1.什么是Hive
hive是一个sql工具；
它能接收用户输入的sql语句，然后把它翻译成mapreduce程序对HDFS上的数据进行查询、运算，并返回结果，或将结果存入HDFS；
2.Hive的关键工作机制
核心点：
HIVE利用HDFS来存储数据文件；
利用MAPREDUCE来做数据分析运算；
利用SQL来为用户提供查询接口；
3.Hive怎么用
3.1 Hive的安装
问题1：装在哪？随便一台能够跟HADOOP集群联网的linux机器；
简单安装（使用derby作为hive的元数据库）
步骤：
- 上传安装包
- 解压
- 启动
上述安装，hive是使用内置的derby来记录元数据；非常不靠谱；
可以为hive安装一个mysql来作为它的元数据存储库；
标准安装（使用mysql作为hive的元数据库）
做法：
- 安装一个mysql，并授予远程连接的权限；
- 修改hive的配置文件
hive-site.xml：
| <configuration> <property> <name>javax.jdo.option.ConnectionURL</name> <value>jdbc:mysql://cts04:3306/hive?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>
<property> <name>javax.jdo.option.ConnectionPassword</name> <value>root</value> </property> </configuration> |
修改完配置后，在hive的lib目录中放置一份mysql的jdbc驱动jar包
启动hive：
bin/hive
3.2 Hive的使用方式
方式1： bin/hive 交互式查询
方式2： 启动hive的网络服务，然后通过一个客户端beeline去连接服务进行查询；
启动服务： bin/hiveserver2
启动客户端去连接hive服务： bin/beeline -u jdbc:hive2://cts03:10000 -n root
方式3：shell脚本方式查询
| #!/bin/bash HIVE_HOME=/root/apps/hive-1.2.2 $HIVE_HOME/bin/hive -e 'insert into table t_avg as select skuid,avg(amount) from t_2 group by skuid' $HIVE_HOME/bin/hive -e 'create table t_result as select skuid,sum(amount) from t_2 group by skuid' |
补充： bin/hive -f /root/etl.sql （把sql语句写到一个专门的文件里）
hive的DDL
1.建库
create database db1;
2.建表
内部表：
create table t1(id int,name string,age int)
row format delimited fields terminated by ‘,’;
外部表：
create external table t2(id int,name string,age int)
row format delimited fields terminated by ‘:’
location ‘/xx/yy/’;
注意：内部表被drop时，表目录会被删除，表的元数据也会被删除
外部表被drop时，表的元数据会被删除；但是表目录还在！
3.导入数据到表中
本质上：你想办法把数据文件放入表目录即可！ hadoop fs -put ......
当然，hive提示符中，有对应的导入数据的命令：
如果文件在hive的本地磁盘： LOAD DATA LOCAL INPATH ‘/root/t1.dat’ INTO TABLE t1;
如果文件在HDFS上： LOAD DATA INPATH ‘/t2.dat’ INTO TABLE t1;
注意：hive不会对用户所导入的数据做任何的检查和约束；
4.修改表定义
修改表名：alter table t1 rename to t_1;
修改字段名、字段类型
修改分区！
4.1分区表
分区表的实质：就是在表目录下还可以建子目录，以便于在查询的时候可以指定具体的子目录进行查询，提高查询效率；
内部表分区建表语法：
| CREATE TABLE t_2(id int,skuid string,price float,amount int) partitioned by (day string,city string) row format delimited fields terminated by ','; |
导入数据到指定分区（子目录）：
| LOAD DATA LOCAL INPATH '/root/t2.1' into TABLE t_2 PARTITION(day='2018-04-15',city='beijing'); |
或者，将一个已存在的文件夹作为表的一个分区：
ALTER TABLE t_2_ex ADD PARTITION(day=’2018-04-16’) LOCATION ‘/2018-04-16’;
hive的DML
sql运算模型一：逐行运算模型（逐行表达式，逐行过滤）
sql运算模型二：分组运算模型（分组表达式，分组过滤）
sql的join联表机制：join的实质是将多个表的数据连成一个表，作为查询的输入数据集！
笛卡尔积连接
内连接
左外连接
右外连接
全外连接
左半连接