本文讲解的
使用
启动
我们可以使用下面命令启动Hive,使之拥有读取Hbase的功能,如果你的Hbase只有一台机器(single-node HBase server),可以使用下面命令启动hive client: $HIVE_HOME/bin/hive --auxpath $HIVE_HOME/lib/hive-hbase-handler-1.2.0.jar,$HIVE_HOME/lib/hbase-0.92.0.jar,$HIVE_HOME/lib/zookeeper-3.3.4.jar,$HIVE_HOME/lib/guava-r09.jar --hiveconf hbase.master=www.iteblog.com:60000
如果你的Hbase master是通过Zookeeper维护的,那么你可以在启动Hive Client的时候指定Zookeeper的地址: $HIVE_HOME/bin/hive --auxpath $HIVE_HOME/lib/hive-hbase-handler-1.2.0.jar,$HIVE_HOME/lib/hbase-0.92.0.jar,$HIVE_HOME/lib/zookeeper-3.3.4.jar,$HIVE_HOME/lib/guava-r09.jar --hiveconf hbase.zookeeper.quorum=www.iteblog.com
上面直接将Hbase相关的依赖加到启动命令行后面实在不太方便,我们可以在hive-site.xml进行配置:
hive.querylog.location
/home/iteblog/hive/logs
hive.aux.jars.path
$HIVE_HOME/lib/hive-hbase-handler-1.2.0.jar,
$HIVE_HOME/lib/hbase-0.92.0.jar,
$HIVE_HOME/lib/zookeeper-3.3.4.jar,
$HIVE_HOME/lib/guava-r09.jar
hive.zookeeper.quorum
www.iteblog.com
从Hive中创建HBase表
使用HQL语句创建一个指向HBase的Hive表 //Hive中的表名iteblog
CREATE TABLE iteblog(key int, value string)
//指定存储处理器
STORED BY 'org.apache.hadoop.hive.hbase.HBaseStorageHandler'
//声明列族,列名
WITH SERDEPROPERTIES ("hbase.columns.mapping" = ":key,cf1:val")
//hbase.table.name声明HBase表名,为可选属性默认与Hive的表名相同,
//hbase.mapred.output.outputtable指定插入数据时写入的表,如果以后需要往该表插入数据就需要指定该值
TBLPROPERTIES ("hbase.table.name" = "iteblog", "hbase.mapred.output.outputtable" = "iteblog");
通过HBase shell可以查看刚刚创建的HBase表的属性 $ hbase shell
HBase Shell; enter 'help' for list of supported commands.
Version: 0.20.3, r902334, Mon Jan 25 13:13:08 PST 2010
hbase(main):001:0> list
iteblog
row(s) in 0.0530 seconds
hbase(main):002:0> describe "iteblog"
DESCRIPTION ENABLED
{NAME => 'iteblog', FAMILIES => [{NAME => 'cf1', COMPRESSION => true
'NONE', VERSIONS => '3', TTL => '2147483647', BLOCKSIZE => '65536',
IN_MEMORY => 'false', BLOCKCACHE => 'true'}]}
row(s) in 0.0220 seconds
hbase(main):003:0> scan "iteblog"
ROW COLUMN+CELL
row(s) in 0.0060 seconds
插入数据 INSERT OVERWRITE TABLE iteblog SELECT * FROM pokes WHERE foo=98;
在HBase端查看插入的数据 hbase(main):009:0> scan "iteblog"
ROW COLUMN+CELL
98 column=cf1:val, timestamp=1267737987733, value=val_98
1 row(s) in 0.0110 seconds
使用Hive中映射HBase中已经存在的表
创建一个指向已经存在的HBase表的Hive表 CREATE EXTERNAL TABLE iteblog2(key int, value string)
STORED BY 'org.apache.hadoop.hive.hbase.HBaseStorageHandler'
WITH SERDEPROPERTIES ("hbase.columns.mapping" = "cf1:val")
TBLPROPERTIES("hbase.table.name" = "some_existing_table", "hbase.mapred.output.outputtable" = "some_existing_table");
该Hive表一个外部表,所以删除该表并不会删除HBase表中的数据,有几点需要注意的是:
1、建表或映射表的时候如果没有指定:key则第一个列默认就是行键
2、HBase对应的Hive表中没有时间戳概念,默认返回的就是最新版本的值
3、由于HBase中没有数据类型信息,所以在存储数据的时候都转化为String类型
多列及多列族的映射
如下表:value1和value2来自列族a对应的b c列,value3来自列族d对应的列e: CREATE TABLE iteblog(key int, value1 string, value2 int, value3 int)
STORED BY 'org.apache.hadoop.hive.hbase.HBaseStorageHandler'
