什么是hive
Hive:由Facebook开源用于解决海量结构化日志(文本)的数据统计。Hive基于Hadoop来完成工作。
总结:基于hadoop的数据仓库工具,能将结构化 文件映射成一张表,并提供类sql查询,解决海量结构化日志的统计
本质
本质:工具,通过给用户提供一系列的交互接口,接收用户的指令Hql,使用自己的driver结合元数据,将这些指令翻译成mapreduce,提交到hadoop中执行,最后将结果返回到用户接口。
Hive和数据库比较
由于 Hive 采用了类似SQL 的查询语言 HQL,因此很容易将 Hive 理解为数据库。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。数据库可以用在 Online(在线) 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。
数据存储位置
hive是建立在hadoop之上的,因此hive的数据都是存放在hdfs中,而传统数据库的数据都是存放在本地文件系统或是块设备中
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。(hive可以分区,便于管理数据)
执行
现在hive的引擎在hive中放弃了Mr
元数据
hive的元数据默认保存在微型数据库derby中,一般通过配置保存在mysql中
缺点
1迭代式算法无法表达
2在数据挖掘方面不擅长
3自动生成Mr不够智能化
4粒度较粗,调比较困难
粗细粒度
粗粒度:程序启动时就分配好了资源,该程序就用分配好的资源,不需要再分配数据,适合作业多的情形,缺点是容易浪费资源
细粒度:需要的时候再分配,用完了就回收,缺点是启动麻烦
hive的安装
官网地址http://hive.apache.org/
文档查看地址:https://cwiki.apache.org/confluence/display/Hive/GettingStarted
下载地址:http://archive.apache.org/dist/hive/
安装及配置
解压
tar -zxvf apache-hive-1.2.1-bin.tar.gz -C /usr/local/hive
修改配置文件名称
mv hive-env.sh.template hive-env.sh
修改配置文件
export HADOOP_HOME=/usr/local/hadoop
export HIVE_CONF_DIR=/usr/local/hive/conf
启动yarn和hdfs
sbin/start-yarn.sh
sbin/start-dfs.sh
在hdfs上创建目录
bin/hadoop fs -mkdir -p /user/hive/warehouse
修改权限避免无法操作
bin/hadoop fs -chmod g+w /user/hive/warehouse
操作
启动
bin/hive
查看数据库
hive> show databases;
打开默认数据库
hive> use default;
创建表
hive> create table a(id int, name string);
查询数据
hive> select * from a;
插入数据
hive> insert into a values(100,“ab”);
退出
hive> quit;exit;
加载本地数据到hive中
hive> create table a(id int, name string);
load data local inpath ‘/usr/local/datas/a.txt’ into table a;
我们公司通常是通过sqoop将数据库中的数据全量或者增量的方式导入hive,再进行处理计算