Hive简介与配置安装

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。
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

1.2.1  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。
1.2.2  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 的效率比较低
（1）Hive 自动生成的 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

1.3 Hive 架构原理

如图中所示，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）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。

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。本文将从多个方面来阐述 Hive 和数据库的差异。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，清楚这一点，有助于从应用角度理解 Hive 的特性。
1.4.1  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 开发的开发者可以很方便的使用 Hive 进行开发。
1.4.2  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。
1.4.3  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 ， 因 此 可 以 使 用 INSERT INTO … VALUES 添 加 数 据 ， 使用 UPDATE … SET 修改数据。
1.4.4  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。

1.4.5  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。

1.4.6  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。

1.4.7  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。

1.4.8  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。

2.0 Hive安装

2.1 Hive  安装地址

1）Hive 官网地址：
http://hive.apache.org/
2）文档查看地址：
https://cwiki.apache.org/confluence/display/Hive/GettingStarted
3）下载地址：
http://archive.apache.org/dist/hive/
4）github 地址：
https://github.com/apache/hive

我使用的是 apache-hive-1.2.1-bin.tar.gz

2.2 Hive  安装部署

1）Hive 安装及配置

（1）把 apache-hive-1.2.1-bin.tar.gz 上传到 linux 的/usr/local/BigDataApp目录下
（2）解压 apache-hive-1.2.1-bin.tar.gz 到/usr/local/BigDataApp目录下面
（3）修改 apache-hive-1.2.1-bin.tar.gz 的名称为 hive1.2.1
（4）修改/usr/local/BigDataApp/hive1.2.1/conf目录下的 hive-env.sh.template 名称改为 hive-env.sh
（5）配置 hive-env.sh 文件
           （a）配置 HADOOP_HOME 路径
             export HADOOP_HOME=/usr/local/hadoop
           （b）配置 HIVE_CONF_DIR 路径
             export HIVE_CONF_DIR=/usr/local/BigDataApp/hive1.2.1/conf

（6）添加环境变量vim /etc/profile

（7）配置后，执行source /etc/profile使配置生效

2）Hadoop 集群配置
（1）必须启动 hdfs 和 yarn
[atguigu@hadoop102 hadoop-2.7.2]$ sbin/start-dfs.sh
[atguigu@hadoop103 hadoop-2.7.2]$ sbin/start-yarn.sh

（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
[atguigu@hadoop102 hadoop-2.7.2]$ bin/hadoop fs -mkdir /tmp
[atguigu@hadoop102 hadoop-2.7.2]$ bin/hadoop fs -mkdir -p /user/hive/warehouse
[atguigu@hadoop102 hadoop-2.7.2]$ bin/hadoop fs -chmod 777 /tmp
[atguigu@hadoop102 hadoop-2.7.2]$ bin/hadoop fs -chmod 777 /user/hive/warehouse
3）Hive 基本操作
（1）启动 hive,在/usr/local/BigDataApp/hive1.2.1目录下
[root@master hive1.2.1]# bin/hive
（2）查看数据库
hive>show databases;
（3）打开默认数据库
hive>use default;
（4）显示 default 数据库中的表
hive>show tables;
（5）创建一张表
hive> create table student(id int, name string) ;
（6）显示数据库中有几张表
hive>show tables;
（7）查看表的结构
hive>desc student;
（8）向表中插入数据
hive> insert into student values(1,"sq");
（9）查询表中数据
hive> select * from student;

（10）退出 hive
           hive> quit;

           hive> exit;

2.3  将本地文件导入 Hive  案例

需求：将本地/opt/module/datas/student.txt这个目录下的数据导入到hive的student(id int, namestring)表中。
1）数据准备：在/opt/module/datas/student.txt 这个目录下准备数据
        （1）在/opt/module/目录下创建 datas
         [atguigu@hadoop102 module]$ mkdir datas
        （2）在/opt/module/datas/目录下创建 student.txt 文件并添加数据
          [atguigu@hadoop102 datas]$ touch student.txt
          [atguigu@hadoop102 datas]$ vi student.txt
           2  ly
           3  bb
           4  pp

                                  
            注意以 tab 键间隔。
2）Hive 实际操作
（1）启动 hive
[atguigu@hadoop102 hive]$ bin/hive
（2）显示数据库
hive>show databases;
（3）使用 default 数据库
hive>use default;
（4）显示 default 数据库中的表
hive>show tables;
（5）加载/opt/module/datas/student.txt 文件到 student 数据库表中。
hive> load data local inpath '/opt/module/datas/student.txt' into table student;
（6）Hive 查询结果
hive> select * from student;

注意：这里有分隔符的问题。

（5）删除已创建的 student 表
hive> drop table student;
（6）创建 student 表, 并声明文件分隔符’\t’
hive> create table student(id int, name string) ROW FORMAT DELIMITED FIELDS
TERMINATED BY '\t';
（7）加载/opt/module/datas/student.txt 文件到 student 数据库表中。
hive> load data local inpath '/opt/module/datas/student.txt' into table student;
（8）Hive 查询结果
hive> select * from student;

3）遇到的问题
再打开一个客户端窗口启动 hive，会产生 java.sql.SQLException 异常

 

2.4 MySql  安装并开启远程控制

在之前的博客有详细写到：

https://blog.csdn.net/weixin_40096730/article/details/83036917

选择数据库use mysql;

开启远程连接 
root 用户名 、% 所有人都可以访问 、password 密码

GRANT ALL PRIVILEGES ON *.* TO 'root'@'%' IDENTIFIED BY 'password' WITH GRANT OPTION;

FLUSH PRIVILEGES; 

把之前博客的 3、其他配置 执行完成即可！

2.5 Hive  元数据配置到 MySql

2.5.1  驱动拷贝

下载驱动并解压：  mysql-connector-java-5.1.42.tar.gz

将 mysql-connector-java-5.1.42-bin.jar 复制到/usr/local/BigDataApp/hive1.2.1/lib

2.5.2  配置 Metastore 到 MySQL

1）在/usr/local/BigDataApp/hive1.2.1/conf目录下创建一个 hive-site.xml
2）根据官方文档配置参数，拷贝数据到 hive-site.xml 文件中。

<?xml version="1.0"?>
<?xml-stylesheet type="text/xsl" href="configuration.xsl"?>

<configuration>


<property>
  <name>javax.jdo.option.ConnectionURL</name>
  <value>jdbc:mysql://192.168.187.100:3306/metastore?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>MySQL数据库密码</value>
</property>

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

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

</configuration>           

3）配置完毕后，如果启动 hive 异常，可以重新启动虚拟机。（重启后，别忘了启动 hadoop
集群）

重新进入hive

[root@master hive1.2.1]# bin/hive

成功进入hive    

如果有大量的警告，可以把 hive-site.xml 文件中连接数据库语句配置一下，

在JDBC的配置里面添加useSSL=false配置使用非SSL连接即可：

jdbc:mysql://192.168.187.100:3306/metastore?createDatabaseIfNotExist=true&useSSL=false

同时用数据库客户端连接MySQL查看：

MySQL已经新增了一个数据库，hive创建的！