Hive 教程（一）—— Hive 介绍及安装

1. Hive 入门

1.1 什么是 Hive

  Hive：由 Facebook 开源用于解决海量结构化日志的数据统计，现已归于 Apache。
  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表，并提供类 SQL 查询功能。
  本质是：将 HQL 转化成 MapReduce 程序。

1. Hive 处理的数据存储在 HDFS
2. Hive 分析数据底层的实现是 MapReduce
3. 执行程序运行在 Yarn 上

1.2 Hive 的优缺点

1. 优点

   ① 操作接口采用类 SQL 语法，提供快速开发的能力（简单、容易上手）。
   ② 避免了去写 MapReduce，减少开发人员的学习成本。
   ③ Hive 的执行延迟比较高，因此 Hive 常用于数据分析，对实时性要求不高的场合。
   ④ Hive 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。
   ⑤ 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。

2. 缺点

   ① Hive 的 HQL 表达能力有限

     ⑴ 迭代式算法无法表达
     ⑵ 数据挖掘方面不擅长

   ② Hive 的效率比较低

     ⑴ Hive 自动生成的 MapReduce 作业，通常情况下不够智能化
     ⑵ Hive 调优比较困难，粒度较粗

1.3 Hive 架构原理

1. 用户接口：Client

   CLI（hive shell）、JDBC/ODBC（java 访问 hive）、WEBUI（浏览器访问 hive）

2. 元数据：Meta store

   元数据包括：表名、表所属的数据库（默认是 default）、表的拥有者、列/分区字段、表的类型（是否是外部表）、表的数据所在目录等；
   默认存储在自带的 derby 数据库中，推荐使用 MySQL 存储 Meta store

3. Hadoop

   使用 HDFS 进行存储，使用 MapReduce 进行计算。

4. 驱动器：Driver

   （1）解析器（SQL Parser）：将 SQL 字符串转换成抽象语法树 AST，这一步一般都用第三方工具库完成，比如 antlr；对 AST 进行语法分析，比如表是否存在、字段是否存在、SQL 语义是否有误。
   （2）编译器（Physical Plan）：将 AST 编译生成逻辑执行计划。
   （3）优化器（Query Optimizer）：对逻辑执行计划进行优化。
   （4）执行器（Execution）：把逻辑执行计划转换成可以运行的物理计划。对于 Hive 来说，就是MR/Spark。

  Hive 通过给用户提供的一系列交互接口，接收到用户的指令（SQL），使用自己的 Driver，结合元数据（MetaStore），将这些指令翻译成 MapReduce，提交到 Hadoop 中执行，最后，将执行返回的结果输出到用户交互接口。

1.4 Hive 和数据库比较

  由于 Hive 采用了类似 SQL 的查询语言 HQL（Hive Query Language），因此很容易将 Hive 理解为数据库。其实从结构上来看，Hive 和数据库除了拥有类似的查询语言，再无类似之处。数据库可以用在 Online 的应用中，但是Hive 是为数据仓库而设计的。

1. 查询语言

   由于 SQL 被广泛的应用在数据仓库中，因此，专门针对 Hive 的特性设计了类 SQL 的查询语言 HQL。熟悉 SQL 开发可以很方便的使用 Hive 进行开发。

2. 数据存储位置

   Hive 是建立在 Hadoop 之上的，所有 Hive 的数据都是存储在 HDFS 中的。而数据库则可以将数据保存在块设备或者本地文件系统中。

3. 数据更新

   由于 Hive 是针对数据仓库应用设计的，而数据仓库的内容是读多写少的。因此，Hive 中不建议对数据的改写，所有的数据都是在加载的时候确定好的。而数据库中的数据通常是需要经常进行修改的。

