Hive环境搭建及测试

 前提条件：已经安装好如下软件

Eclipse4.5  hadoop-2.7.3  jdk1.7.0_79

此篇文章基于上一篇文章：zookeeper高可用集群搭建

什么是Hive？

1、Hive是一个基于Hadoop文件系统之上的数据仓库结构。它为数据仓库的管理提供了许多功能：数据ETL（抽取、转换和加载）工具、数据存储管理和大型数据集的查询和分析能力。

2、同时Hive定义了类SQL的语句；它能够将结构化的数据文件映射为一张数据库表，并提供简单的SQL查询功能。还允许开发人员方便的使用Mapper和Reducer操作，可以将SQL语句转化为MapReduce任务运行，这对MapReduce框架来说是一个强有力的支持。

3、Hive的优势在于处理大数据，对于处理小数据没有优势，因为Hive的执行延迟比较高；主要延迟是发生在启动线程部分。

一、开始安装Hive：(仅在CloudDeskTop上安装)

上传安装文件到/software目录下；

下载地址：http://mirrors.shuosc.org/apache/hive/

解压到/software目录下,并修改它的名字；

[hadoop@CloudDeskTop software]$ mv apache-hive-1.2.2-bin/ hive-1.2.2

 配置Hive：

[hadoop@CloudDeskTop software]$ cd /software/hive-1.2.2/conf/
[hadoop@CloudDeskTop conf]$ cp hive-default.xml.template hive-site.xml
[hadoop@CloudDeskTop conf]$ vi hive-site.xml

334行:hdfs集群存放hive仓库元数据的位置

 333   <property>
 334     <name>hive.metastore.warehouse.dir</name>
 335     <value>/user/hive/warehouse</value>
 336     <description>location of default database for the warehouse</description>
 337   </property>

46行

  45   <property>
  46     <name>hive.exec.scratchdir</name>
  47     <value>/tmp/hive</value>
  48     <description>HDFS root scratch dir for Hive jobs which gets created with write all (733) permission. For each connecting user, an HDFS scratch dir: ${hive.exec.scratchdir}/&lt;userna     me&gt; is created, with ${hive.scratch.dir.permission}.</description>
  49   </property>

2911行

2910   <property>
2911     <name>hive.server2.logging.operation.log.location</name>
2912     <value>/tmp/hive/operation_logs</value>
2913     <description>Top level directory where operation logs are stored if logging functionality is enabled</description>
2914   </property>

51行

  50   <property>
  51     <name>hive.exec.local.scratchdir</name>
  52     <value>/tmp/hive</value>
  53     <description>Local scratch space for Hive jobs</description>
  54   </property>

56行

  55   <property>
  56     <name>hive.downloaded.resources.dir</name>
  57     <value>/tmp/hive/resources</value>
  58     <description>Temporary local directory for added resources in the remote file system.</description>
  59   </property>

[hadoop@CloudDeskTop conf]$ cp -a hive-log4j.properties.template hive-log4j.properties 

[hadoop@CloudDeskTop conf]$ vi hive-log4j.properties

使用[tail -f hive.log]可以动态实时查看日志的最新情况;

 17 # Define some default values that can be overridden by system properties
 18 hive.log.threshold=ALL
 19 hive.root.logger=INFO,DRFA
    #logs目录需要自己创建，用来存放你操作hive数据库后产生的日志
 20 hive.log.dir=/software/hive-1.2.2/logs
 21 hive.log.file=hive.log

 72 #log4j.appender.EventCounter=org.apache.hadoop.hive.shims.HiveEventCounter
 73 log4j.appender.EventCounter=org.apache.hadoop.log.metrics.EventCounter

 [hadoop@CloudDeskTop software]$ vi /software/hive-1.2.2/bin/hive-config.sh

在最后添加：

export JAVA_HOME=/software/jdk1.7.0_79
export HADOOP_HOME=/software/hadoop-2.7.3
export HIVE_HOME=/software/hive-1.2.2

二、启动Hive前的准备：

【1、在slave节点启动zookeeper集群（小弟中选个leader和follower）】

　　cd /software/zookeeper-3.4.10/bin/ && ./zkServer.sh start && cd - && jps
　　cd /software/zookeeper-3.4.10/bin/ && ./zkServer.sh status && cd -

【2、master01启动HDFS集群】cd /software/ && start-dfs.sh && jps

【3、master01启动YARN集群】cd /software/ && start-yarn.sh && jps

【YARN集群启动时，不会把另外一个备用主节点的YARN集群拉起来启动，所以在master02执行语句:】

cd /software/ && yarn-daemon.sh start resourcemanager && jps

【4、查看两个master谁是主节点:】
[hadoop@master01 software]$ hdfs haadmin -getServiceState nn1
active （主节点）
[hadoop@master01 software]$ hdfs haadmin -getServiceState nn2
standby （备用主节点）

