二十五、Hadoop学记笔记————Hive复习与深入

Hive主要为了简化MapReduce流程，使非编程人员也能进行数据的梳理，即直接使用sql语句代替MapReduce程序

Hive建表的时候元数据（表明，字段信息等）存于关系型数据库中，数据存于HDFS中。

此元数据与HDFS中的元数据需要区分清楚，HDFS中元数据（文件名，文件长度等）存于Namenode中，数据存于Datanode中。

本次使用的是hive1.2.2版本

下载完毕之后解压：

将default文件复制一份成site文件，然后打开site文件，清空其内容，然后配置如下参数：

hive.metastore.local表示元数据存于本地

其中jdbc的hive是mysql中，提供给hive的database的名称，可自行修改，后续是登录的账号和密码，可以使用root，也可以新建一个hive用户，本机采用的是新建一个hive用户。

之后将mysql的jdbc驱动放入hive的lib目录下：

之后安装mysql，并在mysql下create名为hive的数据库，本机使用mysql5.7，数据库安装不做描述：

在hive中新建的表的表结构会在mysql中相应的databse内存储：

之后在例举一个复杂点的数据表，主要包含了数组型字段和map型字段，并且附带partition分区，例子来源于hive官网：

CREATE TABLE user_info(

id INT,
name STRING,
hobby ARRAY < STRING >,
goodatlol MAP < STRING, STRING >
)
PARTITIONED BY(dt STRING)
ROW FORMAT DELIMITED
FIELDS TERMINATED BY '\t'
COLLECTION ITEMS TERMINATED BY ','
MAP KEYS TERMINATED BY ':'
STORED AS TEXTFILE;

先新建一个user_info表：

其中hobby为数组型字段，goodatlol为map型字段。fields的分隔符'\t'表示文件每一行的分隔符，collection的分隔符','表示数组型字段的分隔符，map的分隔符':'表示map字段的分隔符。

这时候在hdfs的该路径下回出现一个文件夹user_info：

由此可见，hive中的数据表，表结构的元数据存在所连接的关系型数据库中，而数据信息存于hdfs。

之后录入信息，新建文件，名字不限，内容如下：

load data local inpath '/home/tyx/temp/userinfo' into table user_info;

可用查询语句得出ttt同学喜欢上单风男：

之后在hdfs的user_info路径下还会出现分区：

前面讲述的是建表和查询，现在说一个插入比较常用的方法，由于Hive是数据仓库，主要作用是用来存放、查询和统计数据，因此插入一般是直接覆盖，而不会像Mysql那样经常一条一条的插入。在Hive中，Insert into默认是关闭的，需要做一些配置才能开启，感兴趣的朋友可以自行查询，此处只介绍insert overwrite方法，标准语法如下（源自官方文档）：

INSERT OVERWRITE TABLE tablename1 [PARTITION (partcol1=val1, partcol2=val2 ...) [IF NOT EXISTS]] select_statement1 FROM from_statement;

意思就是从一个语句中读取所有数据并覆盖原数据。前面也提到Hive一般用来做统计查询，通常情况下统计所需要的字段可能分布在好几张数据表上。就算只存在于一张数据表，那统计所需要的字段也只有2到3个，新建一个表专门用来查询也可以提高查询效率。

新建一个user_test表：

这个表相较于user_info表没有goodatlol字段和partition分区。

然后使用insert overwrite语句，将user_info中的id，name和hobby插入到user_test中来。

可以看到这时user_info中的name为ttt和zzz的数据都已经插入到了表user_info中，这时在该表中进行统计查询效率会比在user_info中快。

该语句在下面场景会非常实用，比如一个表A很很多字段，其中1号程序员需要用到A中的1、2、3字段做统计分析，程序员2号需要用到A中的3、6、8字段做统计分析，那么1号和2号分别都键自己的统计表会更加有效率