Hive从概念到安装使用总结-低调大师

Hive从概念到安装使用总结

2017-07-31 473

一、Hive的基本概念

1.1 hive是什么？

（1）Hive是建立在hadoop数据仓库基础之上的一个基础架构；

（2）相当于hadoop之上的一个客户端，可以用来存储、查询和分析存储在hadoop中的数据；

（3）是一种SQL解析引擎，能够将SQL转换成Map/Reduce中的Job在hadoop上执行。

1.2 hive的数据存储特点

（1）数据存储是基于hadoop的HDFS；

（2）没有专门的数据存储格式；

（3）存储结构主要有：数据库、文件（默认可以直接加载文本文件）、表、视图、索引；

说明：hive中的表实质就是HDFS的目录，按表名将文件夹分开，若是分区表，则分区值是子文件夹。这些数据可以直接在M/R中使用。hive中的数据是存放在HDFS中的。

二、hive的系统结构

存储hive的元数据（表及表的属性、数据库名字等）

分析执行hive QL语句，将执行计划投递给hadoop，转到map/reduce执行

2.1 hive的系统结构– metastore存储方式

默认情况，元数据使用内嵌的derby数据库作为存储引擎

将存储数据独立出来，支持多用户同时访问

将metastore独立出来，远程方法调用

三、hive的安装与使用

3.1下载hive源文件，解压hive文件

进入$HIVE_HOME/conf/修改文件

cp hive-default.xml.template hive-site.xml
cp hive-env.sh.template hive-env.sh

修改$HIVE_HOME/bin的hive-env.sh，增加以下三行

HADOOP_HOME= --hadoop的home目录
export HIVE_CONF_DIR= --hive的conf目录
export HIVE_AUX_JARS_PATH= --hive的lib目录

生效文件：

source /hive-env.sh(生效文件)

3.2 配置MySQL的metastore

修改$HIVE_HOME/conf/hive-site.xml

<property>
<name>javax.jdo.option.ConnectionURL</name>
<value>jdbc:mysql://localhost: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>123456</value>
</property>

3.3hive临时目录的配置

修改$HIVE_HOME/conf/hive-site.xml

(1)设定数据目录

<property>
<name>hive.metastore.warehouse.dir</name>
<value>/usr/local/hive/warehouse</value>
</property>

(2)设定临时文件目录

<property>
<name>hive.exec.scratdir</name>
<value>/usr/local/hive/tmp</value>
</property>

(3)hive相关日志的目录

<property>
<name>hive.querylog.location</name>
<value>/usr/local/hive/log</value>
</property>

3.4hive的运行模式的指定

Hive的运行模式即任务的执行环境，分为本地与集群两种，我们可以通过mapred.job.tracker 来指明

本地模式设置方式：

hive > set mapred.job.tracker=local;
hive > set hive.exec.mode.local.auto=true;
hive.exec.mode.local.auto.inputbytes.max默认128M

3.5 sqoop的安装

(1)下载、解压：

tar -zxvf sqoop-1.4.4.bin__hadoop-2.0.4-alpha.tar.gz /root
cd /root
ln -s sqoop-1.4.3.bin sqoop

(2)配置sqoop：

vi ~/.bash_profile
export SQOOP_HOME=/usr/local/sqoop
export PATH=$SQOOP_HOME/bin:$PATH

(3)测试连接数据库并列出数据库：

sqoop list-databases --connect jdbc:mysql://localhost:3306/ --username root --password 123456

(4)将mysql中的表导入到hive中：

sqoop import --connect jdbc:mysql://localhost:3306/gwifi --username root --password 123456 --table think_access --hive-import -m 1;

3.6 hive的命令行方式

1、输入#/hive/bin/hive执行应用程序，或者

#hive
hive> create table test(id int, name string);
hive> show tables;
hive>quit;