【5、查看两个resourcemanager谁是主:】
[hadoop@master01 hadoop]$ yarn rmadmin -getServiceState rm1
active（主）
[hadoop@master01 hadoop]$ yarn rmadmin -getServiceState rm2
standby（备用）

启动Hive：

【此时会在当前目录下生成：】

【如果发生问题，删除如下两个文件】

【如果问题依旧不能解决，直接删除metastore_db文件试一试】

大数据学习交流群：217770236 让我我们一起学习大数据

三、Hive测试

【下面的测试都遵循如下两图的目录准则：】

【1、首先 cd /home/hadoop/test/hive/src】

新增t_user数据文件：并上传到hdfs集群；[hdfs dfs -put t_user /user/hive/warehouse/mmzs.db/t_user/]

新增myuser数据文件：并上传到hdfs集群；[hdfs dfs -put myuser /user/hive/warehouse/mmzs.db/t_user/]

新增myuser02数据文件：暂时不上传，后面用另外一种方式上传；

【2、首先 cd /software/hive-1.2.2/bin】

【创建测试数据库：】create database mmzs;

【不进入./hive命令终端执行sql语句】 echo -e "select * from mmzs.t_user;"|./hive -S

【3、将结果写入test.sql文件，将执行其结果输出到指定目录的文件中】

【不进入./hive命令终端,动态执行sql语句】

【4、在hive数据库中创建表，[row format delimited fields terminated by '\t']是指定数据每行按照空白进行分割】

　create table mmzs.t_user(userId int, username string, userage int, userheight double) row format delimited fields terminated by '\t';

【另外一种上传数据文件到集群hive数据库的方式，load data就是上传的关键字，local是将本地文件拷贝到hive数据库，不加就是导入hdfs集群数据到hive数据库是一种剪切方式】

【本地文件不覆上传 】./hive -S -e "load data local inpath '/home/hadoop/test/hive/src/myuser02' into table mmzs.t_user;" 

【使用overwrite本地文件覆盖上传】./hive -S -e "load data local inpath '/home/hadoop/test/hive/src/myuser02' overwrite into table mmzs.t_user;"

【hdfs文件不覆盖上传 】./hive -S -e "load data local inpath '/data/myuser' into table mmzs.t_user;"

【小结：】注意：

使用HDFS上传和使用load data导入本地文件：从本质意义上讲都是文件的转移过程。

如果转移的文件是来自于本地则发生数据拷贝，如果转移的文件是来自于HDFS文件系统则发生数据移动；

overwrite关键字在load data句法中将导致hive表中的数据先被清空，然后再转移数据，即发生hive表的覆盖写入操作；如果没有overwrite关键字则发生数据文件的追加操作，新建一个文件加后缀"已存在同名文件名字_copy_数字"；

【5、在hive数据库中的t_user表中添加一条数据：会产生map任务】

　insert into mmzs.t_user(userid,username,userage,userheight) values (9,'zhaoyuan',34,1.78);

执行过程比较缓慢，可以【http://active状态的master的IP地址:8088】查看任务进度;

【6、hive支持大多数sql语句，但也有不支持的sql语句：】

　 insert into mmzs.t_user select 1,'zhaoyun02',78,1.90;

【7、聚合函数有个统计过程，会产生MapTask和ReduceTask】

　select count(userid) from t_user ;

　select avg(userage) from t_user;

【8、非聚合函数，不会产生Job任务】

　select username,reverse(username),userage from mmzs.t_user;

　select username,length(username),userage from mmzs.t_user;

【9、hive数据库结果的下载】

下载到本地：（1个Job）

下载到hdfs集群：（3个Job，应该是因为有3个slave，有3个备份的原因）

【10、通过子查询的方式来创建表和创建数据：显示的是3个Job(Total jobs只是计划的任务数),实际运行了1个；请用浏览器的方式查看或者你可以看到只出现了Launching Job 1 out of 3】

　create table mmzs.t_user as select * from mmzs.t_user where 1=2;（拷贝后的表，读取数据时的分隔符会回复到默认的）

　insert into mmzs.t_user_new select * from mmzs.t_user where userid=1; 

