hive

1.Hive

Hive 是建立在 Hadoop   上的数据仓库基础构架。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 QL ，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。

1.1在hadoop生态圈中属于数据仓库的角色。他能够管理hadoop中的数据，同时可以查询hadoop中的数据。

  本质上讲，hive是一个SQL解析引擎。Hive可以把SQL查询转换为MapReduce中的job来运行。
  hive有一套映射工具，可以把SQL转换为MapReduce中的job，可以把SQL中的表、字段转换为HDFS中的文件(夹)以及文件中的列。

  这套映射工具称之为metastore，一般存放在derby、mysql中。

Hive 是 SQL 解析引擎，它将 SQL 语句转译成 M/RJob 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/RJob 里使用这些数据。

1.2 hive在hdfs中的默认位置是/user/hive/warehouse，是由配置文件hive-conf.xml中属性hive.metastore.warehouse.dir决定的。

•用户接口，包括CLI，JDBC/ODBC，WebUI

•元数据存储，通常是存储在关系数据库如mysql, derby 中

•解释器、编译器、优化器、执行器

•Hadoop：用 HDFS进行存储，利用 MapReduce进行计算

用户接口主要有三个： CLI ， JDBC/ODBC 和 WebUI

1. CLI ，即 Shell 命令行

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

3. WebGUI 是通过浏览器访问 Hive

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

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，并在随后有 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）

2.hive的安装

  (1)解压缩、重命名、设置环境变量

把hive-0.9.0.tar.gz复制到/usr/local

解压hive-0.9.0.tar.gz与重命名

#cd /usr/local

#tar -zxvfhive-0.9.0.tar.gz

#mv hive-0.9.0 hive

修改/etc/profile文件。

#vi /etc/profile

增加

export HIVE_HOME=/usr/local/hive

修改

exportPATH=$JAVA_HOME/bin:$PATH:$HADOOP_HOME/bin:$HIVE_HOME/bin

保存退出

#source /etc/profile

  (2)在目录$HIVE_HOME/conf/下，执行命令mv hive-default.xml.template  hive-site.xml重命名
     在目录$HIVE_HOME/conf/下，执行命令mv hive-env.sh.template  hive-env.sh重命名
  (3)修改hadoop的配置文件hadoop-env.sh，修改内容如下：
     export HADOOP_CLASSPATH=.:$CLASSPATH:$HADOOP_CLASSPATH:$HADOOP_HOME/bin
  (4)在目录$HIVE_HOME/bin下面，修改文件hive-config.sh，增加以下内容：
     export JAVA_HOME=/usr/local/jdk
     export HIVE_HOME=/usr/local/hive

     export HADOOP_HOME=/usr/local/hadoop

启动

#hive

hive>show tables;

hive>create table test(id int,name string);

hive>quit;

观察：#hadoopfs -ls/user/hive

参数：hive.metastore.warehouse.dir

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

3.安装mysql

   
     查看mysql  rmp -qa |grep mysql
  (1)删除linux上已经安装的mysql相关库信息。rpm  -e  xxxxxxx   --nodeps
     执行命令rpm -qa |grep mysql 检查是否删除干净
  (2)执行命令 rpm -i   mysql-server-********  安装mysql服务端    
  (3)启动mysql 服务端，执行命令  mysqld_safe &
  (4)执行命令 rpm -i   mysql-client-********  安装mysql客户端
  (5)执行命令mysql_secure_installation设置root用户密码
4. 使用mysql作为hive的metastore
  (1)把mysql的jdbc驱动放置到hive的lib目录下
  (2)修改hive-site.xml文件，修改内容如下：  
    <property>
        <name>javax.jdo.option.ConnectionURL</name>
        <value>jdbc:mysql://hadoop0:3306/hive?createDatabaseIfNotExist=true</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>admin</value>
    </property>
     
   mysql中操作
      设置权限
      grant all on hive.* to 'root'@'%' identified by 'admin';
      刷新

      flush privileges;

Hive运行模式

Hive的运行模式即任务的执行环境

分为本地与集群两种

我们可以通过mapred.job.tracker 来指明

设置方式：

hive > SET mapred.job.tracker=local;

Hive 的启动方式

1 、 hive 命令行模式，直接输入 #/hive/bin/hive 的执行程序，或者输入 #hive --service cli

2 、 hive web 界面的 ( 端口号 9999) 启动方式

#hive --service hwi &

用于通过浏览器来访问hive

http://hadoop0:9999/hwi/

3 、 hive 远程服务 ( 端口号 10000) 启动方式

#hive --service hiveserver &

Hive与传统数据库

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	支持
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