4. 索引

   Hive 在加载数据的过程中不会对数据进行任何处理，甚至不会对数据进行扫描，因此也没有对数据中的某些 Key 建立索引。Hive要访问数据中满足条件的特定值时，需要暴力扫描整个数据，因此访问延迟较高。由于 MapReduce 的引入， Hive 可以并行访问数据，因此即使没有索引，对于大数据量的访问，Hive 仍然可以体现出优势。数据库中，通常会针对一个或者几个列建立索引，因此对于少量的特定条件的数据的访问，数据库可以有很高的效率，较低的延迟。由于数据的访问延迟较高，决定了 Hive 不适合在线数据查询。

5. 执行

   Hive 中大多数查询的执行是通过 Hadoop 提供的 MapReduce 来实现的。而数据库通常有自己的执行引擎。

6. 执行延迟

   Hive 在查询数据的时候，由于没有索引，需要扫描整个表，因此延迟较高。另外一个导致 Hive 执行延迟高的因素是 MapReduce框架。由于 MapReduce 本身具有较高的延迟，因此在利用 MapReduce 执行 Hive 查询时，也会有较高的延迟。相对的，数据库的执行延迟较低。当然，这个低是有条件的，即数据规模较小，当数据规模大到超过数据库的处理能力的时候，Hive 的并行计算显然能体现出优势。

7. 可扩展性

   由于 Hive 是建立在 Hadoop 之上的，因此 Hive 的可扩展性是和 Hadoop 的可扩展性是一致的（世界上最大的 Hadoop 集群在 Yahoo，2009 年的规模在 4000 台节点左右）。而数据库由于 ACID 语义的严格限制，扩展行非常有限。目前最先进的并行数据库 Oracle 在理论上的扩展能力也只有 100 台左右。

8. 数据规模

   由于 Hive 建立在集群上并可以利用 MapReduce 进行并行计算，因此可以支持很大规模的数据；对应的，数据库可以支持的数据规模较小。
   
   

