大数据（十七）：Hive简介、安装与基本操作

一、简介

        Hive由Facebook开源用于解决海量结构化日志的数据统计。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查询的功能。

hive本质是将HQL转化为MapReduce的程序

1. hive处理的数据存储在HDFS

2. hive分析数据低层的实现是MapReduce

3. 执行程序运行在YARN上

二、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

2. 避免去写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，应为Hive的数据延迟比较高。

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

   1. 迭代式算法无法表达

   2. 数据挖掘方面不擅长

2. hive的效率较低

   1. Hive自动生成MapReduce作业，通常情况下不够智能化

   2. Hive调优比较困难，粒度较粗

三、hive架构原理

        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），使用注解的Drive，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.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：Metastore

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Metastore

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的工具完成。

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

四、Hive和数据库比较

        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。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。数据库可以用于Online的应用，但是Hive是为数据仓库而设计的，清楚这一点，有助于从应用角度理解Hive的特效

1.查询语言

        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的开发者可以很方便的使用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，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中不支持对数据的改写和添加，所有的数据都是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，因此可以修改数据。

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简历索引，Hive要访问数据中满足条件的特定值式，需要暴力扫描整个数据，因此访问延迟较高。有与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，因此对于少了的特定数据的访问，数据库可以有很高的效率，较低的延迟。数据的访问延迟修改较高，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在查询数据的过程，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。当热，这个低是有条件的，数据规模要较小，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，而数据库由于ACID语义的严格限制，扩展性非常有限。（2009年的Yahoo的hadoop集群已经达到4000台，而同期的Oracle数据库理论扩展上线只有100台左右）
8.数据规模

        Hive利用MapReduce进行并行计算，可以支持很大规模的数据，而普通的数据库可以支持的数据规模就要小很多。

五、Hive安装环境准备

1.Hive安装地址说明

1. Hive官网地址：http://hive.apache.org

2. 下载地址：http://archive.apache.org/dist/hive

3. 需要安装hadoop，并配置好环境

2.Hive安装部署（这里演示1.2.1版本，2.x.x版本安装方式并不一样）

1. 把apache-hive-1.2.1-bin.tar.gz上传到linux服务上

2. 解压tar包

   • tar -zxvf apache-hive-1.2.1-bin.tar.gz

3. 将解压出来的文件夹转移到/usr/local目录下并重命名为hive

   • mv apache-hive-1.2.1-bin /usr/local/hive

4. 进入/usr/local/hive/conf目录下，将hive-env.sh.template更名为hive-env.sh

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

5. 进入hive-env.sh文件，并配置HADOOP_HOME和HIVE_CONF_DIR路径

   1. vim hive-env.sh

   2. export HADOOP_HOME=/usr/local/hadoop（这里填写自己的hadoop路径）

   3. export HIVE_CONF_DIR=/usr/local/hive/conf（hive目录的conf文件地址）

3.Hadoop集群配置（条件有限这里的hadoop使用的是伪分布式）

1. 进入hadoop目录下的sbin目录，并启动hdfs和yarn

   1. hadoop-daemon.sh start namenode

   2. hadoop-daemon.sh start datanode

   3. yarn-daemon.sh start resourcemanager

   4. yarn-daemon.sh start nodemanager

2. 在HDFS上创建/tmp和/user/hive/warehouse两个目录，并修改他们的权限为可读可写

   1. hadoop fs -mkdir -p /tmp

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

   3. hadoop fs -chmod 777 /tmp

   4. hadoop fs -chmod 777 /user/hive/warehouse

六、hive基础操作

先回到hive目录下

1.启动hive

• bin/hive

启动成功！

2.查看存在的数据库

• show databases;（分号别忘了）

3.打开默认的数据库

• use default;

4.显示数据库的表

• show tables;

5.创建一张表

• create table student(id int,name string);

6.插入数据

• insert into student values(1,"zhangsan");

7.查看数据

• select * from student;

8.退出数据库

• quit;