Apache Hive 基本理论与安装指南详解大数据

一、Hive的基本理论

　　Hive是在HDFS之上的架构，Hive中含有其自身的组件，解释器、编译器、执行器、优化器。解释器用于对脚本进行解释，编译器是对高级语言代码进行编译，执行器是对java代码的执行，优化器是在执行过程中进行优化。这里的代码就是Hadoop中的MapReduce，这里的MapReduce通过Hive往HDFS上执行、分析、查询数据。

　　上图展示hql的执行过程，一个hql脚本首先到hive的解释器，转化为MapReduce（当然例如“select * from table_name;”这样的语句不用转化成MapReduce），解释器是用于解释脚本的，MapReduce是由脚本生成的；然后编译器再对MapReduce程序进行编译；再然后执行器对代码的执行以及优化器在执行过程优化。可见，Hive并没有更改数据的存储介质，数据仍然在HDFS上。Hive只是通过MapReduce对数据进行查询和分析，这时MapReduce不用进行解释、编译、优化，hive会帮助完成。这时写一个MapReduce程序就变成了写一个hql语句/脚本（或者说类似sql语句/脚本）。

　　Hive的本质不是一个数据库，更不是一个服务，它不需要端口，没有监听客户端。正因为hive不是一个服务，所以不需要考虑HA和分布式方面的问题，hive实际上就是一种工具，是一种把sql语句转化成MapReduce，然后再放到hadoop去执行MapReduce的一种工具。可以将hive理解为hadoop的一个客户端，因为是hive去连接hdfs，是hive去提交MapReduce程序到hadoop中的ResourceManager主节点。

　　hive也有其不足之处。虽然hive可以替代一部分MapReduce，但只能做统计查询，以及一些简单的统计分析，要想做数据挖掘仍需写MapReduce。因为hive的特点是基于hql脚本进行操作的，它非常接近关系型数据库的sql语句，所以它的数据结构一定是要有关系的那种才适合统计分析，这种统计分析有局限性。

二、Hive的安装

1. 环境的准备

　　从官方文档中可见，安装hive需要有jdk1.7（或更高版本）和hadoop2.x或hadoop1.x。但是官网上没有说需要一个关系型数据库，实际上hive内嵌了一个关系型数据库derby。但是内置的derby容量小，有些权限受限，不便于管理。

• Hadoop集群

　　hive必须要有MapReduce和HDFS，也就是要有hadoop集群。本文不对Apache Hadoop集群的部署作介绍，这部分内容作者已整理好并将在日后给出。

• 关系型数据库MySQL

　　hive将hdfs上的数据映射成一种表或字段的结构，在hdfs上分析数据时，其实大部分时候都可以变成一种表结构形式的，或者可以映射（当做）成一张表，其实不是表，在hdfs上以文件的形式存储。所以就需要一个存储映射关系数据的库，在hive中使用关系型数据库来存储hdfs文件与表映射关系的数据，这种数据称为元数据。

　　文件的数据如何对应成一张表？需要先查看数据是按什么分隔符分开的。第一个分隔符的第一个域，代表表中的某个字段，同理第二个域、第三个域、第四个域……都分别代表了表的相应的字段，这是一个一一映射的关系。

　　关系型数据库的安装可以参考作者的另一篇博文《使用阿里云主机离线部署CDH步骤详解》中的安装MySQL部分。

　　本文选择node1安装MySQL。并为了能让node5能连接MySQL，需要先添加用户和权限；另外，还需要为hive的元数据存储创建一个数据库，可以任意命名。

　　进入到MySQL：

mysql>create database hive_metadata;
mysql>grant all on hive_metadata.* to root@'%' identified by '12345678'; 
mysql>quit;

• Hive机器上要有Hadoop的jar包和配置文件

　　准备安装hive的这台机器必须要有hdfs和ResourceManager的jar包，同时需要hadoop集群的配置文件。因为在服务器上执行MapReduce时，都需要hadoop的配置文件，而且配置文件要放在classpath路径下。hive要连hdfs也一样，因为hdfs是高可用的，不能指定主节点具体是哪台机器，因为主节点是可以切换的。所以必须要通过配置文件来配置Zookeeper，配置服务名称nameservice等。总之，安装hive的机器上需要有，hadoop的jar包和配置文件（即要有解压之后的hadoop，配置文件可以从Hadoop集群中拷贝），而这台机器的Hadoop是否运行起来无关紧要。

2. hive的安装

　　本文的Hadoop集群是node1、node2、node3、node4，准备安装hive的机器是node5。

• hive的下载

　　从Index of /apache/hive下载hive，本文使用的是1.2版本。

• 启动Hadoop集群

　　第一，关闭防火墙。

$ service iptables stop

　　第二，启动Zookeeper。

$ zkServer.sh start

　　第三，启动hadoop集群。

$ start-all.sh

　　第四，单独启动RM。

　　在两个ResourceManager节点启动RM

$ yarn-daemon.sh start resourcemanager

• 上传、解压、软链接

　　第一，上传。先将下载好的hive包上传到Linux中。

　　第二，解压及软链

$ tar -zxvf apache-hive-1.2.2-bin.tar.gz 
$ ln -sf /root/apache-hive-1.2.2-bin /home/hive-1.2