2. Hive 安装

2.1 下载地址

  Hive 官网

2.2 Hive 安装部署

1. Hive 安装及配置

   ① 将 hive 的安装包上传到 Linux 服务器上（apache-hive-2.3.6-bin.tar.gz）
   ② 解压安装包到指定目录下

tar -zxvf apache-hive-2.3.6-bin.tar.gz -C /hadoop/

    ③ 重命名解压后的目录

mv apache-hive-2.3.6-bin/ hive-2.3.6

    ④ 修改 /hadoop/hive/conf 目录下的 hive-env.sh.template 名称为 hive-env.sh

mv hive-env.sh.template hive-env.sh

    ⑤ 配置 hive-env.sh 文件

    配置 HADOOP_HOME 路径

# Set HADOOP_HOME to point to a specific hadoop install directory
HADOOP_HOME=/hadoop/hadoop-2.7.7

    配置 HIVE_CONF_DIR 路径

# Hive Configuration Directory can be controlled by:
export HIVE_CONF_DIR=/hadoop/hive-2.3.6/conf

    ⑥ 配置 hive 环境变量

vim /etc/profile

#HIVE
export HIVE_HOME=/hadoop/hive-2.3.6
export PATH=$PATH:$HIVE_HOME/bin

source /etc/profile

2. Hadoop 集群配置

   ① 必须启动 hdfs 和 yarn
   ② 在 HDFS 上创建 /tmp 和 /user/hive/warehouse 两个目录并修改他们的同组权限可写

hadoop fs -mkdir /tmp

hadoop fs -mkdir -p /user/hive/warehouse

hadoop fs -chmod g+w /tmp

hadoop fs -chmod g+w /user/hive/warehouse

2.3 MySql 安装

1. 查看 mysql 是否安装，如果安装了，卸载 mysql

rpm -qa|grep mysql

rpm -qa|grep mariadb

  使用以下命令进行移除操作

rpm -e --nodeps {file-name}

2. 解压 mysql 安装包（mysql-5.7.28-1.el7.x86_64.rpm-bundle.tar）

 tar -xvf mysql-5.7.28-1.el7.x86_64.rpm-bundle.tar -C mysql/

3. 按照依赖关系依次安装 rpm 包，依赖关系依次为 common→libs→client→server

rpm -ivh mysql-community-common-5.7.28-1.el7.x86_64.rpm 

rpm -ivh mysql-community-libs-5.7.28-1.el7.x86_64.rpm

rpm -ivh mysql-community-client-5.7.28-1.el7.x86_64.rpm

rpm -ivh mysql-community-server-5.7.28-1.el7.x86_64.rpm

  注：ivh 中， i-install 安装；v-verbose 进度条；h-hash 哈希校验

4. mysql 初始化配置，设置 root 密码

   ① 停止 mysql 服务

systemctl stop mysqld.service

    ② 设置免密登陆

vim /etc/my.cnf

    添加这句话，这时候登入 mysql 就不需要密码

skip‐grant‐tables

    ③ 重启 mysql 服务

systemctl start mysqld.service

    ④ 进入 mysql，更改密码

mysql -u root

use mysql;

update user set authentication_string=PASSWORD("19990628") where user="root";

quit;

    ⑤ 退出免密登陆

systemctl stop mysqld.service

vim /etc/my.cnf

    注释免密登录

#skip‐grant‐tables

systemctl start mysqld.service

    ⑤ 密码登录 mysql

mysql -u root -p

     接下来根据提示，输入刚才修改的密码即可
  ;

2.4 MySql 中 user 表中主机配置

  配置只要是 root 用户 + 密码，在任何主机上都能登录 MySQL 数据库。

1. 进入 mysql

mysql -u root -p

2. 使用 mysql 数据库

use mysql;

3. 查询 user 表

select User, Host from user;

4. 修改 user 表，把 Host 表内容修改为 %

update user set host='%' where host='localhost';

5. 根据查询结果，删除 root 用户的其他 host

6. 刷新

flush privileges;

7. 退出

quit

2.4 Hive 元数据配置到 MySql

1. 驱动拷贝，将驱动拷贝到到 /hadoop/hive-2.3.6/lib/ 目录下（mysql-connector-java-5.1.46.jar）

cp mysql-connector-java-5.1.46.jar /hadoop/hive-2.3.6/lib/

2. 配置 Meta store 到 MySql

   ① 在 /hadoop/hive-2.3.6/conf 目录下创建一个 hive-site.xml

touch hive-site.xml

    ② 在文件中，拷贝以下数据

<?xml version="1.0"?>
<?xml-stylesheet type="text/xsl" href="configuration.xsl"?>
<configuration>
	<property>
	  <name>javax.jdo.option.ConnectionURL</name>
	  <value>jdbc:mysql://master:3306/metastore?createDatabaseIfNotExist=true&amp;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>19990628</value>
	  <description>password to use against metastore database</description>
	</property>
</configuration>

    ③ 初始化元数据库

schematool -dbType mysql -initSchema

3. 测试 hive 是否可用

hive

show databases;

2.5 Hive 基本操作

2.5.1 Hive 基本操作

1. 启动 hive

hive

2. 查看数据库

show databases;

3. 打开默认数据库

use default;

4. 显示 default 数据库中的表

show tables;

5. 创建一张表

create table student(id int, name string);

6. 查看表的结构

desc student;

7. 向表中插入数据

insert into student values(1000,"xiaoming");

8. 查询表中数据

select * from student;

9. 删除已创建的 student 表

drop table student;

10. 退出 hive

quit;

2.5.2 将本地文件导入 Hive 案例

  需求： 将本地 /root/data/student.txt 这个目录下的数据导入到 hive 的 student(id int, name string) 表中。

1. 创建 student.txt 数据（以 tab 键间隔）

1001	zhangshan
1002	lishi
1003	zhaoliu

2. 启动 hive

hive

3. 使用 default 数据库

use default;

4. 创建 student 表, 并声明文件分隔符 ’\t’

create table student(id int, name string) ROW FORMAT DELIMITED FIELDS TERMINATED BY '\t';

5. 加载 /root/data/student.txt 文件到 student 数据库表中。

load data local inpath '/root/data/student.txt' into table student;

6. Hive 查询结果

select * from student;

