Hive(一)基础知识详解大数据

一、Hive的基本概念 （安装的是Apache hive 1.2.1）

     1、hive简介          

        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数据库表， 并提供类 SQL 查询功能， hive 底层是将 SQL 语句转换为 MapReduce 任务运行（类似于插件Pig/impala/Spark Sql）
                 结构化：有行有列，格式整齐标准

               非结构化：格式不统一，不标准，有长有短
               半结构化：参差不齐，有规律，并不是完全有规律

      2、为什么使用HIVE

             直接使用 Hadoop 所面临的问题：
                 人员学习成本太高
                 项目周期要求太短
                 MapReduce 实现复杂查询逻辑开发难度太大
            为什么要使用 Hive
                   操作接口采用类 SQL 的语法，提供快速开发的能力
                  避免了写 MapReduce，减少开发人员的学习成本
                  功能扩展很方便

       3、hive的特点               

           可扩展性（横向扩展）
                   Hive 可以自由的扩展集群的规模，而且一般情况下不需要重启服务
           延展性
                  Hive 支持自定义函数，用户可以根据自己的需求来实现自己的函数
           容错
                 良好的容错性，可以保障即使有节点出现问题， SQL 语句仍可完成执行

         （ 横向扩展：通过分担压力的方式扩展集群规模            纵向扩展：扩展线程，扩展内存等这种方式就是纵向扩展 ）

       4、hive架构

              用户接口：

                    CLI， shell 终端命令行，最常用（学习，调试，生产）
                    JDBC/ODBC，是 hive 的基于 JDBC 操作提供的客户端， 用户（开发员，运维人员） 通过 这连接至 hive server
                    Web UI ，通过浏览器访问 hive             

             元数据存储：
                      元数据，通俗的讲， 就是存储在 Hive 中的数据的描述信息。
                      Hive 中的元数据通常包括：表的名字，表的列和分区及其属性，表的属性（内部表和外部表），表的数据所在目录 

                      Metastore 默认存在自带的 Derby 数据库中。缺点就是不适合多用户操作，并且数据存 储目录不固定。数据库跟着 hive 走，极度不方便管理
                      解决方案：通常存我们自己创建的 MySQL 库（本地 或 远程）           

            解释器，编译器，优化器，执行器
                      这四大组件完成 HQL 查询语句从词法分析，语法分析，编译，优化，以及生成查询计  划的生成。生成的查询计划存储在 HDFS 中，并随后由 MapReduce 调用执行

            执行流程：               

                   HiveQL 通过命令行或者客户端提交，经过 Compiler 编译器，运用 Metastore 中的元数据 进行类型检测和语法分析，生成一个逻辑方案(logical plan)，然后通过的优化处理，产生一 个 MapReduce 任务。

    5、hive和hadoop的关系

                    

             Hive 依赖于 HDFS 存储数据
             Hive 将 HQL 转换成 MapReduce 执行
             所以说 Hive 是基于 hadoop 的一个数据仓库工具，实质就是一款基于 HDFS 的 MapReduce 计 算框架
       6、hive和RDBMS的对比

   

        总结： hive 具有 sql 数据库的外表，但应用场景完全不同， hive 只适合用来做批量海量数据 统计分析
       7、hive的数据存储

              （1） Hive 中所有的数据都存储在 HDFS 中，没有专门的数据存储格式（可支持 Text，SequenceFile， ParquetFile， RCFILE 等）
                     SequenceFile 是 hadoop 中的一种文件格式：文件内容是以序列化的 kv 对象来组织的
              （2） 只需要在创建表的时候告诉 Hive 数据中的列分隔符和行分隔符， Hive 就可以解析数据
              （3） Hive 中包含以下数据模型：
                       db：在 hdfs 中表现为${hive. metastore.warehouse.dir}目录下一个文件夹
                    table：在 hdfs 中表现所属 db 目录下一个文件夹
                   external table：与 table 类似，不过其数据存放位置可以在任意指定路径
                   partition：在 hdfs 中表现为 table 目录下的子目录
                   bucket：在 hdfs 中表现为同一个表目录下根据 hash 散列之后的多个文件

                 （内界表，删除时，元数据和数据都删除；外界表删除时，表中数据还在，删除的是元数据信息）

二、hive环境搭建

      第一种版本：内嵌Derby版本           

         1、 上传安装包 apache-hive-1.2.1-bin.tar.gz
         2、 解压安装包 tar –zxvf apache-hive-1.2.1-bin.tar.gz
         3、 进入到 bin 目录，运行 hive 脚本： [[email protected] bin]$ ./hive

