hive介绍和部署使用(超级详细)

N.1 Hive基本概念

N.1.1 什么是Hive

1）Hive：由Facebook开源用于解决海量结构化日志的数据统计。 2）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，并提供类SQL查询功能。 本质是：将HQL/SQL转化成MapReduce程序 3）Hive处理的数据存储在HDFS 4）Hive分析数据底层的实现是MapReduce。（当然HIVE底层可以使用Tez计算引擎, Tez是MR的优化版，支持DAG有向无图） 5）执行程序运行在Yarn上

N.1.2 Hive的优缺点

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。 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 （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 （3）hive子支持导入数据，和查看数据，不提供修改数据的功能，只能修改表名和数据等信息。

N.1.3 Hive架构原理

0）如图中所示，在hive中，HDFS的数据和mysql双向映射，所以hive操作是操作mysql, 然后在把sql转换成MR，在然后间接操作HDFS。 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）Client用户接口 CLI（hive shell）、JDBC/ODBC(java访问hive)、WEBUI（浏览器访问hive） 2）Metastore元数据： 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(默认大小2MB)来保存元数据，推荐使用MySQL存储Metastore（元数据），后面将会安装mysql。 3）Hadoop 使用HDFS进行存储，使用MapReduce进行计算。 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(编译器)；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。

N.1.4 Hive和mysql数据库比较

0）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mysql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。本文将从多个方面来阐述 Hive 和mysql数据库的差异。mysql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） 数据存储位置 Hive 是建立在 Hadoop 之上的，所有 Hive 的数据都是存储在 HDFS 中的。而mysql数据库则可以将数据保存在块设备或者本地文件系统中。 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(只适合追加)的。因此，Hive中不支持对数据的改写和添加，所有的数据都是在加载的时候确定好的。而mysql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。 4) 索引 Hive在加载数据的过程中不会对数据进行任何处理，甚至不会对数据进行扫描，因此也没有对数据中的某些Key建立索引。Hive要访问数据中满足条件的特定值时，需要暴力扫描整个数据，因此访问延迟较高。由于 MapReduce 的引入， Hive 可以并行访问数据，因此即使没有索引，对于大数据量的访问，Hive 仍然可以体现出优势。数据库中，通常会针对一个或者几个列建立索引，因此对于少量的特定条件的数据的访问，mysql数据库可以有很高的效率，较低的延迟。由于数据的访问延迟较高，决定了 Hive 不适合在线数据查询。 5) 执行 Hive中大多数查询的执行是通过 Hadoop 提供的 MapReduce 来实现的。而数据库通常有自己的执行引擎。 6) 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，mysql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mysql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。 7) 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。 8) 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，mysql数据库可以支持的数据规模较小。