2.5.3 Hive 常用交互命令

1. “-e” 不进入 hive 的交互窗口执行 sql 语句

hive -e "select id from student;"

2. “-f” 执行脚本中 sql 语句

   ① 创建 hive.sql 文件

select id from student;

    ② 执行文件中的 sql 语句

hive -f hive.sql

    ③ 执行文件中的 sql 语句并将结果写入文件中

hive -f hive.sql > hive_result.txt

2.5.4 Hive 其他命令操作

1. 退出 hive 窗口：

exit;

quit;

2. 在 hive client 命令窗口中如何查看 hdfs 文件系统

dfs -ls /;

3. 在 hive client 命令窗口中如何查看本地文件系统

! ls /root;

4. 查看在 hive 中输入的所有历史命令

   ① 进入到当前用户的根目录
   ② 查看 .hivehistory 文件

cat .hivehistory

2.6 HiveJDBC 访问

1. 启动 hiveserver2 服务

hiveserver2

2. 启动 beeline

beeline

3. 连接 hiveserver2

!connect jdbc:hive2://master:10000

注意：这里可能出现报错：
Error: Could not open client transport with JDBC Uri: jdbc:hive2://master:10000: Failed to open new session: java.lang.RuntimeException:org.apache.hadoop.ipc.RemoteException(org.apache.hadoop.security.authorize.AuthorizationException): User: root is not allowed to impersonate anonymous root(state=08S01,code=0)

解决方法：参考博客

2.7 Hive 常见属性配置

2.7.1 Hive 数据仓库位置配置

1. 默认数据仓库的最原始位置是在 hdfs 上的：/user/hive/warehouse 路径下。
2. 在仓库目录下，没有对默认的数据库 default 创建文件夹。如果某张表属于 default 数据库，直接在数据仓库目录下创建一个文件夹。
3. 修改 default 数据仓库原始位置（将 hive-default.xml.template 如下配置信息拷贝到 hive-site.xml 文件中）。

<property>
  <name>hive.metastore.warehouse.dir</name>
  <value>/user/hive/warehouse</value>
  <description>location of default database for the warehouse</description>
</property>

    配置同组用户有执行权限

hdfs dfs -chmod g+w /user/hive/warehouse

2.7.2 查询后信息显示配置

1. 在 hive-site.xml 文件中添加如下配置信息，就可以实现显示当前数据库，以及查询表的头信息配置。

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

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

2. 重新启动 hive，对比配置前后差异。

   ① 配置前
   
   ② 配置后
   

2.7.3 Hive 运行日志信息配置

1. Hive 的 log 默认存放在 /tmp/root/hive.log目录下（当前用户名下）

2. 修改 hive 的 log 存放日志到 /hadoop/hive-2.3.6/logs

   ① 修改 /hadoop/hive-2.3.6/conf/hive-log4j2.properties.template 文件名称为 hive-log4j2.properties

mv hive-log4j2.properties.template hive-log4j2.properties

    ② 在 hive-log4j2.properties 文件中修改 log 存放位置

property.hive.log.dir = /hadoop/hive-2.3.6/logs

2.7.4 参数配置方式

1. 查看当前所有的配置信息（在 hive client 下）

set;

2. 参数的配置三种方式

   ① 配置文件方式

     默认配置文件：hive-default.xml
     用户自定义配置文件：hive-site.xml

   注意： 用户自定义配置会覆盖默认配置。另外，Hive 也会读入 Hadoop 的配置，因为 Hive 是作为 Hadoop 的客户端启动的，Hive 的配置会覆盖 Hadoop 的配置。配置文件的设定对本机启动的所有 Hive 进程都有效。

   ② 命令行参数方式

     启动 Hive 时，可以在命令行添加 -hiveconf param=value 来设定参数。（仅对本次hive启动有效）

hive -hiveconf mapred.reduce.tasks=10;

   ③ 参数声明方式

    可以在 HQL 中使用 SET 关键字设定参数

set mapred.reduce.tasks=100;

    查看参数设置

set mapred.reduce.tasks;