Hive 中没有定义专门的数据格式，数据格式可以由用户指定，用户定

义数据格式需要指定三个属性：列分隔符（通常为空格、”\t”、”\x001″）、行

分隔符 （”\n”）以及读取文件数据的方法（Hive 中默认有三个文件格式

TextFile，SequenceFile以及 RCFile）。由于在加载数据的过程中，不需要从用

用户数据格式到 Hive定义的数据格式的转换，因此，Hive 在加载的过程中不会对数

据本身进行任何修改，而只是将数据内容复制或者移动到相应的 HDFS 目录中。而

在数据库中，不同的数据库有不同的存储引擎，定义了自己的数据格式。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。

Hive的数据类型

基本数据类型

tinyint/smallint/int/bigint

float/double

boolean

string

• 复杂数据类型

Array/Map/Struct

• 没有 date/ datetime

Hive的数据存储

Hive 的数据存储基于 Hadoop HDFS

Hive 没有专门的数据存储格式

存储结构主要包括： 数据库、文件、表、视图

Hive 默认可以直接加载文本文件（ TextFile ），还支持 sequence file

创建表时，指定 Hive 数据的列分隔符与行分隔符， Hive 即可解析数据

Hive的数据模型-数据库

类似传统数据库的 DataBase

默认数据库 "default"

使用#hive命令后，不使用hive>use <数据库名>，系统默认的数据库。可以显式使用hive> use default;

创建一个新库

hive > create database test_dw;

Hive的数据模型-表

Table 内部表

与数据库中的 Table 在概念上是类似

每一个 Table 在 Hive 中都有一个相应的目录存储数据。例如，一个表 test ，它在 HDFS 中的路径为： / warehouse/test 。 warehouse 是在 hive-site.xml 中由 ${ hive.metastore.warehouse.dir } 指定的数据仓库的目录

所有的 Table 数据（不包括 External Table ）都保存在这个目录中。

删除表时，元数据与数据都会被删除

创建数据文件inner_table.dat

创建表

hive>create tableinner_table (key string);

加载数据

hive>load data localinpath '/root/inner_table.dat' into table inner_table;

查看数据

select * from inner_table

select count(*) frominner_table

删除表drop table inner_table

删除表时可能报错max key length is 1000 bytes

把mysql的数据库字符类型改为latin1

Partition  分区表

Partition 对应于数据库的 Partition 列的密集索引

在 Hive 中，表中的一个 Partition 对应于表下的一个目录，所有的 Partition 的数据都存储在对应的目录中

例如：test表中包含date 和 city 两个 Partition，

则对应于date=20130201,city = bj的 HDFS 子目录为：

/warehouse/test/date=20130201/city=bj

对应于date=20130202,city=sh的HDFS 子目录为；

/warehouse/test/date=20130202/city=sh

一些相关命令

SHOW   TABLES; # 查看所有的表

SHOW   TABLES'*TMP*'; #支持模糊查询

SHOW  PARTITIONSTMP_TABLE; #查看表有哪些分区

DESCRIBE  TMP_TABLE; #查看表结构

创建数据文件 partition_table.dat

创建表

create table partition_table(rectimestring,msisdn string) partitionedby(daytime string,citystring) row format delimited fields terminated by '\t' stored as TEXTFILE;

加载数据到分区

load data local inpath'/home/partition_table.dat' into table partition_table partition (daytime='2013-02-01',city='bj');

查看数据

select * from partition_table

select count(*) from partition_table

•删除表 drop table partition_table

alter table partition_table add partition (daytime='2013-02-04',city=' bj ');

通过loaddata 加载数据

alter table partition_table drop partition (daytime='2013-02-04',city=' bj ')

元数据，数据文件删除，但目录daytime=2013-02-04还在

External Table 外部表

指向已经在 HDFS 中存在的数据，可以创建 Partition

它和内部表 在元数据的组织上是相同的，而实际数据的存储则有较大的差异

内部表的创建过程和数据加载过程（这两个过程可以在同一个语句中完成），在加载数据的过程中，实际数据会被移动到数据仓库目录中；之后对数据对访问将会直接在数据仓库目录中完成。删除表时，表中的数据和元数据将会被同时删除

外部表只有一个过程，加载数据和创建表同时完成，并不会移动到数据仓库目录中，只是与外部数据建立一个链接。当删除一个 外部表 时，仅删除该链接

创建数据文件 external_table.dat

创建表

hive>create externaltable external_table1 (key string) ROW FORMAT DELIMITED FIELDS TERMINATED BY'\t' location '/home/external';

在HDFS创建目录/home/external

#hadoopfs -put/home/external_table.dat /home/external

加载数据

LOAD DATA INPATH'/home/external_table1.dat' INTO TABLE external_table1;

查看数据

select * from external_table

select count(*) from external_table

删除表

drop table external_table

Bucket  Table 桶表

桶表是对数据进行哈希取值，然后放到不同文件中存储。

创建表

  createtable bucket_table(id string) clustered by(id) into 4 buckets; 

加载数据

  sethive.enforce.bucketing = true;

  insertinto table bucket_table select name from stu; 

  insertoverwrite table bucket_table select name from stu;