       第二种版本：外置mysql版本

               1、 安装 MySQL
               2、 上传安装包 apache-hive-1.2.1-bin.tar.gz
               3、 解压安装包 tar –zxvf apache-hive-1.2.1-bin.tar.gz
               4、 修改配置文件
                    [[email protected] conf]# vi hive-site.xml

    

<configuration>
<property>
<name>javax.jdo.option.ConnectionURL</name>
<value>jdbc:mysql://hadoop02:3306/hivedb?createDatabaseIfNotExist=true</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>root</value>
<description>password to use against metastore database</description>
</property>
</configuration>

       

       5、 一定要记得加入 mysql 的驱动包（ mysql-connector-java-5.1.31-bin.jar）
       6、 启动 hive

三、hive使用方式，即三种连接方式

       1、CLI

      2、HiveServer2/beeline

          第一种：

         启动方式，（假如是在 hadoop02 上）：
         启动为前台： bin/hiveserver2
         启动为后台： nohup bin/hiveserver2 1>/var/log/hiveserver.log 2>/var/log/hiveserver.err &  

                          或者:nohup bin/hiveserver2 1>/dev/null 2>/dev/null &
                          nohup bin/hiveserver2 >/dev/null 2>&1 &  （两个日志文件标准输出到同一个文件中）
                          1：表示标准日志输出
                          2：表示错误日志输出
          如果我没有配置日志的输出路径，日志会生成在当前工作目录， 默认的日志名称叫做： nohup.xxx
          

nohup 命令：如果你正在运行一个进程，而且你觉得在退出帐户时该进程还不会结束， 那么可以使用 nohup 命令。该命令可以在你退出帐户/关闭终端之后继续运行相应的进程。
nohup 就是不挂起的意思( no hang up)。
该命令的一般形式为： nohup command &

            然后启动客户端去连接：bin/beeline -u jdbc:hive2://hadoop02:10000 -n root   （root为用户名）

           第二种：

        3、web UI

             (1) 下载对应版本的 src 包： apache-hive-1.2.1-src.tar.gz
             (2) 上传，解压
                   tar -zxvf apache-hive-1.2.1-src.tar.gz
             (3) 然后进入目录${HIVE_SRC_HOME}/hwi/web，执行打包命令:
                  jar -cvf hive-hwi-1.2.1.war *
                  在当前目录会生成一个 hive-hwi-1.2.1.war
             (4) 得到 hive-hwi-1.2.1.war 文件，复制到 hive 下的 lib 目录中。
                  cp hive-hwi-1.2.1.war ${HIVE_HOME}/lib
             (5) 修改配置文件 hive-site.xml
<property>
<name>hive.hwi.listen.host</name>
<value>0.0.0.0</value>
<description>监听的地址</description>
</property>
<property>
<name>hive.hwi.listen.port</name>
<value>9999</value>
<description>监听的端口号</description>
</property>
<property>
<name>hive.hwi.war.file</name>
<value>lib/hive-hwi-1.2.1.war</value>
<description>war 包所在的地址，注意这里不支持绝对路径，坑！ </description>
</property>
            (6) 复制 tools.jar
                 cp ${JAVA_HOME}/lib/tools.jar ${HIVE_HOME}/lib

           (7)安装ant

          (8) 上面的步骤都配置完，基本就大功告成了。进入${HIVE_HOME}/bin 目录：
                hive –service hwi
                或者让在后台运行：
                nohup bin/hive –service hwi > /dev/null 2> /dev/null &
          (9) 前面配置了端口号为 9999，所以这里直接在浏览器中输入:
                hadoop02:9999/hwi
          (10)至此大功告成

四、hive的基本使用         

      1、 创建库： create database mydb;
      2、 查看库： show databases;
      3、 创建表： create table t_user(id string, name string)
            或 create table t_user2 (id string, name string) row format delimited fields terminated by ‘,’;
      4、 插入数据： insert into tables t_user values (‘001’,’mazhonghua’)
      5、 查询数据： select * from t_user;
      6、 导入数据：
           a) 导入 HDFS 数据： load data inpath ‘/mingxing.txt’ into table t_user1;
           b) 导入本地数据： load data local inpath ‘/root/hivedata/mingxing.txt’ into table t_user1;

    指定分隔 符，建表之后就不能改变，除非复制重新建表