WITH SERDEPROPERTIES (
"hbase.columns.mapping" = ":key,a:b,a:c,d:e"
);
INSERT OVERWRITE TABLE iteblog SELECT foo, bar, foo+1, foo+2
FROM pokes WHERE foo=98 OR foo=100;
在Hbase中看起来是这样的: hbase(main):014:0> describe "iteblog"
DESCRIPTION ENABLED
{NAME => 'iteblog', FAMILIES => [{NAME => 'a', COMPRESSION => 'N true
ONE', VERSIONS => '3', TTL => '2147483647', BLOCKSIZE => '65536', IN_M
EMORY => 'false', BLOCKCACHE => 'true'}, {NAME => 'd', COMPRESSION =>
'NONE', VERSIONS => '3', TTL => '2147483647', BLOCKSIZE => '65536', IN
_MEMORY => 'false', BLOCKCACHE => 'true'}]}
1 row(s) in 0.0170 seconds
hbase(main):015:0> scan "hbase_table_1"
ROW COLUMN+CELL
100 column=a:b, timestamp=1267740457648, value=val_100
100 column=a:c, timestamp=1267740457648, value=101
100 column=d:e, timestamp=1267740457648, value=102
98 column=a:b, timestamp=1267740457648, value=val_98
98 column=a:c, timestamp=1267740457648, value=99
98 column=d:e, timestamp=1267740457648, value=100
2 row(s) in 0.0240 seconds
如果你在Hive中查询是这样的: hive> select * from iteblog;
Total MapReduce jobs = 1
Launching Job 1 out of 1
...
OK
100val_100101102
98val_9899100
Time taken: 4.054 seconds
Hive Map类型在HBase中的映射规则
如下表:通过Hive的Map数据类型映射HBase表,这样每行都可以有不同的列组合,列名与map中的key对应,列值与map中的value对应 CREATE TABLE iteblog(value map, row_key int)
STORED BY 'org.apache.hadoop.hive.hbase.HBaseStorageHandler'
WITH SERDEPROPERTIES (
"hbase.columns.mapping" = "cf:,:key"
);
INSERT OVERWRITE TABLE iteblog SELECT map(bar, foo), foo FROM pokes
WHERE foo=98 OR foo=100;
cf为列族,其列名对应map中的bar,列值对应map中的foo。执行完上面的语句,在Hbase中看起来是这样的: hbase(main):012:0> scan "iteblog"
ROW COLUMN+CELL
100 column=cf:val_100, timestamp=1267739509194, value=100
98 column=cf:val_98, timestamp=1267739509194, value=98
2 row(s) in 0.0080 seconds
Hive中查询是这样的: hive> select * from iteblog;
Total MapReduce jobs = 1
Launching Job 1 out of 1
...
OK
{"val_100":100}100
{"val_98":98}98
Time taken: 3.808 seconds
注意:由于map中的key是作为HBase的列名使用的,所以map中的key类型必须为String类型。以下映射语句会报错: CREATE TABLE iteblog(key int, value map)
STORED BY 'org.apache.hadoop.hive.hbase.HBaseStorageHandler'
WITH SERDEPROPERTIES (
"hbase.columns.mapping" = ":key,cf:"
);
FAILED: Error in metadata: java.lang.RuntimeException: MetaException(message:org.apache.hadoop.hive.serde2.SerDeException org.apache.hadoop.hive.hbase.HBaseSerDe: hbase column family 'cf:' should be mapped to map but is mapped to map)
因为map中的key必须是String,其最终需要变成HBase中列的名称。
支持简单的复合行键
如下:创建一张指向HBase的Hive表,行键有两个字段,字段之间使用~分隔 CREATE EXTERNAL TABLE iteblog(key struct, value string)
ROW FORMAT DELIMITED
COLLECTION ITEMS TERMINATED BY '~'
STORED BY 'org.apache.hadoop.hive.hbase.HBaseStorageHandler'
WITH SERDEPROPERTIES (
'hbase.columns.mapping'=':key,f:c1');
最后,使用Hive集成HBase表的需注意以下几点:
1、对HBase表进行预分区,增大其MapReduce作业的并行度
2、合理的设计rowkey使其尽可能的分布在预先分区好的Region上
3、通过set hbase.client.scanner.caching设置合理的扫描缓存