HIVE---基于Hadoop的数据仓库工具讲解

Hadoop：

Hadoop是一个由Apache基金会所开发的分布式系统基础架构。用来开发分布式程序。充分利用集群的威力进行高速运算和存储。
Hadoop实现了一个分布式文件系统（Hadoop Distributed File System），简称HDFS。  
Hadoop框架最核心的设计就是：HDFS和MapReduce。HDFS为海量的数据提供了存储，MapReduce则为海量的数据提供了计算。

Hadoop体系结构：

hive:

一、什么是hive

Hive是部署在hadoop集群上的数据仓库工具。        
数据库和数据仓库的区别：
数据库（如常用关系型数据库）可以支持实时增删改查。
数据仓库不仅仅是为了存放数据，它可以存放海量数据，而且可以查询、分析和计算存储在Hadoop 中的大规模数据。但他有一个弱点，他不能进行实时的更新、删除等操作。也就是一次写入多次读取。

Hive 也定义了简单的类 SQL 查询语言，称为 QL ，它允许熟悉 SQL  的用户查询数据。现在hive2.0也支持更新、索引和事务，几乎SQL的其它特征都能支持。
Hive支持SQL92大部分功能，我们暂时可以把 hive理解成一个关系型数据库，语法和MySQL是几乎是一样的。
Hive是Hadoop 上的数据仓库基础构架之一，是SQL解析引擎,它可以将SQL转换成MapReduce任务,然后在Hadoop执行。

二、hive的部署与安装

Hive只在一个节点上安装即可

1.上传tar包

apache-hive-1.2.1-bin.tar.gz

2.解压

tar -zxvf hive-0.9.0.tar.gz -C /cloud/

3.配置mysql  metastore 元数据库（切换到root用户）

配置HIVE_HOME环境变量

rpm -qa | grep mysql

rpm -e mysql-libs-5.1.66-2.el6_3.i686 --nodeps

rpm -ivh MySQL-server-5.1.73-1.glibc23.i386.rpm

rpm -ivh MySQL-client-5.1.73-1.glibc23.i386.rpm

修改mysql的密码

/usr/bin/mysql_secure_installation

（注意：删除匿名用户，允许用户远程连接）

登陆mysql

mysql -u root -p

4.配置hive

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

修改hive-site.xml（删除所有内容，只留一个<property></property>）

添加如下内容：

<property>

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

　　　　<value>jdbc:mysql://xcloud36:3306/hive?createDatabaseIfNotExist=true</value>

<description>JDBC connect string for a JDBC metastore</description>

</property>

<property>

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

<value>com.mysql.jdbc.Driver</value>

<description>Driver class name for a JDBC metastore</description>

</property>

<property>

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

<value>root</value>

<description>username to use against metastore database</description>

</property>

<property>

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

<value>123</value>

<description>password to use against metastore database</description>

</property>

5.安装hive和mysq完成后，将mysql的连接jar包拷贝到$HIVE_HOME/lib目录下

如果出现没有权限的问题，在mysql授权(在安装mysql的机器上执行)

mysql -uroot -p

#(执行下面的语句  *.*:所有库下的所有表   %：任何IP地址或主机都可以连接)

GRANT ALL PRIVILEGES ON *.* TO 'root'@'%' IDENTIFIED BY '123' WITH GRANT OPTION;

FLUSH PRIVILEGES;

6.启动hive

进入hive的安装的home目录下的bin目录

[Neo@iZ25at60yr9Z bin]$ pwd

/home/Neo/apache-hive-1.2.1-bin/bin

执行hive脚本

[Neo@iZ25at60yr9Z bin]$ ./hive

Cannot find hadoop installation: $HADOOP_HOME or $HADOOP_PREFIX must be set or hadoop must be in the path

三、Hive的系统架构

• 用户接口，包括 CLI（Shell命令行)，JDBC/ODBC，WebUI
• MetaStore元数据库，通常是存储在关系数据库如 mysql, derby 中
• Driver 包含解释器、编译器、优化器、执行器
• Hadoop：用 HDFS 进行存储，利用 MapReduce 进行计算

Hive的表和数据库，对应的其实是HDFS（ Hadoop分布式文件系统）的目录/文件，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MapReduce Job里使用这些数据。

四、hive的元数据库以及数据存储方式

Hive的MetaStore，集中存储元数据的一个库,可以叫它元数据库。
元数据库保存的是不是我们要计算的数据？不是，元数据库中并没有保存我们要计算的数据，我们要计算的数据是存放在HDFS（分布式文件系统）里。
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表的描述信息。真正要处理的数据在HDFS里。
元数据通常是存储在关系数据库如 mysql, derby 中。

