Hive基础概念、安装部署与基本使用

1. Hive简介

1.1 什么是Hive

Hives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查询功能。

1.2 为什么使用Hive

① 直接使用Hadoop面临人员学习成功太高、项目周期要求太短、MapReduce实现复杂查询逻辑开发难度太大等问题；

② Hive操作接口采用类SQL语法，提供快速开发的能力，避免了去写MapReduce，减少开发人员的学习成本，扩展功能很方便。

1.3 Hive的特点

可扩展：Hive可以自由的扩展集群的规模，一般情况下不需要重启服务；

延展性：Hive支持用户自定义函数，用户可以根据自己的需求来实现自己的函数；

容错：良好的容错性，节点出现问题SQL仍可完成执行；

2. Hive架构

2.1 架构图

2.2 基本组件及其基本功能

用户接口：主要有三个，即CLI、JDBC/ODBC、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：通常将元数据存储在关系数据库如mysql，derby中。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、执行器。它们完成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，并在随后由MapReduce调用执行。

3. Hive与Hadoop的关系

Hive利用HDFS存储数据，利用MapReduce查询数据

图省略

4. Hive与传统数据库对比

总结：hive具有sql数据库的外表，但应用场景完全不同，hive只适合用来做批量数据统计分析。

5. Hive与Hbase对比

两者的共同点：

hbase与hive都是架构在hadoop之上的，都是用hadoop作为底层存储。

两者的区别：

1. Hive是建立在Hadoop之上为了减少MapReduce jobs编写工作的批处理系统，HBase是为了支持弥补Hadoop对实时操作的缺陷的项目；

2. 操作RMDB数据库，如果是全表扫描，就用Hive+hadoop，如果是索引访问，就用HBase+Hadoop；

3. Hive query就是MapReduce jobs可以从5分钟到数小时不止，HBase是非常高效的，肯定比Hive高效的多。

4. Hive本身不存储和计算数据，它完全依赖于HDFS和MapReduce，Hive中的表纯逻辑；

5. Hive借用hadoop的MapReduce来完成一些hive中的命令的执行；

6. HBase是物理表，不是逻辑表，提供一个超大的内存hash表，搜索引擎通过它来存储索引，方便查询操作；

7. HBase是列存储。所以HBase可以对数据进行增删改等操作，但是Hive是行的，只能追加数据；

8. hdfs作为底层存储，hdfs是存放文件的系统，而HBase负责组织文件；

6. Hive的数据存储

(1) Hive中所有的数据都存储在HDFS中，没有专门的数据存储格式(可支持Text，SequenceFile，ParquetFile，RCFILE等)；

(2) 只需要在创建表的时候告诉Hive数据中的列分隔符和行分隔符，Hive就可以解析数据；

(3) Hive中包含以下数据模型：DB、Table、External Table、Partition、Bucket。

a) DB：在HDFS中表现为${hive.metastore.warehouse.dir}目录下一个文件夹；

b) Table：在HDFS中表现所属DB目录下一个文件夹；

c) External Table：外部表，与Table类似，不过其数据存放位置可以在任意指定路径。

普通表：删除表后，HDFS上的文件都删了；

External外部表删除后，HDFS上的文件没有删除，只是把文件删除了。

d) Partition：在HDFS中表现为Table目录下的子目录；

e) Bucket：桶，在HDFS中表现为同一个表目录下根据hash散列之后的多个文件，会根据不同的文件把数据放到不同的文件中。

7. Hive的安装部署

安装的三种模式：

内嵌模式：元数据保持在内嵌的derby模式，只允许一个会话连接
本地独立模式：在本地安装Mysql，把元数据放到Mysql内
远程模式：元数据放置在远程的Mysql数据库

1. 利用Xftp工具将hive二进制安装包上传到HADOOP集群第一个节点node1上的/opt/uploads/目录，并解压，只需安装在hadoop集群上的其中一个节点就行