查看并修改表与目录之间的关系

#hadoop fs -ls /user/hive/warehouse/

修改参数：hive.metastore.warehouse.dir 表与目录的对应关系

3.6 命令行方式

显示或修改参数值

在代码中可以使用${…}来使用

命名空间	使用权限	描述
hivevar	可读写	$ hive -d name=zhangsan;
hiveconf	可读写	$ hive –hiveconf hive.cli.print.current.db=true;$ hive –hiveconf hive.cli.print.header=true;
system	可读写	java定义的配置属性，如system:user.name
env	只读	shell环境变量，如env:USER

3.7 hive的脚本运行

$>hive -i /home/my/hive-init.sql
$hive>source file

与linux交互命令！

!ls
!pwd

与hdfs交互命令

dfs -ls /
dfs -mkdir /hive

3.8 hive的jdbc模式

JAVA API交互执行方式

hive 远程服务 (端口号10000) 启动方式

3.9 hive常用的命令– set命令

hive控制台set命令:

set hive.cli.print.current.db=true;
set hive.metastore.warehouse.dir=/hive

hive参数初始化配置set命令:

~/.hiverc

四、HiveQL数据操作

4.1数据类型

1、基本数据类型：与mysql等数据库中基本数据类型类似；

2、复合数据类型：

（1）array 数组类型如：array[int] 下标访问

（2）struct结构类型如： struct{name:STRING,age:INT} .访问

（3）Map结构

4.2 数据库/表的定义、操作

默认使用的是“default”数据库，使用命令选择数据库：

hive> use <数据库名>

创建数据库： create database <数据库名>

查看所有数据库： show databases;

查看/删除数据库：desc/drop database <数据库名>;

注：Hive没有行级别的插入，更新和删除操作，往表中插入数据的唯一方法就是使用成批载入操作

hive>create table 表名(字段名字段类型,……)

hive>show tables;

hive>create table t2 like t1;

hive> drop table 表名 —删除表

增加列

hive>ALTER TABLE t3 ADD COLUMNS(gender int);

在mysql中hive数据库中show tables；在TBLS表中可以查看到hie创建的表。

4.3 数据库/表的定义、操作

插入数据：insert overwrite table t_table1 select * from t_table1 where XXXX;

删除数据：insert overwrite table test select * from test where 1=0;

数组类型的表的操作：

定义复合数据类型的表：create table demo_array(id int, mydata array[string]) PARTITIONED BY (dt STRING) row format delimited fields terminated by ’\t’ collection items terminated by ’|';

–id 与mydata之间是’\t’隔开，其后的mydata数据之间用’|'隔开

4.3.1 Hive的数据模型-管理表

管理表，也称作内部表或受控表

特点：（1）数据全部保存在warehouse目录中；

（2）删除表时元数据和表中的数据都会被删除；

（3）创建表和数据加载可以在同一条语句中实现；

（4）每个表在HDFS中都有相应的目录用来存储表的数据

（5）加载数据的过程，实际数据会被移动到数据仓库目录中；对数据的访问是在数据仓库目录中完成。

4.3.1 Hive的数据模型-管理表

创建数据文件inner_table.dat

创建表

hive>create table inner_table (key string)
row format delimited fields terminated by '\t';
//这个要指定，否则load的时候数据为NULL;

加载数据

hive>load data local inpath '/root/inner_table.dat' into table inner_table;

查看数据

select * from inner_table

select count(*) from inner_table

删除表 drop table inner_table

4.3.2 Hive的数据模型-外部表

包含externable的表叫做外部表

特点：（1）删除外部表只删除metastore的元数据，不删除hdfs中的表数据；

（2）加载数据和创建表是同时完成的，并不会移动到数据，只是与外部数据建立一个链接；删除一个外部表，只是删除了该链接

（3）指向已经在 HDFS 中存在的数据

4.3.2 Hive的数据模型-外部表语法

CREATE EXTERNAL TABLE page_view
( viewTime INT,
userid BIGINT,
page_url STRING,
referrer_url STRING,
ip STRING COMMENT 'IP Address of the User',
country STRING COMMENT 'country of origination‘
)
COMMENT 'This is the staging page view table'
ROW FORMAT DELIMITED FIELDS TERMINATED BY '44' LINES TERMINATED BY '12'
STORED AS TEXTFILE
LOCATION 'hdfs://centos:9000/user/data/staging/page_view';

