Python操作Hive数据仓库

1、PyHive

PyHive通过与HiveServer2通讯来操作Hive数据。当hiveserver2服务启动后，会开启10000的端口，对外提供服务，此时PyHive客户端通过JDBC连接hiveserver2进行Hive SQL操作

安装PyHive模块：

pip install pyhive

前提条件：

1） 启动Hadoop集群

2） 使用hiveserver2开启Hive的JDBC服务

基本使用：

import pandas as pd
from pyhive import hive

# 连接Hive服务端
conn = hive.Connection(host='bd91', port=10000, database='default')
cursor = conn.cursor()

# 执行HQL
cursor.execute("select * from stu")

# 转换为Pandas DataFrame
columns = [col[0] for col in cursor.description]
result = cursor.fetchall()

df = pd.DataFrame(result, columns=columns)
print(df.to_string())

2、Impala

Python连接Hive也可以使用Impala查询引擎。Impala和Hive的通信方式与PyHive不同，Impala通过Thrift和Hive Metastore服务端建立连接，获取元数据信息，进而与HDFS交互

Thrift是一个轻量级、跨语言的RPC框架，主要用于服务间的RPC通信。Thrift由Facebook于2007年开发，2008年进入Apache开源项目

SASL模块是Python中用于实现SASL（Simple Authentication and Security Layer）认证的第三方库，提供了对各种SASL机制的支持，例如与Kafka、Hadoop等进行安全通信

经过验证，以下模块都是Python连接Hive的环境依赖：

pip install bitarray
pip install bit_array
pip install thrift
pip install thriftpy
pip install pure_sasl
pip install --no-deps thrift-sasl==0.2.1

安装Impala模块：

pip install impyla

如果安装Impala报错：

ERROR: Failed building wheel for impyla

则需要下载对应的whl文件安装：

Python扩展包whl文件下载：https://www.lfd.uci.edu/~gohlke/pythonlibs/

Ctrl+F查找需要的whl文件，点击下载对应版本

安装：

pip install whl文件绝对路径

基本使用：

from impala.dbapi import connect
from impala.util import as_pandas

# 连接Hive
conn = connect(host='bd91', port=10000, auth_mechanism='PLAIN', user="root", password="123456", database="default")
# 创建游标
cursor = conn.cursor()
# 执行查询
cursor.execute("select * from stu")
# 将结果转换为Pandas DataFrame
df = as_pandas(cursor)
print(df.to_string())
# 执行查询
cursor.execute("select * from hivecrud.s_log limit 3")
# 结果转换为Pandas DataFrame
df = as_pandas(cursor)
print(df.to_string())
# 关闭连接
cursor.close()
conn.close()

结果如下：