数据加载到桶表时，会对字段取hash值，然后与桶的数量取模。把数据放到对应的文件中。

抽样查询

  select* from bucket_table tablesample(bucket 1 out of 4 on id);

CREATE TABLE user_info_bucketed(user_idBIGINT, firstname STRING, lastname STRING)

COMMENT 'A bucketed copy of user_info'

PARTITIONED BY(ds STRING)

CLUSTERED BY(user_id) INTO 256 BUCKETS;

set hive.enforce.bucketing = true; 

FROM user_id

INSERT OVERWRITE TABLE user_info_bucketed

PARTITION (ds='2009-02-25')

SELECT userid, firstname, lastnameWHERE ds='2009-02-25';

5. 内部表
   CREATE TABLE t1(id int);  
   LOAD DATA LOCAL INPATH '/root/id' INTO TABLE t1;
   
   CREATE TABLE t2(id int, name string) ROW FORMAT DELIMITED FIELDS TERMINATED BY '\t';
6. 分区表
   CREATE TABLE t3(id int) PARTITIONED BY (day int);  
   LOAD DATA LOCAL INPATH '/root/id' INTO TABLE t3 PARTITION (day=22);   
7. 桶表
   create table t4(id int) clustered by(id) into 4 buckets;
   set hive.enforce.bucketing = true;
   insert into table t4 select id from t3;
8. 外部表

   create external table t5(id int) location '/external';  

导入数据

• 当数据被加载至表中时，不会对数据进行任何转换。 Load 操作只是将数据复制 / 移动至 Hive 表对应的位置。

LOAD DATA [LOCAL]INPATH 'filepath' [OVERWRITE]
    INTO TABLE tablename
    [PARTITION (partcol1=val1,partcol2=val2 ...)]

• 把一个 Hive 表导入到另一个已建 Hive 表

INSERT OVERWRITETABLE tablename [PARTITION (partcol1=val1,partcol2=val2 ...)] select_statement FROM from_statement

• CTAS

CREATE [EXTERNAL]TABLE [IF NOT EXISTS] table_name

  (col_namedata_type, ...)  …

  AS SELECT …

例：create table new_external_test as select * from external_table1;

• select

– SELECT [ALL | DISTINCT] select_expr , select_expr , ...

  FROM table_reference

  [WHERE where_condition]

  [GROUP BY col_list]

  [ CLUSTER BY col_list |[DISTRIBUTE BY col_list][SORT BY col_list] | [ORDERBY col_list] ]

  [LIMIT number]

• 基于 Partition 的查询 

一般 SELECT 查询是全表扫描。但如果是分区表，查询就可以利用分区剪枝（input pruning）的特性，类似“分区索引“”，只扫描一个表中它关心的那一部分。Hive 当前的实现是，只有分区断言（Partitioned by）出现在离 FROM子句最近的那个WHERE 子句中，才会启用分区剪枝。例如，如果page_views表（按天分区）使用 date 列分区，以下语句只会读取分区为‘2008-03-01’的数据。

 SELECT page_views.*   FROM page_views   WHERE page_views.date >= '2013-03-01' AND page_views.date <= '2013-03-01'

• LIMIT Clause

Limit 可以限制查询的记录数。查询的结果是随机选择的。下面的查询语句从 t1 表中随机查询5条记录：

SELECT * FROM t1LIMIT 5

• Top N 查询

下面的查询语句查询销售记录最大的 5 个销售代表。

SET mapred.reduce.tasks = 1

表连接

导入 ac 信息表

hive> create table acinfo (name string,acip string)  row format delimited fields terminated by'\t' stored as TEXTFILE;

hive> load data local inpath '/home/acinfo/ac.dat' into table acinfo;

内连接

select b.name,a.* from dim_ac a joinacinfo b on (a.ac=b.acip) limit 10;

左外连接

select b.name,a.* from dim_ac a left outer join acinfo b ona.ac=b.aciplimit 10;

UDF

1、UDF函数可以直接应用于select语句，对查询结构做格式化处理后，再输出内容。

2、编写UDF函数的时候需要注意一下几点：

a）自定义UDF需要继承org.apache.hadoop.hive.ql.UDF。

b）需要实现evaluate函数，evaluate函数支持重载。

4、步骤

a）把程序打包放到目标机器上去；

b）进入hive客户端，添加jar包：hive>add jar/run/jar/udf_test.jar;

c）创建临时函数：hive>CREATE TEMPORARY FUNCTIONadd_example AS 'hive.udf.Add';

d）查询HQL语句：

SELECT add_example(8, 9) FROM scores;

SELECT add_example(scores.math, scores.art)FROM scores;

SELECT add_example(6, 7, 8, 6.8) FROM scores;

e）销毁临时函数：hive> DROP TEMPORARY FUNCTIONadd_example;

注：UDF只能实现一进一出的操作，如果需要实现多进一出，则需要实现UDAF

显示所有函数：

hive> show functions;

查看函数用法：

hive> describe function substr;