Hive从概念到安装使用总结

开发 前端
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。

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

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

修改$HIVE_HOME/bin的hive-env.sh,增加以下三行

  1. HADOOP_HOME=    --hadoop的home目录 
  2. export HIVE_CONF_DIR=   --hive的conf目录 
  3. export HIVE_AUX_JARS_PATH=   --hive的lib目录 

生效文件:

  1. source /hive-env.sh(生效文件) 

3.2 配置MySQL的metastore

修改$HIVE_HOME/conf/hive-site.xml

  1. <property> 
  2.  
  3. <name>javax.jdo.option.ConnectionURL</name> 
  4.  
  5. <value>jdbc:mysql://localhost:3306/hive?createDatabaseIfNotExist=true</value> 
  6.  
  7. </property> 
  8.  
  9. <property> 
  10.  
  11. <name>javax.jdo.option.ConnectionDriverName</name> 
  12.  
  13. <value>com.mysql.jdbc.Driver</value> 
  14.  
  15. </property> 
  16.  
  17. <property> 
  18.  
  19. <name>javax.jdo.option.ConnectionUserName</name> 
  20.  
  21. <value>root</value> 
  22.  
  23. </property> 
  24.  
  25. <property> 
  26.  
  27. <name>javax.jdo.option.ConnectionPassword</name> 
  28.  
  29. <value>123456</value> 
  30.  
  31. </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

  1. <property> 
  2.  
  3. <name>hive.metastore.warehouse.dir</name> 
  4.  
  5. <value>/usr/local/hive/warehouse</value> 
  6.  
  7. </property> 

(2)设定临时文件目录

  1. <property> 
  2.  
  3. <name>hive.exec.scratdir</name> 
  4.  
  5. <value>/usr/local/hive/tmp</value> 
  6.  
  7. </property> 

(3)hive相关日志的目录

  1. <property> 
  2.  
  3. <name>hive.querylog.location</name> 
  4.  
  5. <value>/usr/local/hive/log</value> 
  6.  
  7. </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:

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

3.5 sqoop的安装

(1)下载、解压:

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

(2)配置sqoop:

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

(3)测试连接数据库并列出数据库:

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

(4)将mysql中的表导入到hive中:

  1. 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

  1. #hive 
  2. hive> create table test(id int, name string); 
  3. hive> show tables; 
  4. hive>quit; 

查看并修改表与目录之间的关系

  1. #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

  1. hive>create table inner_table (key string) 
  2. row format delimited fields terminated by '\t'
  3. //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

  1. CREATE EXTERNAL TABLE page_view 
  2.  
  3. ( viewTime INT, 
  4.  
  5. userid BIGINT, 
  6.  
  7. page_url STRING, 
  8.  
  9. referrer_url STRING, 
  10.  
  11. ip STRING COMMENT 'IP Address of the User'
  12.  
  13. country STRING COMMENT 'country of origination‘ 
  14.  
  15.  
  16. COMMENT 'This is the staging page view table' 
  17.  
  18. ROW FORMAT DELIMITED FIELDS TERMINATED BY '44'  LINES  TERMINATED BY '12' 
  19.  
  20. STORED AS TEXTFILE 
  21.  
  22. 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

 

  1. select * from partition_table 
  2.  
  3. select count(*) from partition_table 
  4.  
  5. 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

  1.  
  2. title   string, # 字段名称 字段类型 
  3.  
  4. minimum_bid     double
  5.  
  6. quantity        bigint, 
  7.  
  8. have_invoice    bigint 
  9.  
  10. )COMMENT '注释:XXX' #表注释 
  11.  
  12. 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) 
  13.  
  14. ROW FORMAT DELIMITED 
  15.  
  16. FIELDS TERMINATED BY '\001'   # 字段是用什么分割开的 
  17.  
  18. 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

  1. hive>set hive.exec.dynamic.partition=true
  2.  
  3. hive>set hive.exec.dynamic.partition.mode=nostrict; 
  4.  
  5. hive>set hive.exec.max.dynamic.partitions.pernode=1000

#查询字段一样

  1. hive>INSERT OVERWRITE TABLE t3 PARTITION(province, city) 
  2.  
  3. SELECT t.province, t.city FROM temp t; 
  4.  
  5. hive>INSERT OVERWRITE TABLE t3 PARTITION(province='bj', city) 
  6.  
  7. 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

 

责任编辑:王雪燕 来源: 码农网
相关推荐

2022-05-25 16:32:36

云原生Cloud

2024-05-29 12:50:49

2020-03-05 09:53:59

ElasticSearLuceneJava

2012-04-25 10:02:39

H3CNGIP

2010-08-25 17:05:41

DHCP服务器

2013-08-19 11:55:48

华为HCC大会HCC2013华为

2017-07-25 16:04:31

概念应用强化学习

2009-07-09 18:20:53

云存储云计算云服务

2012-09-17 09:54:35

云计算云安全

2019-07-12 11:28:00

元数据大数据存储

2014-03-06 09:38:59

微软云计算Windows Azu

2014-06-04 13:20:52

大数据

2019-04-17 09:53:11

物联网网关物联网IOT

2021-09-16 19:22:06

Java概念concurrent

2020-05-27 10:22:43

物联网工业物联网技术

2017-03-27 20:42:17

迁移学习人工智能机器学习

2010-01-15 14:02:48

软交换技术应用

2024-05-28 08:46:50

递归算法题函数

2023-10-17 09:36:32

Spark大数据

2018-05-30 08:15:08

人工智能神经网络
点赞
收藏

51CTO技术栈公众号