【11、在10的基础上,通过hdfs集群的方式为表新增数据】

通过hdfs集群，直接将原表中的数据文件拷贝到新表中：

由于myuser02中的数据文件创建时使用的是Tab键作为分隔符，所以出现如下情况：

所以我们重新传了用^A(hive的默认分隔符,通过按"ctrl+V"和"ctrl+A"键产生)作为分隔符的数据文件：

然后我们就能看到表中新增的数据了：

【12、第一阶段测试完成,删除所有测试的表】

　　hive> show databases;
　　hive> use mmzs;
　　hive> show tables;
　　hive> drop table t_user;
　　hive> drop table if exists t_user_new;

四、Hive高级测试（一）

【hive>均是在 cd /software/hive-1.2.2/bin 目录下执行./hive命令或者./hive --hiveconf hive.root.logger=ERROR,console命令】

【1、创建测试所需表】

hive> use mmzs;
hive> create table if not exists emp(eno int,ename string,eage int,bithday date,sal double,com double,gender string,dno int) row format delimited fields terminated by '\t';
hive> create table if not exists dept(dno int,dname string,loc string) row format delimited fields terminated by '\t';

【2、创建测试所需表的数据】

cd /home/hadoop/test/hive/src

hdfs dfs -put emp01 /user/hive/warehouse/mmzs.db/emp
hdfs dfs -put dept01 /user/hive/warehouse/mmzs.db/dept

【3、测试开始】

hive> use mmzs;

【遇到create和insert操作会产生Job作业（只有Map作业）】

【遇到含有group by、order by操作或聚合函数操作时都会产生Job作业（有Map和Reduce）】

 

【当有同时含有group by和order by时会产生两个Job：(有Map,也有Reduce)】

select dno,gender,count(1) renshu from emp where eage>25 group by gender,dno order by renshu desc;

【产生一个Job：(只有Map,没有Reduce)】

select e.*,d.* from emp e,dept d where e.dno=d.dno;

select eno,ename,e.dno,d.dname from emp e inner join dept d on e.dno=d.dno;

【多列排序：仍然只产生一个Job,(有Map,也有Reduce)】

select dno,eno,ename,sal,com from emp order by sal desc,com desc;

【产生两个Job：(因为多了个group by)(有Map,也有Reduce)】

select dno,eno,ename,sal,com from emp group by dno,eno,ename,sal,com order by sal desc,com desc;

select d.dno,avg(sal) avgsal from emp e inner join dept d on e.dno=d.dno where eage>20 group by d.dno order by avgsal;

【产生三个Job作业：（有Map,也有Reduce）子查询只支持在from后面写这一种格式】

select d.dname,avgsal from (select d.dno,avg(sal) avgsal from emp e inner join dept d on e.dno=d.dno where eage>20 group by d.dno order by avgsal)mid,dept d where mid.dno=d.dno;

 遇到子查询不能处理的，可以将子查询结果用去做关联查询；

以下语句会出错：(因为hive目前不支持where后面子查询的语法)

select e.* from emp e where e.sal>(select avg(sal) from emp dno=e.dno);

【只支持limit查看前N条记录：不能用它来像mysql那样子分页,不产生Job】

select * from emp limit 6;  //不产生Job
select * from emp limit 2,5;//会产生错误

【Hive的分页查询：只产生一个Job,（有Map,也有Reduce）】

select row_number() over() seq,e.* from emp e;
//row_number()是标识添加行号的关键字，按照over内的条件进行排列后，添加行号seq字段,
//over内不写条件，默认是在,将按照第一个字段降序排列后的结果,前加行号

select * from (select row_number() over(order by sal desc) seq,e.* from emp e) mid where mid.seq>5 and mid.seq<11;  //分页查询

五、Hive高级测试（二）

【Hive目前不支持索引】

【Hive支持分区：静态分区和动态分区的创建表的方式是一样的】

create table t_user(userid int,username string,userage int) partitioned by(dno int) row format delimited fields terminated by '\t';//单级分区；dno是分区的字段名，添加分区时必须名字一样
create table t_user(userid int,username string,userage int) partitioned by(dno int,gender string) row format delimited fields terminated by '\t';//多级分区；dno是分区的字段名，添加分区时必须名字一样

【测试数据：】

　进入目录：cd /home/hadoop/test/hive/src

【静态分区：】

alter table t_user add partition(dno=1);//添加分区，分区名是"dno=1"
alter table t_user drop partition(dno=1);//删除分区名是"dno=1"的分区 