N.2 linux_mysql安装和设置

1）官网下载地址 MySQL :: Begin Your Download  2）检测本地是否有mysql已存在的包(有的卸载重装,以防引起的mysql是有问题的) rpm -qa | grep -i  mysql （-i表示不区分大小写） 3）检测本地是否有mariadb已存在的包 (有的话就卸载,这个是自带的,以防和myqsl冲突,所以卸载) rpm -qa | grep mariadb 4）如果存在，则使用yum命令卸载 两个卸载的命令： yum -y remove 卸载的rpm包名 rpm -e --nodeps 卸载的rpm包名 5）创建一个文件夹，上传jar包到/software/mysql mkdir /software/mysql 6）解压mysql jar包 tar -xvf mysql-5.7.19-1.el7.x86_64.rpm-bundle.tar -C /software/mysql 7）安装mysql的 server、client、common、libs、lib-compat rpm -ivh --nodeps mysql-community-server-5.7.19-1.el7.x86_64.rpm rpm -ivh --nodeps mysql-community-client-5.7.19-1.el7.x86_64.rpm （--nodeps是强制安装，不会显示提示） rpm -ivh mysql-community-common-5.7.19-1.el7.x86_64.rpm rpm -ivh mysql-community-libs-5.7.19-1.el7.x86_64.rpm rpm -ivh mysql-community-libs-compat-5.7.19-1.el7.x86_64.rpm net-tools使用yum -y install net-tools 安装 在使用这个命令查看是不是安装rpm -qa | grep -i  mysql 8）查看mysql的服务是否启动 systemctl status mysql  Active: inactive (dead)  9）启动mysql的服务 systemctl start mysqld.service (也可以不加后缀) 10）再次检查mysql的服务是否启动 systemctl status mysqld Active: active (running) since Thu 2019-03-21 07:23:08 EDT; 2s ago 11）查看默认生成的密码 cat /var/log/mysqld.log | grep password 2019-03-21T11:23:01.643479Z 1 [Note] A temporary password is generated for root@localhost: iwkJGgdj6jO 12）登录mysql服务 (mysql安装会自动配置在系统配置环境变量，所以不用手动） mysql -uroot -p回车 输入密码：xxx 如果不回车，在-p后面跟密码，里面有特殊符号，所以需要单引号括起来。 注意mysql的命令是要以分号结尾的。 13）登入后进行mysql密码修改，修改规则如下
0 or LOW	长度
1 or MEDIUM	长度、大小写、数字、特殊字符
2 or STRONG	长度、大小写、数字、特殊字符、词典
注：以下修改是临时修改 （1）设置密码强度检查等级，0/LOW、1/MEDIUM、2/STRONG mysql> set global validate_password_policy=0; Query OK, 0 rows affected (0.05 sec) （2）设置密码至少要包含的小写字母个数和大写字母个数 设置零表示可以不用字母 mysql> set global validate_password_mixed_case_count=0; Query OK, 0 rows affected (0.00 sec) （3）设置密码至少要包含的数字个数 设置可以不用数字 mysql> set global validate_password_number_count=0; Query OK, 0 rows affected (0.00 sec) （4）设置密码至少要包含的特殊字符数 设置零表示可以不需要特殊符号 mysql> set global validate_password_special_char_count=0; Query OK, 0 rows affected (0.00 sec) （5）密码最小长度，参数默认为8， mysql> set global validate_password_length=1; Query OK, 0 rows affected (0.00 sec) 14）修改密码： mysql>alter user root@localhost identified by '123456'; mysql>flush privileges;由于这里设置的密码会自动刷新,这个命令可用可不用。 mysql> SHOW VARIABLES LIKE 'validate_password%'; (查看设置是否配置完成) +--------------------------------------+------------------------+ | Variable_name                        | Value | +--------------------------------------+------------------------+ | validate_password_dictionary_file     |       | | validate_password_length             | 1    | | validate_password_mixed_case_count   | 0     | | validate_password_number_count        | 0     | | validate_password_policy             | LOW  | | validate_password_special_char_count | 0    | +--------------------------------------+------------------------+ mysql>exit(这个命令可以不使用分号结束) 在登入测试是设置密码成功。 15）修改远程登录权限 +------------+--------------------+ | host | user | +------------+--------------------+ | % | root | | localhost | mysql.session | | localhost | mysql.sys | +------------+--------------------+ 3 rows in set (0.00 sec) （1）如上图所示：这个是可以成功远程链接得配置 （2）%表示可以是别的用户允许访问，而localhost表示只能是本地，所以要改为%。 （3）查询当前user表内root的登录权限： select host,user from mysql.user; （4）修改权限为所有%： update mysql.user set host = '%' where user = 'root'; （5）刷新缓存： flush privileges; （6）使用windows的Navicat客户端范围linux的mysql。为什么可以访问，因为在windows里面使用vmnet8模式的，所以可以通过mysql访问，同时也自带了连接linux版本mysql的jdbc，所以可以连接

