hive架构及其安装和简单使用

目录

一、hive是什么

二、hive的概念及架构

1、概念

2、架构

三、hive的安装及使用

四、hive的基本操作

---

一、hive是什么

        HIve是建立在Hadoop上的数据仓库基础架构。
        

二、hive的概念及架构

1、概念

它提供了一系列的工具，可以用来进行数据提取转化加载（ETL ），这是一种可以存储、查询和分析存储在 Hadoop  中的大规模数据的机制。Hive 定义了简单的类 SQL  查询语言，称为 HQL ，它允许熟悉 SQL  的用户查询数据。同时，这个语言也允许熟悉 MapReduce  开发者的开发自定义的 mapper  和 reducer  来处理内建的 mapper 和 reducer  无法完成的复杂的分析工作。

        数据仓库，英文名称为Data Warehouse，可简写为DW或DWH。数据仓库，是为企业所有级别的决策制定过程，提供所有类型数据支持的战略集合。它出于分析性报告和决策支持目的而创建。为需要业务智能的企业，提供指导业务流程改进、监视时间、成本、质量以及控制。

        Hive是SQL解析引擎，它将SQL语句转译成M/R Job然后在Hadoop执行。

        Hive的表其实就是HDFS的目录，按表名把文件夹分开。如果是分区表，则分区值是子文件夹，可以直接在M/R Job里使用这些数据。

        Hive相当于hadoop的客户端工具，部署时不一定放在集群管理节点中，可以放在某个节点上

2、架构

1）hive与传统数据库比较

查询语言	HiveQL	SQL
数据存储位置	HDFS	Raw Device or 本地FS
数据格式	用户定义	系统决定
数据更新	不支持（1.x以后版本支持） （insert into）	支持（insert into）
索引	新版本有，但弱	有
执行	MapReduce	Executor
执行延迟	高	低
可扩展性	高	低
数据规模	大	小

1. 查询语言。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。所有 Hive 的数据都是存储在 HDFS 中的。而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. 数据格式。Hive 中没有定义专门的数据格式。而在数据库中，所有数据都会按照一定的组织存储，因此，数据库加载数据的过程会比较耗时。

4. 数据更新。Hive 对数据的改写和添加比较弱化，0.14版本之后支持，需要启动配置项。而数据库中的数据通常是需要经常进行修改的。

5. 索引。Hive 在加载数据的过程中不会对数据进行任何处理。因此访问延迟较高。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。

6. 执行计算。Hive 中执行是通过  MapReduce 来实现的而数据库通常有自己的执行引擎。

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。 

2）hive的储存格式

Hive的数据存储基于Hadoop HDFS。 Hive没有专门的数据文件格式,常见的有以下几种。

TextFile（常用）

 TEXTFILE 即正常的文本格式，是Hive默认文件存储格式，因为大多数情况下源数据文件都是以text文件格式保存（便于查看验数和防止乱码）。此种格式的表文件在HDFS上是明文，可用hadoop fs -cat命令查看，从HDFS上get下来后也可以直接读取。         TEXTFILE 存储文件默认每一行就是一条记录，可以指定任意的分隔符进行字段间的分割。但这个格式无压缩，需要的存储空间很大。虽然可结合Gzip、Bzip2、Snappy等使用，使用这种方式，Hive不会对数据进行切分，从而无法对数据进行并行操作。 一般只有与其他系统由数据交互的接口表采用TEXTFILE 格式，其他事实表和维度表都不建议使用。

SEQUENCEFILE

 SequenceFile是Hadoop API 提供的一种二进制文件，它将数据以<key,value>的形式序列化到文件中。这种二进制文件内部使用Hadoop 的标准的Writable 接口实现序列化和反序列化。它与Hadoop API中的MapFile 是互相兼容的。Hive 中的SequenceFile 继承自Hadoop API 的SequenceFile，不过它的key为空，使用value 存放实际的值， 这样是为了避免MR 在运行map 阶段的排序过程。         SequenceFile支持三种压缩选择：NONE, RECORD, BLOCK。 Record压缩率低，一般建议使用BLOCK压缩。 SequenceFile最重要的优点就是Hadoop原生支持较好，有API，但除此之外平平无奇，实际生产中不会使用。