Metastore默认使用内嵌的derby数据库作为存储引擎
Derby引擎的缺点：不支持多链接，一次只能打开一个会话
使用MySql作为外置存储引擎，支持多用户同时访问，所以一般将MySQL作为Hive的MetaStore。
Hive 的数据存储在 HDFS 中，大部分SQL转换成 MapReduce 任务来完成。（全表扫描，比如 select * from table 不会就生成 MapRedcue 任务）

hive> create table test(id int,name string) row format delimited fields terminated by '\t';

hive> load data local inpath ‘/home/hadoop/test/test.txt’ into table test;

五、hive 数据类型

Hive数据类型分为基础数据类型和复杂数据类型。
基础数据类型包括：
数字  TINYINT,SMALLINT,INT/INTEGER,BIGINT,FLOAT,DOUBLE
字符串：
    STRING,CHAR,VARCHAR
日期/时间类型
  TIMESTAMP,DATE,INTERVAL     （没有datetime）
其他类型
    BOOLEAN

复杂类型包括  ARRAY,MAP,STRUCT,UNION，这些复杂类型是由基础类型组成的。
arrays: ARRAY<data_type>
maps: MAP<primitive_type, data_type>
structs: STRUCT<col_name : data_type [COMMENT col_comment],...>
union: UNIONTYPE<data_type, data_type,...>

六、hive与依赖环境的交互

与linux交互：

hive> !pwd;                          #查看路径
hive> !ls;                               #查看有哪些文件

与hdfs交互：

hive> dfs -ls / ;                      #查看hdfs下目录
hive> dfs -mkdir /haha;        #hdfs下创建目录haha

七、hive表的基本操作

Hive的数据模型-表的分类：
Table  内部表
External Table  外部表
Partition  分区表
Bucket  Table 桶表

Hive的数据模型-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（对应目录和文件都会被删除）

创建数据文件inner_table.dat
创建表

hive>create table inner_table (id int,key string);

加载数据

hive>load data local inpath  '/var/lib/hadoop-hdfs/test/inner_table.dat'  into table inner_table;

查看数据

select * from inner_table
select count(*) from inner_table  （也可以排序）

删除表

 drop table inner_table

Hive的数据模型- 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，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

/data/student/text.txt

创建外部表：

create external table ext_student(id int,
name string) row format delimited fields terminated by '\t' location '/data/student';

加载数据

load data inpath '/home/external_table1.dat' into table ext_student;

查看数据

select * from ext_student;
select count(*) from ext_student;

删除表

drop table ext_student;

Hive的数据模型-分区表

创建分区是为了提高查询效率，在数据量非常大的时候一定要优先考虑分区，
partition 分区对应于数据库的 partition 列的密集索引
在 Hive 中，表中的一个 partition 分区对应于表下的一个目录，所有的 partition 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：

/user/hive/warehouse/test/date=20130201/city=beijing

对应于date=20130202, city=sh 的HDFS 子目录为：

 /user/hive /warehouse/test/date=20130202/city=shanghai

创建数据文件

beauty_ch.txt    beauty_uk.txt     beauty_us.txt

创建外部分区表：

create external table beauties(id bigint,name string,age double) partitioned by (nation string) row format delimited fields terminated by '\t' location '/data/beauty';

加载数据到分区

 load data local inpath
'/var/lib/hadoop-hdfs/test/beauty_ch.txt' into table beauties partition (nation='China');

修改表分区

alter table beauties add partition (nation='UK') location '/data/beauty/nation=UK';

•  查看数据

select * from partition_table
select count(*) from partition_table

•  删除表

 drop table partition_table

Hive的数据模型—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。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。
创建表

    create table bucket_t1(id string) clustered by(id) into 6 buckets;
                         ------表里的数据根据ID分成了6桶

加载数据

create table t2(id string);

load data local inpath '/var/lib/hadoophdfs/test/bucket_test' into table t2;

insert overwrite table bucket_t1 select id from t2;

删除表时，元数据与数据都会被删除（对应目录和文件都会被删除）

   drop table bucket_table;

桶表专门用于抽样查询，是很专业性的，不是日常用来存储数据的表，需要抽样查询时，才创建和使用桶表。

抽样查询:

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

八、Hive的JDBC/ODBC接口

用户可以像连接传统关系数据库一样使用JDBC或ODBC连接Hive

JDBC的具体连接过程
1.使用jdbc的方式连接Hive，首先做的事情就是需要启劢hive的Thrift Server,否则连接hive的时候会报connection refused的错误。
启动命令如下：
    hive --service hiveserver
2.新建java项目，然后将hive/lib下的所有jar包和hadoop的核心jar包hadoop-0.20.2-core.jar添加到项目的类路径上。Jar包版本要和hive版本一致。