输入命令：  tar -zxvf apache-hive-2.2.0-bin.tar.gz 

   移动apache-hive-2.2.0-bin到/opt/app/目录： mv apache-hive-2.2.0-bin  /opt/app/

2. 配置环境变量，编辑/etc/profile，并生效环境变量，输入如下命令：

sudo vi /etc/profile

添加如下内容：

export HIVE_HOME=/opt/app/apache-hive-2.2.0-bin

export PATH=${HIVE_HOME}/bin:$PATH

source /etc/profile

3. 修改hive配置文件

进入hive配置文件的目录，cd /opt/app/apache-hive-2.2.0-bin/conf/

修改hive-env.sh文件，将以下内容写入到hive-env.sh文件中：

export HADOOP_HOME=/opt/app/hadoop-2.9.0
export JAVA_HOME=/usr/lib/java/jdk1.8.0_151
export HIVE_HOME=/opt/app/apache-hive-2.2.0-bin

4. 修改hive-log4j2.properties.template文件复制一份，重命名为hive-log4j2.properties

进入hive配置文件的目录，cd /opt/app/apache-hive-2.2.0-bin/conf/

 cp  hive-log4j2.properties.template  hive-log4j2.properties

5. 配置远程登录模式

touch hive-site.xml

将以下信息写入到hive-site.xml文件中，内容如下：

<configuration>
<property>
<name>javax.jdo.option.ConnectionURL</name>
<value>jdbc:mysql://192.168.187.200:3306/hive?createDatabaseIfNotExist=true&useSSL=false</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>admin</value>
<description>password to use against metastore database</description>
</property>
</configuration>

6. 安装mysql并配置hive数据库及权限

①安装mysql数据库及客户端并启动，如果mysql已安装则忽略

yum install mysql-server
yum install mysql
service mysqld start

②配置hive元数据库

create database hivedb

③对hive元数据库进行赋权，开放远程连接，开放localhost连接

grant all privileges on *.* to root@"%" identified by "root" with grant option;
grant all privileges on *.* to root@"localhost" identified by "root" with grant option;
flush privileges;

④放置jdbc驱动类

通过Xftp工具，把mysql-connector-java-5.1.27.jar包放置在hive安装目录下lib里面。

7. 初始化schema

./schematool -initSchema -dbType mysql createDatabaseIfNotExist=true (这个是hive2.20版本以上的，新增)

8. 运行hive命令即可启动hive

hive

8.Hive的使用方式

8.1 通过Hive交互shell

进入在Hive的安装目录下bin目录里找到命令 hive

输入命令 ./hive 进入hive的shell命令界面

8.2 通过Hive thrift服务

这种方式是把Hive启动为一个服务器，其他节点可以用beeline去连接Hive服务器。

进入到Hive安装目录下bin目录里，通过hiveserver2命令启动hive作为一个服务器

通过hiveserver2启动，启动方式有两种：

①启动为前台：./hiveserver2

②启动为后台： nohup ./hiveserver2  1>/var/log/hiveserver.log  2>/var/log/hiveserver.err &

启动成功后，可以在别的节点上用Hive安装目录下bin目录里的beeline命令去连接

方式（1）

./beeline 回车，进入beeline的命令界面

输入命令连接hiveserver2

beeline> !connect jdbc:hive2://hadoop1:10000 (hadoop1是hiveserver2所启动的那台主机名，端口默认是10000)

方式（2）

启动就连接

./beeline -u jdbc:hive2://hadoop1:10000 -n hadoop

接下来就可以执行正常sql查询了

9. HQL基本命令说明

9.1 DDL操作(Data Definition Language数据定义语言，包括建表，修改表结构)

9.1.1 创建表

建表语法

CREATE  [EXTERNAL]  TABLE  [IF  NOT  EXISTS]  table_name
[(col_name  data_type  [COMMENT  col_comment], ...)]
[COMMENT  table_comment]
[PARTITIONED  BY  (col_name  data_type  [COMMENT  col_comment], ...)]
[CLUSTERED  BY  (col_name, col_name, ...)   [SORTED BY  (col_name  [ASC|DESC],...)]   INTO  num_buckets  BUCKETS]
[ROW  FORMAT  row_format]
[STORED  AS  file_format]
[LOCATION  hdfs_path]