添加1、2、3、4共四个分区；

【为静态分区表添加数据：4种方式】

// 集群中操作
hdfs dfs -put bak /user/hive/warehouse/mmzs.db/t_user/dno=1//①
// ./hive中操作
load data local inpath '/home/hadoop/test/hive/src/bak' into table t_user partition(dno=1);//②
load data local inpath '/home/hadoop/test/hive/src/bak' overwrite into table t_user partition(dno=1);//②
insert into t_user partition(dno=3) select eno,ename,eage from emp where eno<4;//③必须添加所有字段，不可以写t_user(userid,username,userage)的方式
insert overwrite table t_user partition(dno=4) select eno,ename,eage from emp where eno>4 and eno<9;//④分页

【动态分区：】  

【为静态分区表添加数据：只支持insert方式】

//临时修改，启动动态分区；也可在配置文件hive-site.xml配置，永久生效
set hive.exsec.dynamic.partition.mode=nonstrict;//hive-site.xml
insert into t_user partition(dno) values(1,"liganggang",89,1);//插入数据，分区确定在后面指定；
insert into t_user partition(dno=5) select eno,ename,eage from emp where eno<4;//如果没有的分区会自动创建
//多级动态分区；多级静态和单级静态类似
insert into t_user partition(dno,gender) select eno,ename,eage,dno,gender from emp;//select中的dno,gender的顺序要和建表是的partition(dno,gender)的顺序和保持一致；否则会乱建分区
//into改变成overwrite table表示有相同的时，覆盖插入;

truncate table t_user;//清空表中的数据
drop table t_user;//删除表

数据移植小结：
A、从本地到Hive表：
　　使用HDFS的put命令上传数据文件
　　使用Hive的load data local inpath句法导入数据文件
B、从Hive表到Hive表
　　使用HDFS的cp命令实现数据文件拷贝
　　使用普通的insert into句法插入单条记录数据
　　使用insert....select...from...句法实现批量条件数据拷贝
　　使用insert overwrite table....select....句法实现数据拷贝
C、从Hive表到本地
　　使用HDFS的get命令下载数据文件
　　使用insert overwrite local directory句法实现Hive表批量条件数据导出
　　使用输出定向符(>或>>)直接通过标准输出流将select查询结果其写入本地文件

六、Hive高级测试（三）

1、构建数据

[hadoop@CloudDeskTop src]$ pwd
/home/hadoop/test/hive/src

 //创建表后
 hdfs dfs -put testarray /user/hive/warehouse/mmzs.db/tuser01
 hdfs dfs -put testmap /user/hive/warehouse/mmzs.db/tuser02
 hdfs dfs -put testarraymap user/hive/warehouse/mmzs.db/tuser03
 hdfs dfs -put teststruct /user/hive/warehouse/mmzs.db/tuser04

 2、进行测试

#首先
[hadoop@CloudDeskTop ~]$ cd /software/hive-1.2.2/bin
[hadoop@CloudDeskTop bin]$ ./hive 

#创建的外部表不会因为表的删除而删除数据；
#外部表不会在默认的数据存放地址新建文件夹，从始至终都只有指定的目录下有数据

//表的数据存放在指定外部hdfs集群地址"/test"目录中：
hive> create external table tuser00(userid int,username string,userage int) row format delimited fields terminated by '\t' location '/test';

//在数据库下创建外部表就需要添加数据库的前缀
hive> use mmzs;
hive> create external table mmzs.tuser00(userid int,username string,userage int) row format delimited fields terminated by '\t' location '/test';

//创建一个带有数组的表：
hive> create table if not exists mmzs.tuser01(id bigint,name string,loves array<string>) row format delimited fields terminated by '\t' collection items terminated by ',';

select id,name,loves[1] from mmzs.tuser01;

//创建一个带有map的表：
hive> create table if not exists mmzs.tuser02(id bigint,name string,info map<string,double>) row format delimited fields terminated by '\t' collection items terminated by ',' map keys terminated by ':';
//注：map keys terminated by ':'中的 ：号是元素之间的分隔符，为了解析数据，可以是任意符号。

hive> select id,name,info["age"],info['height'] from mmzs.tuser02;//(如果查询的字段没有，会返回一个人Null)

//创建一个带有数组和map的表
hive> create table mmzs.tuser03(id bigint,name string,loves array<string>,info map<String,double>) row format delimited fields terminated by '\t' collection items terminated by ',' map keys terminated by ':';

//Struct类型(info是一个STRUCT类型，那么可以通过info.height得到这个用户的身高)
hive> create table mmzs.tuser04(id bigint,name string,info struct<age:int,height:double>) row format delimited fields terminated by '\t' collection items terminated by ',';

//(如果查询的字段没有，会报异常)
hive> select id,name,info.age,info.height from mmzs.tuser04;