N.3 Hive安装部署

1）Hive安装及配置 （1）把apache-hive-1.2.1-bin.tar.gz上传到linux的/softWare目录下 （2）解压apache-hive-1.2.1-bin.tar.gz [itstar@bigdata111 software]$ tar -zxvf apache-hive-1.2.1-bin.tar.gz -C /softWare/ （3）修改apache-hive-1.2.1-bin.tar.gz的名称为hive-1.2.1(名字自定义) [itstar@bigdata111 module]$ mv apache-hive-1.2.1-bin/ hive-1.2.1 （4）修改hive-1.2.1/conf目录下的hive-env.sh.template名称为hive-env.sh [itstar@bigdata111 conf]$ mv hive-env.sh.template hive-env.sh （5）配置hive-env.sh文件 [1] 配置HADOOP_HOME路径 （这里不用写export） HADOOP_HOME=/softWare/hadoop-2.8.4 [2] 配置HIVE_CONF_DIR路径 export HIVE_CONF_DIR=/softWare/hive-1.2.1/conf （6）修改hive的log存放日志到 hive-1.2.1/logs Hive的log默认存放在/tmp/itstar/hive.log目录下（当前用户名下）。 [1] 修改conf/hive-log4j.properties.template文件名称为hive-log4j.properties         [itstar@bigdata111conf]$ mv hive-log4j.properties.template hive-log4j.properties [2] 在hive-log4j.properties文件中修改log存放位置 vi hive-log4j.properties hive.log.dir= /softWare/hive-1.2.1/logs 2）Hadoop集群配置 （1）必须启动hdfs和yarn [itstar@bigdata111hadoop-2.8.4]$ sbin/start-dfs.sh [itstar@bigdata112 hadoop-2.8.4]$ 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 Default数据仓库的最原始位置是在hdfs上的：/user/hive/warehouse路径下。 [itstar@bigdata111hadoop-2.8.4]$ bin/hadoop fs -mkdir /tmp [itstar@bigdata111hadoop-2.8.4]$ bin/hadoop fs -mkdir -p /user/hive/warehouse 由于没有写的权限，所有要加写的权限。 [itstar@bigdata111hadoop-2.8.4]$ bin/hadoop fs -chmod g+w /tmp [itstar@bigdata111hadoop-2.8.4]$ bin/hadoop fs -chmod g+w /user/hive/warehouse 3) hive的环境变量配置 exprot HIVE_HOME=/softWare/hive-1.2.1 #这里配也可以配PATH，PATH=xxx 可以用多个，不一定非要写在一个PATH上面， #这里有些了$PATH只是为了保修，如果，以防別的exprot没有写$PTAH。 exprot PATH=$PATH:$HIVE_HOME/bin 4）Hive基本操作 （1）启动hive         [itstar@bigdata111hive]$ 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(1001,"xiao_ming");写中文可能乱码。 （9）查询表中数据         hive> select * from student; （10）退出hive         hive> quit;

N.4 Hive元数据配置到MySql

N.4.1 配置Metastore到MySql

1）第一步：驱动拷贝

上传mysql-connector-java-5.1.27-bin.jar到/softWare/hive/lib/ 作用就是hive连接mysql,可以把元数据放在mysql里面。

2）第二步：配置Metastore到MySql

在/softWare/hive/conf目录下创建 文件 ，[itstar@bigdata111conf]$ vi hive-site.xml 将以下内容放在该文件下面。 <?xml version="1.0"?> <?xml-stylesheet type="text/xsl" href="configuration.xsl"?> <configuration> <!-- 存放节点 -->         <property>           <name>javax.jdo.option.ConnectionURL</name>           <value>jdbc:mysql://active节点的域名:3306/metastore?createDatabaseIfNotExist=true</value>           <description>JDBC connect string for a JDBC metastore</description>         </property> <!-- 连接mysql驱动-->         <property>           <name>javax.jdo.option.ConnectionDriverName</name>           <value>com.mysql.jdbc.Driver</value>           <description>Driver class name for a JDBC metastore</description>         </property> <!—使用root用户-->         <property>           <name>javax.jdo.option.ConnectionUserName</name>           <value>root</value>           <description>username to use against metastore database</description>         </property> <!—登入密码-- >         <property>           <name>javax.jdo.option.ConnectionPassword</name>           <value>mysql密码</value>           <description>password to use against metastore database</description>         </property> </configuration>

