Hive的原理和基本用法

一、Hive的概述

1、Hive的定义

Hive是基于Hadoop的一个数据仓库工具，可以将结构化的数据文件映射为一张数据库表，并提供类SQL进行数据读取、写入和管理。

2、Hive的架构图

hive的各个组成部分介绍：

• 用户接口：包括 CLI、JDBC/ODBC、WebGUI。
• 元数据存储：通常是存储在关系数据库如 mysql , derby中。
• 用户接口主要由三个：CLI、JDBC/ODBC和WebGUI。其中，CLI为shell命令行；JDBC/ODBC是Hive的JAVA实现，与传统数据库JDBC类似；WebGUI是通过浏览器访问Hive。
• 元数据存储：Hive 将元数据存储在数据库中。Hive 中的元数据包括表的名字，表所属的数据库，表的列和分区及其属性（是否为外部表），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。

3、Hive与Hadoop的关系

a、Hive的数据是存放在Hadoop之上的；

b、Hive的数据分为两个部分：数据+元数据；元数据是记录数据的数据，这里记录着表名、所属的数据库、列（名/类型/index）、表类、表数据和分区及其在hadoop的目录。

c、Hive将SQL进行解析，然后开启MR任务在Hadoop上运行。

4、Hive的执行引擎

hive的执行引擎包括：MapReduce、Tez和Spark；只要通过一个参数就能够切换底层的执行引擎。

5、Hive的参数配置

1）元数据库连接配置

<property>
      <name>javax.jdo.option.ConnectionURL</name>
      <value>jdbc:mysql://XXX:3306/databaseName?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>

2）显示当前使用数据库和表结构名称配置

<property>
        <name>hive.cli.print.current.db</name>
      <value>true</value>
    </property>
   <property>
      <name>hive.cli.print.header</name>
      <value>true</value>
    </property>

3）也可以使用set hive.cli.print.current.db = true的方式，使之在当前界面生效。

6、hive和RDBMS的关系

• 相同点：都是使用sql，都支持事务（hive用的很少）和支持insert/update/delete。
• 不同点：1）体量不同/集群规模   2）延迟/时性

二、Hive的常用命令

1、创建数据库

a、Create database if not exists test；

自己创建的数据库，默认存放在：/user/hive/warehouse/test.db目录中

b、创建数据库，同时制定目录

create database if not exists  test location  ‘/test/directory’;

c、创建数据库，同时添加描述信息

create database if not exists test comment ‘this is a  database’ With  DBPROPERTIES('creator'='me','date'='9012-12-17')

2、Hive常用的数据类型

数值类型：int bigint float double decimal

字符串类型：Stirng 90%

布尔类型： boolean：true  false

日期类型：date timestamp

3、Hive的表格类型

Hive的表格分为内部表和外部表。

内部表删除时：HDFS的数据和Meta都会被删除；

外部表删除时：HDFS的数据不会被删除，只是Meta上的数据会被删除，安全起见，最好创建外部表。

a、创建外部表的格式

create external table emp_external (empno int,ename string,job string,mgr int,hiredate string,sal double, comm double,deptno int) row format DELIMITED FIELDS TERMINATED BY '\t' Location '/test/externaltable/emp';

加载数据到外部表

Load data Local inpath  '/home/hadoop/data/emp.txt' into table emp;

b、创建内部表

• 只是创建表结构，不包含数据： create table emp2 like emp；
• 既创建表结构，也包含数据：create table emp3 like emp；

4、Hive的表的分区和分桶

• 分区列并不是一个“真正的”表字段，其实是HDFS上表对应的文件下的一个文件夹

create table order_partition(order_no string,event_time string) partitioned by（event_month string）ROW Format Delimited Fields terminated By '\t';

Load DATA  Local inpath '/home/hadoop/data/order_created.txt'  Into table order_partition PARTITION(event_month='2015-05');

• 分区表加载数据的时候一定要指定分区字段；对于分区表操作，如果你的数据是写入到HDFS中，默认SQL是查询不到的，因为元数据中没有；如果想用SQL查询，需要添加表分区

Alter table  order_partition ADD if not exists Partition（event_month='2015-07'）;

• 多级分区：为表格指定多个分区

create table order_mulit_partition(order_no String,event_time string) Partition by(event_month String,step String) Row format Delimited Fields Terminated By '\t';

Load Data Local Inpath '/home/hadoop/data/order_mulit_partition Into Table order_mulit_partition Partition(event_month='2014-06',step='2');

• 使用分区表时，加载数据一定要指定我们的所有分区字段

Create table emp_parititon(empno int,ename string,job string,mgr int,hiredate string,sal double,comm double) Partition By(deptno int) Row Format Delimited Fields Terminated By '\t';

Insert Overwrite Table emp_partition Partition(deptno=10) select empno,ename,job,mgr,hiredate,sal,comm form emp where deptno=10;

• 动态分区

Create table emp_dynamic_partition(empno int,ename string,job string,mgr int,hiredate string, sal double,comm double) Partition by(deptno int) Row Format Delimited Fields Terminated By '\t';

Insert Overwrite Table emp_dynamic_partition Partition(deptno) select empno,ename,job,mgr,hiredate,sal comm form emp;

5、几个关键字介绍

Load Data Local Inpath 'home/hadoop/data/order_created.txt'  [Overwrite] into table order_mulit_parititon Partition (event_month='2014-05',step='1')

• Load Data:加载数据
• INPATH：指定路径
• Overwrite：数据覆盖，没有的话就是追加。

6、数据导入的另外两种方式

• CTAS：表不能实现存在（create table .. as select ..）
• Insert方式：表必须事先存在，表格字段必须顺序书写，不能乱 ，否则查询时会出错，找不到该字段

Insert overwrite table emp4 select empo，job，ename，mgr hiredate，sal，comm,deptno from emp；

from emp insert into table emp4 select *；

7、分组查询时注意的事项

• where只是对单项进行限制，分组限制要使用hiving
• select 中出现的字段，如果没有出现在group by 中，则必须出现在聚合函数中

select deptno,avg(sal) avg_sal from emp group by deptno having avg_sal >2000;

8、Hive中MR的使用设置

通过设置hive中的参数可以部分限制MR的使用级别，默认Select * from table；是不用走mapReduce的；涉及到多对一的聚合函数：多进一出，则必然使用MapReduce，比如：max，min，count，sum，avg。