说明：

1、CREATE  TABLE 创建一个指定名字的表。如果相同名字的表已经存在，则抛出异常；用户可以用IF NOT EXISTS选项来忽略这个异常；

2、EXTERNAL 关键字可以让用户创建一个外部表，在建表的同时指定一个指向实际数据的路径（LOCATION），Hive创建内内部表时，会将数据移动到数据仓库指向的路径；若创建外部表，仅记录数据所在的路径，不对数据的位置做任何改变。在删除表的时候，内部表的元数据和数据会被一起删除，而外部表只删除元数据，不删除数据。

3、LIKE 允许用户复制现有的表结构，但是不复制数据。

4、CLUSTERED  BY  (col_name, col_name, ...)   [SORTED  BY  (col_name[ASC|DESC],...)]  INTO  num_buckets  BUCKETS]

对于每一个表（table）或者分区（partition），Hive可以进一步组织成桶，也就是说桶是更为细粒度的数据范围划分。Hive也是针对某一列进行桶的组织。Hive采用对列值哈希hash，然后除以桶的个数求余的方式决定该条记录存放在哪个桶当中。

把表（或者分区）组织成桶（Bucket）有两个理由：
（1）获得更高的查询处理效率。桶为表加上了额外的结构，Hive在处理某些查询时能利用这个结构。具体而言，连接两个在（包含连接列的）相同列上划分了桶的表，可以使用Map端连接（Map-side join）高效的实现。比如JOIN操作，对于JOIN操作两个表有一个相同的列，如果对这两个表都进行了桶操作。那么将保存相同列值的桶进行JOIN操作就可以，可以大大减少JOIN的数据量。
（2）使取样（sampling）更高效。在处理大规模数据集时，在开发和修改查询的阶段，如果能在数据集的一小部分数据上试运行查询，会带来很多方便。

5、ROW  FORMAT  DELIMITED  [FIELDS  TERMINATED  BY  char]
                                                   [COLLECTION  ITEMS  TERMINATED  BY  char]
                                                   [MAP  KEYS  TERMINATED  BY  char]
                                                   [LINES  TERMINATED  BY  char]
                                                   | SERDE  serde_name  [WITH  SERDEPROPERTIES  (property_name=property_value, property_name=property_value, ...)]

用户在建表的时候可以自定义SerDe 或者使用自带的SerDe。如果没有指定ROW FORMAT 或者ROW FORMAT DELIMITED，将会使用自带的SerDe。在建表的时候，用户还需要为表指定列，用户在指定表的列的同时也会指定自定义的SerDe，Hive通过SerDe确定表的具体的列的数据。

6、STORED  AS  file_format。file_format的类型有 SEQUENCEFILE、TEXTFILE、RCFILE

如果文件数据是纯文本，可以使用STORED AS TEXTFILE。如果数据需要压缩，使用STORED  AS  SEQUENCEFILE。

具体实例：

1、创建内部表mytable

create table if not exists mytable (sid int, sname string)
row format delimited fields terminated by '\005' stored as textfile;

查看表是否存在： show tables;

查看表的详细结构：desc mytable;

2、创建外部表pageview

create external table if not exists pageview(
pageid int,
page_url string comment 'The page URL'
)
row format delimited fields terminated by ','
location 'hdfs://192.168.187.201:9000/user/hive/warehouse';

查看表是否存在： show tables;

查看表的详细结构：desc pageview;

3、创建分区表invites

create table student(sno int, sname string, sex string, sage int, sdept string)
partitioned by (part string)
row format delimited fields terminated by ','
stored as textfile;

查看表是否存在： show tables;

查看表的详细结构：desc student;

4、创建带桶的表human

create table human(id int, age int, name string)
partitioned by(stat_date string)
clustered by(id) sorted by(age) into 2 buckets
row format delimited fields terminated by ',';

查看表是否存在： show tables;

查看表的详细结构：desc human;

9.1.2 修改表

增加/删除分区

语法结构：

ALTER TABLE table_name ADD [IF NOT EXISTS]
partition_spec [ LOCATION 'location1']
partition_spec [ LOCATION 'location2'] ...
ALTER TABLE table_name DROP partition_spec,partition_spec,...

partition_spec代表 PARTITION(partition_col=partition_col_value,partition_col=partition_col_value, ...)