　　第三，确保当前机器有hadoop集群的配置文件。查看是否有hadoop解压目录，如果有要检查里面的配置文件是否和hadoop集群中的一致。所以最好是直接从hadoop集群的机器中拷贝到当前机器。（当前机器处在hadoop集群中则无需这一步）。

• 在hive机器node5上配置hive的环境变量

$vi ~/.bash_profile

export HIVE_HOME=/home/hive-1.2 
export PATH=$PATH:$HIEV_HOME/bin

source ~/.bash_profile

• 在hive机器node5上配置Hadoop的环境变量

$vi ~/.bash_profile

export HADOOP_HOME=/home/hadoop-2.5 
export PATH=$PATH:$HADOOP_HOME/bin:$HADOOP_HOME/sbin

$ source ~/.bash_profile

• 设置关系型数据库

　　一般不使用hive内置的关系型数据库derby可以选择安装mysql，并修改配置文件，因为元数据很重要，元数据保存了映射关系。hive的元数据就相当于hdfs的元数据，如果hive的元数据丢失的话，它的表结构就会丢失，这时数据并不会丢失，但是需要重新建立表结构，会浪费很多时间。

　　修改$HIVE_HOME/conf/hive-default.xml.template配置文件。这个配置文件在默认情况下没有启用，需要先修改文件名。

$ cd $HIVE_HOME/conf/ 
$ cp hive-default.xml.template hive-site.xml

　　然后再修改hive-site.xml配置文件中的JDBC的四个属性：

　　第一，修改JDBC第一个属性ConnectionURL

　　可以发现其中JDBC的ConnectionURL如下：

　　其关系型数据库为derby，其缺陷有三：一是它的容量小，二是不能跨平台，三是不能由外部用户管理，所以要更换。随意在哪台机器上安装mysql，不一定要在hive机器上。　

　　找到javax.jdo.option.ConnectionURL

　　将其value值改为：jdbc:mysql://node1:3306/hive_metadata

　　第二，修改JDBC的第二个属性ConnectionDriverName

 　　找到属性名为javax.jdo.option.ConnectionDriverName的位置，将其属性值修改为：com.mysql.jdbc.Driver，这个驱动实际上就是一个jar包，要放到hive中。

　　安装driver驱动。上传mysql-connector-java-5.1.32.tar.gz到hive机器，解压，并进入解压目录，可见其中有一个jar包mysql-connector-java-5.1.32-bin.jar。注意jar包的版本要和MySQL一致，如果MySQL使用yum安装，默认安装的是5.1的。将jar包复制到$HIVE_HOME/lib/中：

$ cp -a mysql-connector-java-5.1.32-bin.jar /home/hive-1.2/lib/

　　第三，修改JDBC的第三个属性ConnectionUserName

　　找到属性名为javax.jdo.option.ConnectionUserName的位置，修改其属性值为：root。这是刚才在mysql中建hive_metadata库时使用的用户名。

　　第四，修改JDBC的第四个属性ConnectionPassword

　　找到属性名为javax.jdo.option.ConnectionPassword的位置，修改其属性值为：12345678。这里的密码也是对应mysql数据库中建hive_metadata库时的密码。

　　第五，修改system:java.io.tmpdir路径。

　　如果不修改，启动时会报错如下 Exception in thread “main” java.lang.RuntimeException: java.lang.IllegalArgumentException: java.net.URISyntaxException: Relative path in absolute URI: ${system:java.io.tmpdir%7D/$%7Bsystem:user.name%7D。原因是装载不了这个变量所对应的路径system:java.io.tmpdir。这个路径是hive的临时目录的路径。所以要修改环境变量，或者修改配置文件中的临时目录。

　　在hive-site.xml中使用/${system:java.io.tmpdir，可以找到四处。所以可以将名为hive.server2.logging.operation.log.location的属性值改为/tmp/hive/operation_logs；将名为hive.exec.scratchdir的属性值改为/tmp/hive；将名为hive.exec.local.scratchdir的属性值改为/tmp/hive；将名为hive.downloaded.resources.dir的属性值改为/tmp/hive/resources。保存退出。

• 启动hive

　　使用hive即可进入hive的命令行用户接口。

　　初次启动比较慢，是因为在mysql数据库中，hive会自动在这个刚创建的数据库hive_metadata中建表，可以进入node1的mysql中的hive_metadata数据库中查看。

mysql>use hive_metadata; 
mysql>show tables;