AVRO

 Avro是一种用于支持数据密集型的二进制文件格式。它的文件格式更为紧凑，若要读取大量数据时，Avro能够提供更好的序列化和反序列化性能。并且Avro数据文件天生是带Schema定义的，所以它不需要开发者在API 级别实现自己的Writable对象。Avro提供的机制使动态语言可以方便地处理Avro数据。最近多个Hadoop 子项目都支持Avro 数据格式，如Pig 、Hive、Flume、Sqoop和Hcatalog。

RCFile:

Record Columnar的缩写。是Hadoop中第一个列文件格式。能够很好的压缩和快速的查询性能。通常写操作比较慢，比非列形式的文件格式需要更多的内存空间和计算量。 RCFile是一种行列存储相结合的存储方式。首先，其将数据按行分块，保证同一个record在一个块上，避免读一个记录需要读取多个block。其次，块数据列式存储，有利于数据压缩和快速的列存取。

ORCFile:（常用）

Hive从0.11版本开始提供了ORC的文件格式，ORC文件不仅仅是一种列式文件存储格式，最重要的是有着很高的压缩比，并且对于MapReduce来说是可切分（Split）的。因此，在Hive中使用ORC作为表的文件存储格式，不仅可以很大程度的节省HDFS存储资源，而且对数据的查询和处理性能有着非常大的提升，因为ORC较其他文件格式压缩比高，查询任务的输入数据量减少，使用的Task也就减少了。ORC能很大程度的节省存储和计算资源，但它在读写时候需要消耗额外的CPU资源来压缩和解压缩，当然这部分的CPU消耗是非常少的

Parquet:

   通常我们使用关系数据库存储结构化数据，而关系数据库中使用数据模型都是扁平式的，遇到诸如List、Map和自定义Struct的时候就需要用户在应用层解析。但是在大数据环境下，通常数据的来源是服务端的埋点数据，很可能需要把程序中的某些对象内容作为输出的一部分，而每一个对象都可能是嵌套的，所以如果能够原生的支持这种数据，这样在查询的时候就不需要额外的解析便能获得想要的结果。         Parquet的灵感来自于2010年Google发表的Dremel论文，文中介绍了一种支持嵌套结构的存储格式，并且使用了列式存储的方式提升查询性能。Parquet仅仅是一种存储格式，它是语言、平台无关的，并且不需要和任何一种数据处理框架绑定。这也是parquet相较于orc的仅有优势：支持嵌套结构。Parquet 没有太多其他可圈可点的地方,比如他不支持update操作(数据写成后不可修改),不支持ACID等.

三、hive的安装及使用

我们的版本约定：

        JAVA_HOME=/usr/local/soft/jdk1.8.0_171

        HADOOP_HOME=/usr/local/soft/hadoop-2.7.6

        HIVE_HOME=/usr/local/soft/hive-1.2.1     

前提：需要安装完Mysql和hadoop，需保证hadoop在启动状态

开始安装hive

1.解压

tar -zxvf /usr/local/moudle/apache-hive-1.2.1-bin.tar.gz -C /usr/local/soft/

2.修改目录名称为hive-1.2.1

cd /usr/local/soft/

mv apache-hive-1.2.1-bin/ hive-1.2.1

3.备份配置文件

cd /usr/local/soft/hive-1.2.1/conf

cp hive-env.sh.template hive-env.sh

hive-default.xml.template hive-site.xml

4.修改配置文件

vim hive.env.sh

新加三行配置(路径不同就更具实际情况来):