具体实例：

添加student表的分区：alter table student add partition(part='a') partition(part='b');

添加student表的分区：alter table student add partition(part='c') location '/user/hive/warehouse/student' partition(part='d');

删除student表的分区：alter table student drop partition(part='a');

查看student表的分区：show partitions student;

重命名表

语法结构：

ALTER TABLE table_name RENAME TO  new_table_name;

具体实例：

alter table student rename to student1;

增加/更新列

语法结构：

ALTER  TABLE  table_name  ADD|REPLACE  COLUMNS  (col_name  data_type  [COMMENT  col_comment], ...)

注意：ADD是代表新增一字段，字段位置在所有列后面(partition 列前)，REPLACE则是表示替换表中所有字段。

ALTER  TABLE  table_name  CHANGE  [COLUMN]  col_old_name  col_new_name  column_type  [COMMENT  col_comment]  [FIRST|AFTER  column_name]

具体实例：

ADD增加列：

REPLACE替换字段：

9.1.3显示命令

show tables;
show databases;
show partitions table_name;
show functions;
desc extended table_name;
desc formatted table_name;

9.2 DML操作(Data Manipulation Language数据操作语言，包括数据载入导出)

9.2.1 Load

语法结构：

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

说明：

1、Load 操作只是单纯的复制/移动操作，将数据文件移动到Hive表对应的位置。

2、LOCAL关键字

如果指定了LOCAL，load命令会去查找本地文件系统中的filepath；如果没有指定LOCAL关键字，则根据inpath中的url查找文件。

3、filepath：

相对路径，例如：project/data1

绝对路径，例如：/user/hive/project/data1

包含模式的完整URI，例如：hdfs://namenode:9000/user/hive/project/data1

4、OVERWRITE关键字

如果使用了OVERWRITE关键字，则目标表(或者分区)中的内容会被删除，然后再将filepath指向的文件/目录中的内容添加到表/分区中。如果目标表(分区)已经有一个文件，并且文件名和filepath中的文件名冲突，那么现有的文件会被新文件所替代。

具体实例：

1、加载相对路径数据

~目录本地路径文件buckets.txt：

buckets.txt文件内容为：

~目录下进入hive的shell界面：

输入命令：load data local inpath 'buckets.txt' into table student partition(part='e');

查看hdfs上是否有文件：dfs -ls /user/hive/warehouse/student/part=e; 不能使用hadoop fs -ls /user/hive/warehouse/student/part=e;

2、加载绝对路径数据

输入命令：load data local inpath '/opt/test/derby.log' into table student partition(part='f');

查看hdfs上是否有文件：dfs -ls /user/hive/warehouse/student/part=f; 

3、加载包含uri模式数据

输入命令：load data inpath 'hdfs://192.168.187.201:9000/wordcount/input/README.txt' into table student partition(part='g');

查看hdfs上是否有文件：dfs -ls /user/hive/warehouse/student/part=g; 

4、OVERWRITE关键字使用

输入命令：load data local inpath '/opt/test/derby.log' overwrite into table student partition(part='g');

查看hdfs上是否有文件：dfs -ls /user/hive/warehouse/student/part=g; 

9.2.2 Insert

①将查询结果插入Hive表

语法结构：

Basic inserts:

INSERT  OVERWRITE  TABLE  tablename1  [PARTITION  (partcol1=val1,  partcol2=val2 ...)]  select  statement1  FROM  tablename

Multiple inserts:

FROM tablename
INSERT OVERWRITE TABLE tablename1 [PARTITION (partcol=val1, partcol2=val2 ...)] select statement1
[INSERT OVERWRITE TABLE tablename2 [PARTITION (partcol=val1, partcol2=val2 ...)] select_statement2] ...

