line
 -f <filename>                    SQL from files
 -H,--help                        Print help information
    --hiveconf <property=value>   Use value for given property
    --hivevar <key=value>         Variable subsitution to apply to hive
                                  commands. e.g. --hivevar A=B
 -i <filename>                    Initialization SQL file
 -S,--silent                      Silent mode in interactive shell
 -v,--verbose                     Verbose mode (echo executed SQL to the console)
1．“-e”不进入hive的交互窗口执行sql语句
[atguigu@hadoop102 hive]$ bin/hive -e "select id from student;"
2．“-f”执行脚本中sql语句
	（1）在/opt/module/datas目录下创建hivef.sql文件
[atguigu@hadoop102 datas]$ touch hivef.sql
		文件中写入正确的sql语句
		select *from student;
	（2）执行文件中的sql语句
[atguigu@hadoop102 hive]$ bin/hive -f /opt/module/datas/hivef.sql
（3）执行文件中的sql语句并将结果写入文件中
[atguigu@hadoop102 hive]$ bin/hive -f /opt/module/datas/hivef.sql  > /opt/module/datas/hive_result.txt
2.8 Hive其他命令操作
1．退出hive窗口：
hive(default)>exit;
hive(default)>quit;
在新版的hive中没区别了，在以前的版本是有的：
exit:先隐性提交数据，再退出；
quit:不提交数据，退出；
2．在hive cli命令窗口中如何查看hdfs文件系统
hive(default)>dfs -ls /;
3．在hive cli命令窗口中如何查看本地文件系统
hive(default)>! ls /opt/module/datas;
4．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/atguigu
	（2）查看. hivehistory文件
[atguigu@hadoop102 ~]$ cat .hivehistory



2．Hadoop集群配置
 （1）必须启动hdfs和yarn
[atguigu@hadoop102 hadoop-2.7.2]$ sbin/start-dfs.sh
[atguigu@hadoop103 hadoop-2.7.2]$ sbin/start-yarn.sh
（2）在HDFS上创建/tmp和/user/hive/warehouse两个目录并修改他们的同组权限可写
[atguigu@hadoop102 hadoop-2.7.2]$ bin/hadoop fs -mkdir /tmp
[atguigu@hadoop102 hadoop-2.7.2]$ bin/hadoop fs -mkdir -p /user/hive/warehouse

[atguigu@hadoop102 hadoop-2.7.2]$ bin/hadoop fs -chmod g+w /tmp
[atguigu@hadoop102 hadoop-2.7.2]$ bin/hadoop fs -chmod g+w /user/hive/warehouse


驱动拷贝
1．在/opt/software/mysql-libs目录下解压mysql-connector-java-5.1.27.tar.gz驱动包
[root@hadoop102 mysql-libs]# tar -zxvf mysql-connector-java-5.1.27.tar.gz
2．拷贝/opt/software/mysql-libs/mysql-connector-java-5.1.27目录下的mysql-connector-java-5.1.27-bin.jar到/opt/module/hive/lib/
[root@hadoop102 mysql-connector-java-5.1.27]# cp mysql-connector-java-5.1.27-bin.jar
 /opt/module/hive/lib/

2．根据官方文档配置参数，拷贝数据到hive-site.xml文件中
https://cwiki.apache.org/confluence/display/Hive/AdminManual+MetastoreAdmin
<?xml version="1.0"?>
<?xml-stylesheet type="text/xsl" href="configuration.xsl"?>
<configuration>
	<property>
	  <name>javax.jdo.option.ConnectionURL</name>
	  <value>jdbc:mysql://hadoop102:3306/metastore?createDatabaseIfNotExist=true</value>
	  <description>JDBC connect string for a JDBC metastore</description>
	</property>

	<property>
	  <name>javax.jdo.option.ConnectionDriverName</name>
	  <value>com.mysql.jdbc.Driver</value>
	  <description>Driver class name for a JDBC metastore</description>
	</property>

	<property>
	  <name>javax.jdo.option.ConnectionUserName</name>
	  <value>root</value>
	  <description>username to use against metastore database</description>
	</property>

	<property>
	  <name>javax.jdo.option.ConnectionPassword</name>
	  <value>000000</value>
	  <description>password to use against metastore database</description>
	</property>
</configuration>

Hive常见属性配置

2.9.1 Hive数据仓库位置配置
	1）Default数据仓库的最原始位置是在hdfs上的：/user/hive/warehouse路径下。
	2）在仓库目录下，没有对默认的数据库default创建文件夹。如果某张表属于default数据库，直接在数据仓库目录下创建一个文件夹。
	3）修改default数据仓库原始位置（将hive-default.xml.template如下配置信息拷贝到hive-site.xml文件中）。
<property>
<name>hive.metastore.warehouse.dir</name>
<value>/user/hive/warehouse</value>
<description>location of default database for the warehouse</description>
</property>
配置同组用户有执行权限
bin/hdfs dfs -chmod g+w /user/hive/warehouse

2.9.2 查询后信息显示配置
1）在hive-site.xml文件中添加如下配置信息，就可以实现显示当前数据库，以及查询表的头信息配置。
<property>
	<name>hive.cli.print.header</name>
	<value>true</value>
</property>

<property>
	<name>hive.cli.print.current.db</name>
	<value>true</value>
</property>
	2）重新启动hive，对比配置前后差异。
Hive运行日志信息配置
1．Hive的log默认存放在/tmp/atguigu/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-log4j.properties.template文件名称为
hive-log4j.properties
[atguigu@hadoop102 conf]$ pwd
/opt/module/hive/conf
[atguigu@hadoop102 conf]$ mv hive-log4j.properties.template hive-log4j.properties
	（2）在hive-log4j.properties文件中修改log存放位置
hive.log.dir=/opt/module/hive/logs
参数配置方式
1．查看当前所有的配置信息
hive>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：
[atguigu@hadoop103 hive]$ bin/hive -hiveconf mapred.reduce.tasks=10;
注意：仅对本次hive启动有效
查看参数设置：
hive (default)> 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：
hive (default)> set mapred.reduce.tasks=100;
注意：仅对本次hive启动有效。
查看参数设置
hive (default)> 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。