HADOOP_HOME=/usr/local/soft/hadoop-2.7.6

JAVA_HOME=/usr/local/soft/jdk1.8.0_171

HIVE_HOME=/usr/local/soft/hive-1.2.1

5.修改配置文件

vim hive-site.xml

修改对应的配置参数

<property>

<name>javax.jdo.option.ConnectionURL</name>

<value>jdbc:mysql://master:3306/hive?characterEncoding=UTF-8&createDatabaseIfNotExist=true&useSSL=false</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.querylog.location</name>

<value>/usr/local/soft/hive-1.2.1/tmp</value>

</property>

<property>

<name>hive.exec.local.scratchdir</name>

<value>/usr/local/soft/hive-1.2.1/tmp</value>

</property>

<property>

<name>hive.downloaded.resources.dir</name>

<value>/usr/local/soft/hive-1.2.1/tmp</value>

</property>

6.复制mysql连接工具包到hive/lib

cd /usr/local/soft/hive-1.2.1

cp /usr/local/moudle/mysql-connector-java-5.1.49.jar  /usr/local/soft/hive-1.2.1/lib/

7.删除hadoop中自带的jline-2.12.jar

位置在/usr/local/soft/hadoop-2.7.6/share/hadoop/yarn/lib/jline-2.12.jar

                rm -rf /usr/local/soft/hadoop-2.7.6/share/hadoop/yarn/lib/jline-2.12.jar

8.把hive自带的jline-2.12.jar复制到hadoop中

hive中所在位置 /usr/local/soft/hive-1.2.1/lib/jline-2.12.jar

cp  /usr/local/soft/hive-1.2.1/lib/jline-2.12.jar /usr/local/soft/hadoop-2.7.6/share/hadoop/yarn/lib/

9、添加环境变量、然后刷新

刷新配置：source  /etc/profile 

10.启动

        hive

11、出现一下界面代表安装成功

 12、测试hive

        01、在hive中创建test1数据库

                create database test1;

        02、切换test1数据库：

                use test1;

        03、创建students表：

                create table students(

                    id bigint comment '学生id',

                    name string comment '学生姓名',

                    age int comment '学生年龄',

                    gender string comment '学生性别',

                    clazz string comment '学生班级'

                ) comment '学生信息表'

                ROW FORMAT DELIMITED FIELDS TERMINATED BY ',';

                以'，'结束的行格式分隔字段

                [ row format delimited fields terminated by ‘,’   ]

        04、创建score表：

                create table score(

                    id bigint comment '学生id',

                    score_id bigint  comment '科目id',

                    score int comment '学生成绩'

                ) comment '学生成绩表'  

                ROW FORMAT DELIMITED FIELDS TERMINATED BY ',';  

        05、查看表信息：

                desc students;

                desc score;

四、hive的基本操作

常用的2个：CLI，JDBC/ODBC

        CLI，即Shell命令行

        JDBC/ODBC 是 Hive 的Java，与使用传统数据库JDBC的方式类似。

        Hive 将元数据存储在数据库中(metastore)，目前只支持 mysql、derby。

        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；由解释器、编译器、优化器完成 HQL 查询语句从词法分析、语法分析、编译、优化以及查询计划（plan）的生成。生成的查询计划存储在 HDFS 中，并在随后由 MapReduce 调用执行。

        Hive 的数据存储在 HDFS 中，大部分的查询由 MapReduce 完成（包含 * 的查询，比如 select * from table 不会生成 MapRedcue 任务）

Hive的metastore

        metastore是hive元数据的集中存放地。

        metastore默认使用内嵌的derby数据库作为存储引擎         

        Derby引擎的缺点：一次只能打开一个会话 使用MySQL作为外置存储引擎，多用户同时访问

        metastore是hive元数据的集中存放地。 metastore默认使用内嵌的derby数据库作为存储引擎         Derby引擎的缺点：一次只能打开一个会话 使用MySQL作为外置存储引擎，多用户同时访问         元数据库详解见：查看mysql SDS表和TBLS表         https://blog.csdn.net/haozhugogo/article/details/73274832