Dynamic partition inserts:

INSERT  OVERWRITE  TABLE  tablename  PARTITION  (partcol1[=val1],  partcol2[=val2]  ...)  select  statement  FROM  tablename

具体实例：

1、基本模式插入

将part='e'的查询结果插入part='h'的分区表里面：

insert overwrite table student partition(part='h')
select id,age,name from student where part='e';

查询part='h'的数据记录：select * from student where part='h';

2、多插入模式

from student
insert overwrite table student partition(part='i')
select id,name,sex where part='e'
insert overwrite table student partition(part='j')
select id,name,sex where part='e';

3、自动分区模式

要动态插入分区必需设置：set hive.exec.dynamic.partition.mode=nonstrict;

insert overwrite table student partition(part)
select id,name,sex,part from student where part='j';

② 导出表数据

语法结构：

Basic inserts:

INSERT  OVERWRITE  [LOCAL]  DIRECTORY  directory1  SELECT ...  FROM ...

Multiple inserts:

FROM  tablename

INSERT  OVERWRITE  [LOCAL]  DIRECTORY  directory1  SELECT  ...  FROM  ...

[INSERT  OVERWRITE  [LOCAL]  DIRECTORY  directory2  SELECT  ...  FROM  ...]  ...

具体实例

1、导出文件到本地

insert overwrite local directory '/home/hadoop/student'
select * from student;

执行上面的命令可能会报错Hive IllegalStateException Ambiguous Input path，如图：

这时需要删除student表的所有分区，然后重新load数据文件到指定新建分区，这样就可以恢复正常，如图：

参考资料：https://stackoverflow.com/questions/41725389/hive-illegalstateexception-ambiguous-input-path

正常执行该命令的情况：

导出到本地的/home/hadoop/student文件查看：

2、导出数据到HDFS

insert overwrite directory 'hdfs://192.168.187.201:9000/user/hive/warehouse/mystudent'
select * from student;

导出到HDFS的hdfs://192.168.187.201:9000/user/hive/warehouse/mystudent文件查看：

9.2.3 SELECT

基本的select操作

语法结构：

SELECT [ALL | DISTINCT] select_expr, select_expr, ...
FROM table_reference
[WHERE where_condition]
[GROUP BY col_list [HAVING condition]]
[CLUSTER BY col_list | [DISTRIBUTE BY col_list] [SORT BY | ORDER BY col_list] ]
[LIMIT number]

说明：

1、order by 会对输入做全局排序，因此只有一个reducer，会导致当输入规模较大时，需要较长的计算时间；

2、sort by 不是全局排序，其在数据进入reducer前完成排序。因此，如果用sort by进行排序，并且设置mapred.reduce.tasks>1，则sort by只保证每个reducer的输出有序，不保证全局有序；

3、distribute by根据distribute by指定的内容将数据分到同一个reducer。

4、Cluster by 除了具有Distribute by的功能外，还会对该字段进行排序。因此，常常认为cluster by = distribute by + sort by

具体实例：

1、获取前3个学生

select id,name,sex from student where part='a' order by name desc limit 3;

2、查询学生信息按年龄，降序排序。

set mapred.reduce.tasks=4;
select id,name,sex from student sort by name desc;

select id,name,sex from student order by id desc;

 select id,name,sex from student distribute by name;

3、按学生名称汇总学生年龄。

select name,sum(age) from student group by name;

9.2.4 Hive Join

语法结构

join table:
table_reference JOIN table_factor [join_condition]
| table_reference {LEFT | RIGHT | FULL} [OUTER] JOIN table_reference join_condition
| table_reference LEFT SEM | JOIN table_reference join_condition

Hive支持等值连接（equality  joins）、外连接（outer joins）和（left/right joins）。

Hive不支持非等值的连接，因为非等值连接非常难转化到map/reduce任务。另外，Hive支持多于2个表的连接。

写Join查询时，需要注意几个关键点：

1. 只支持等值join

2. 可以 join 多于 2 个表。

3．join 时，每次 map/reduce 任务的逻辑：

4．LEFT，RIGHT 和 FULL OUTER 关键字用于处理 join 中空记录的情况

Join 发生在 WHERE 子句之前。

Join 是不能交换位置的。无论是 LEFT 还是 RIGHT join，都是左连接的。

总结

【参考资料】

https://www.cnblogs.com/xing901022/p/5775954.html

https://blog.csdn.net/zimou5581/article/details/82383906

https://blog.csdn.net/HeatDeath/article/details/78917574

https://blog.csdn.net/lifuxiangcaohui/article/details/40589881 hive导入导出功能