3）第三部命令执行

配置完毕后，如果启动hive异常，可以重新启动虚拟机。（重启后，别忘了启动hadoop集群） 在执行该命令：schematool -dbType mysql -initSchema 尾行出现这个schemaTool completed，表示元数据修改成功。

N.4.2 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）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>自定义路径</value> <description>location of default database for the warehouse</description> </property>

4）配置同组用户有执行权限(由于没有写的权限，所以要添加) bin/hdfs dfs -chmod g+w 自定义路径

N.4.3 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 （1）配置前

————————————————————————

————————————————————————

（2）配置后

————————————————————————

————————————————————————

N.5 将本地文件导入Hive

1）在/softWare/exercise/目录下创建student.txt文件并添加数据 [itstar@bigdata111exercise]$ touch student.txt [itstar@bigdata111exercise]$ vi student.txt 1001        zhangshan 1002        lishi 1003        zhaoliu 注意以tab键间隔。 2）Hive实际操作 （1）启动hive         [itstar@bigdata111hive]$ bin/hive （2）显示数据库 hive>show databases; （3）使用default数据库         hive>use default; （4）显示default数据库中的表         hive>show tables; （5）删除已创建的student表 hive> drop table student; （6）创建student表, 并声明文件分隔符’\t’         hive> create table student(id int, name string) ROW FORMAT DELIMITED FIELDS TERMINATED BY '\t'; （7）加载/softWare/exercise/student.txt 文件到student数据库表中。         hive> load data local inpath '/softWare/exercise/student.txt' into table student; （8）Hive查询结果 hive> select * from student; OK 1001        zhangshan 1002        lishi 1003        zhaoliu Time taken: 0.266 seconds, Fetched: 3 row(s)

N.6 Hive常用交互命令

[itstar@bigdata111hive]$ hive -help usage: hive -e <quoted-query-string>         SQL from command line -f <filename>                     SQL from files ... ........

1）“-e”不进入hive的交互窗口执行sql语句,可以看出在外面启动的 [itstar@bigdata111hive]$hive -e "select id from student;" 2）“-f”执行脚本中sql语句 （1）在/software/exercise目录下创建hivef.sql文件 其实linux和windows不一样，它不需要后缀名,反正一切皆文件，所以下面不写sql后缀也可以, 写起来真是方便切分而已。 [itstar@bigdata111datas]$ 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 [itstar@bigdata111hive]$ hive -f /software/exercise/hivef.sql （3）执行文件中的sql语句并将结果写入文件中(注：可能含有其他的表信息，如表头) [itstar@bigdata111hive]$ hive -f /software/exercise/hivef.sql > /software/exercise/hive_result.txt [itstar@bigdata111hive]$cat /software/exercise/hive_result.txt student.id      student.name 1001    zhangshan 1002    lishi 1003    zhaoliu

N.7 Hive其他命令操作

1）退出hive窗口：     hive(default)>exit; hive(default)>quit; 在新版的oracle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hdfs本地系统 hive(default)> !  ls  -l  /softWare; 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/itstar      （2）查看. hivehistory文件 [itstar@bigdata111~]$ cat .hivehistory

N.8 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 [1] 默认配置文件：hive-default.xml [2] 用户自定义配置文件：hive-site.xml     [3] 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 [1] 启动Hive时，可以在命令行添加-hiveconf param=value来设定参数。 [2] 例如： [itstar@bigdata112 hive]$ bin/hive -hiveconf mapred.reduce.tasks=10; 注意：仅对本次hive启动有效 [3] 查看参数设置： hive (default)> set mapred.reduce.tasks; 显示为：mapred.reduce.tasks=10 默认是：mapred.reduce.tasks=-1 （3）参数声明方式 可以在HQL中使用SET关键字设定参数 [1] 例如： hive (default)> set mapred.reduce.tasks=10; 注意：仅对本次hive启动有效。 [2] 查看参数设置 hive (default)> set mapred.reduce.tasks; [3] 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。