4.3.3 Hive的数据模型-分区表

分区可以理解为分类，通过分类把不同类型的数据放到不同的目录下；

分类的标准就是分区字段，可以一个，也可以多个；

分区表的意义在于优化查询，查询时尽量利用分区字段；如果不使用分区字段，就会全部扫描。

创建数据文件partition_table.dat

创建表

create table partition_table(rectime string,msisdn string) partitioned by(daytime string,city string) row format delimited fields terminated by '\t' stored as TEXTFILE;

加载数据到分区

load data local inpath '/home/partition_table.dat' into table partition_table partition (daytime='2013-02-01',city='bj');

查看数据

select * from partition_table
select count(*) from partition_table
删除表 drop table partition_table

4.3.4 Hive的数据模型-分区表

CREATE TABLE tmp_table #表名

(
title string, # 字段名称字段类型
minimum_bid double,
quantity bigint,
have_invoice bigint
)COMMENT '注释：XXX' #表注释
PARTITIONED BY(pt STRING) #分区表字段（如果你文件非常之大的话，采用分区表可以快过滤出按分区字段划分的数据）
ROW FORMAT DELIMITED
FIELDS TERMINATED BY '\001' # 字段是用什么分割开的
STORED AS SEQUENCEFILE; #用哪种方式存储数据，SEQUENCEFILE是hadoop自带的文件压缩格式

4.4.1 装载数据

从文件中装载数据

hive>LOAD DATA [LOCAL] INPATH '...' [OVERWRITE] INTO TABLE t2 [PARTITION (province='beijing')];

通过查询表重新装载数据

hive>INSERT OVERWRITE TABLE t2 PARTITION (province='beijing') SELECT * FROM xxx WHERE xx

设置job并行数量 hive.exec.parallel =true；

hive.exec.parallel. thread.number =3；

4.4.2 动态分区装载数据

开启动态分区支持

hive>set hive.exec.dynamic.partition=true;
hive>set hive.exec.dynamic.partition.mode=nostrict;
hive>set hive.exec.max.dynamic.partitions.pernode=1000;

#查询字段一样

hive>INSERT OVERWRITE TABLE t3 PARTITION(province, city)
SELECT t.province, t.city FROM temp t;
hive>INSERT OVERWRITE TABLE t3 PARTITION(province='bj', city)
SELECT t.province, t.city FROM temp t WHERE t.province='bj';

单语句建表并同时装载数据

hive>CREATE TABLE t4 AS SELECT ....

select count(0) from (select id from test where name like 'zh%') a join (select id from test where name like '%i%') b on a.id = b.id;

五、hive的存储形式比较

hive在建表时，可以通过‘STORED AS FILE_FORMAT’ 指定存储文件格式。有以下几种：

1.TextFile：存储空间较大，压缩之后的文件不能分割与合并，查询效率低；可直接存储，加载速度最快；

2.sequencefile：hadoop API提供的一种二进制文件支持，存储空间最大，可分割与合并，查询效率高，需要text文件转换来加载

3.RcFile:是一种行列存储相结合的存储方式。（1）将数据按行分块，保证同一个record在一个块上，避免读一个记录需要读取多个block；（2）块数据列式存储，有利于数据压缩和快速的列存取。查询效率最高、存储空间最小、但加载最慢

总结

作者：朱鹏飞

来源：51CTO

微信关注我们

原文链接：https://yq.aliyun.com/articles/193930

转载内容版权归作者及来源网站所有！

低调大师中文资讯倾力打造互联网数据资讯、行业资源、电子商务、移动互联网、网络营销平台。持续更新报道IT业界、互联网、市场资讯、驱动更新,是最及时权威的产业资讯及硬件资讯报道平台。

从机器学习到学习的机器，数据分析算法也需要好管家

图为IBM大数据与分析事业部全球研发副总裁Dinesh Nirmal。今年是莎士比亚逝世四百周年。在莎翁名剧《尤利乌斯·凯撒》中一个占卜师有这样一句没有上下文的预言：“请小心‘三月’中”，凯撒听后不知道这句话是何意思，于是说让这个占卜师继续做梦吧。结果在三月十五日，凯撒被密谋暗杀。类似的，今天的预测算法可以告诉你一个预言，但却无法提供合适的上下文，这让人难以做出进一步行动的决策。另一个关于预测算法的例子是在最新的《复仇者联盟3》中，出现了一个人工智能合成物“奥创”。奥创只能按字面理解任务，于是把“拯救地球”理解成了“杀死所有的人类”。这就像一个典型的预测算法，按字面理解任务而忽略掉了其它的可能性或任务的现实意义。于是，2016年1月，哈佛商学院教授Michael Luca、经济学教授Sendhil Mullainathan以及康奈尔大学教授Jon Kleinberg联合在《哈佛商业评论》发表了一篇题为《算法也需要管家》的文章，呼吁全球科技界和商界在机器学习算法和人工智能时代要注意算法的管理问题。因为，如果有一天，算法能够决定“凯撒”或地球的命运，那么谁来管理算法呢? IBM大数...

2017-08-01

606

核心内容： 1、Hadoop开发过程中常见问题即解决方案在Hadoop开发的过程中，我们总是遇到各种各样的问题，今天就整理总结一下：万能的解决方案：6个检查+具体日志在Hadoop开发的过程中如果遇到各种异常，首先使用jps命令查看节点的启动是否正常，然后在去查看相关的日志文件，但是在查看相关日志之前，你可以先检查一下面几点： 1、防火墙原因：检查各个节点的防火墙是否关闭成功。(重点是检查NameNode) 2、检查IP地址与主机名的映射关系是否绑定成功 3、检查NameNode是否处于安全模式 4、检查NameNode是否已经进行了格式化处理 5、检查配置文件的配置是否成功 6、检查NameNode节点和DataNode节点中存放的namespaceID的版本号是否相同好的，当我们查看完上述6点之后如果还没有解决问题，那我们再去查看相关的日志文件即可。 OK，到现在为止我在给大家介绍一下在开发过程中经常遇到的几个异常问题： 1、启动hadoop时没有NameNode的可能原因这个问题对于Hadoop的初学者是经常遇到的，之所以出现这个问题，可能有3点原因： 1)、NameN...

2017-08-01

579

资源下载

更多资源

优质分享App

近一个月的开发和优化，本站点的第一个app全新上线。该app采用极致压缩，本体才4.36MB。系统里面做了大量数据访问、缓存优化。方便用户在手机上查看文章。后续会推出HarmonyOS的适配版本。

Mario

马里奥是站在游戏界顶峰的超人气多面角色。马里奥靠吃蘑菇成长，特征是大鼻子、头戴帽子、身穿背带裤，还留着胡子。与他的双胞胎兄弟路易基一起，长年担任任天堂的招牌角色。

Spring

Spring框架（Spring Framework）是由Rod Johnson于2002年提出的开源Java企业级应用框架，旨在通过使用JavaBean替代传统EJB实现方式降低企业级编程开发的复杂性。该框架基于简单性、可测试性和松耦合性设计理念，提供核心容器、应用上下文、数据访问集成等模块，支持整合Hibernate、Struts等第三方框架，其适用范围不仅限于服务器端开发，绝大多数Java应用均可从中受益。

Rocky Linux

Rocky Linux（中文名：洛基）是由Gregory Kurtzer于2020年12月发起的企业级Linux发行版，作为CentOS稳定版停止维护后与RHEL（Red Hat Enterprise Linux）完全兼容的开源替代方案，由社区拥有并管理，支持x86_64、aarch64等架构。其通过重新编译RHEL源代码提供长期稳定性，采用模块化包装和SELinux安全架构，默认包含GNOME桌面环境及XFS文件系统，支持十年生命周期更新。