大数据开发-hive（入门篇）

一、环境准备

1. 安装好对应版本的hadoop集群

2. 安装mysql服务

二、知识要点

1. Hive是什么

1.1 hive的概念

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Hive SQL转化成MapReduce程序

1.2 Hive与数据库的区别

• Hive 具有 SQL 数据库的外表，但应用场景完全不同。
• Hive 只适合用来做海量离线数据统计分析，也就是数据仓库。

1.3 Hive的优缺点

• 优点

  • 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）。

  • 避免了去写MapReduce，减少开发人员的学习成本。

  • 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。

• 缺点

  • Hive 不支持记录级别的增删改操作
  • Hive 的查询延时很严重
  • Hive 不支持事务

1.4 Hive架构原理

• 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集群

  • 使用HDFS进行存储，使用MapReduce进行计算。

• 4、Driver：驱动器

  • 解析器（SQL Parser）
    • 将SQL字符串转换成抽象语法树AST
    • 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。
  • 编译器（Physical Plan）：将AST编译生成逻辑执行计划。
  • 优化器（Query Optimizer）：对逻辑执行计划进行优化。
  • 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来说默认就是mapreduce任务

2. Hive的安装部署

​ 注意hive就是一个构建数据仓库的工具，只需要在一台服务器上安装就可以了，不需要在多台服务器上安装。

• 1、提前先安装好mysql服务和hadoop集群

• 2、下载hive的安装包

  • http://mirror.bit.edu.cn/apache/hive/hive-1.2.2/apache-hive-1.2.2-bin.tar.gz
  • apache-hive-1.2.2-bin.tar.gz

• 3、规划安装目录

  • /opt/bigdata

• 4、上传安装包到服务器中

• 5、解压安装包到指定的规划目录

  • tar -zxvf apache-hive-1.2.2-bin.tar.gz -C /opt/bigdata

• 6、重命名解压目录

  • mv apache-hive-1.2.2-bin hive

• 7、修改配置文件

  • 进入到Hive的安装目录下的conf文件夹中

    • vim hive-env.sh（mv hive-env.sh.template hive-env.sh）

      #配置HADOOP_HOME路径
      export HADOOP_HOME=/opt/bigdata/hadoop
      #配置HIVE_CONF_DIR路径
      export HIVE_CONF_DIR=/opt/bigdata/hive/conf
      

    • vim hive-site.xml

      <?xml version="1.0"?>
      <?xml-stylesheet type="text/xsl" href="configuration.xsl"?>
      <configuration>
              <property>
                <name>javax.jdo.option.ConnectionURL</name>
                <value>jdbc:mysql://node1:3306/hive?createDatabaseIfNotExist=true&amp;useSSL=false&amp;useUnicode=true&amp;characterEncoding=UTF-8</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>123456</value>
                <description>password to use against metastore database</description>
              </property>
      </configuration>
      
      

    • 需要将mysql的驱动包上传到hive的lib目录下

      • 例如 mysql-connector-java-5.1.38.jar

3. hive的交互方式

• 先启动hadoop集群和mysql服务

3.1 Hive交互shell

cd /opt/bigdata/hive

bin/hive

3.2 Hive JDBC服务

• 启动hiveserver2服务

  • 前台启动

    bin/hive --service hiveserver2
    

• 后台启动

  nohup  bin/hive --service hiveserver2 &
  

• beeline连接hiveserver2

  bin/beeline
  beeline> !connect jdbc:hive2://node1:10000
  
  

3.3 Hive的命令

• hive -e sql语句
  • 使用 –e 参数来直接执行hql的语句

cd /opt/bigdata/hive
bin/hive -e "show databases"

• hive -f sql文件
  • 使用 –f 参数执行包含hql语句的文件
    

4、Hive的数据类型

4.1 基本数据类型

类型名称	描述	举例
boolean	true/false	true
tinyint	1字节的有符号整数	1
smallint	2字节的有符号整数	1
int	4字节的有符号整数	1
bigint	8字节的有符号整数	1
float	4字节单精度浮点数	1.0
double	8字节单精度浮点数	1.0
string	字符串(不设长度)	“abc”
varchar	字符串（1-65355长度，超长截断）	“abc”
timestamp	时间戳	1563157873
date	日期	20190715

4.2 复合数据类型

类型名称	描述	举例
array	一组有序的字段，字段类型必须相同 array(元素1，元素2)	Array（1,2,3）
map	一组无序的键值对 map(k1,v1,k2,v2)	Map(‘a’,1,‘b’,2)
struct	一组命名的字段，字段类型可以不同 struct(元素1，元素2)	Struct(‘a’,1,2,0)

• array字段的元素访问方式：

  • 下标获取元素，下标从0开始

    • 获取第一个元素

      • array[0]

• map字段的元素访问方式

  • 通过键获取值

    • 获取a这个key对应的value

      • map[‘a’]

• struct字段的元素获取方式

  • 定义一个字段c的类型为struct{a int;b string}
    • 获取a和b的值
      • 使用c.a 和c.b 获取其中的元素值
        • 这里可以把这种类型看成是一个对象

create table complex(
         col1 array<int>,
         col2 map<string,int>,
         col3 struct<a:string,b:int,c:double>
)

5、Hive的数据类型转换

5.1 隐式类型转换

• 系统自动实现类型转换，不需要用户干预

  • 如tinyint可以转换成int，int可以转换成bigint。

  • 所有整数类型、float 和 string类型都可以隐式地转换成double。

  • tinyint、smallint、int都可以转换为float。

  • boolean类型不可以转换为任何其它的类型。

5.2 手动类型转换

• 可以使用cast函数操作显示进行数据类型转换

  • cast (‘1’ as int)将把字符串’1’ 转换成整数1；
  • 如果强制类型转换失败，如执行cast(‘x’ as int)，表达式返回空值 NULL。

6、Hive的DDL操作

6.1 hive的数据库DDL操作

6.1.1、创建数据库

hive > create database db_hive;
或者
hive > create database if not exists db_hive;

• 数据库在HDFS上的默认存储路径是==/user/hive/warehouse/*.db==
  

6.1.2、显示数据库

  hive> show databases;

6.1.3、显示数据库

hive> show databases like 'db_hive*';

6.1.4、查看数据库详情

hive> desc database db_hive;

6.1.5、显示数据库详细信息

hive> desc database extended db_hive;

6.1.6、切换当前数据库

hive > use db_hive;

6.1.7、删除数据库

#删除为空的数据库
hive> drop database db_hive;

#如果删除的数据库不存在，最好采用if exists 判断数据库是否存在
hive> drop database if exists db_hive;

#如果数据库中有表存在，这里需要使用cascade强制删除数据库
hive> drop database if exists db_hive cascade;

6.2 hive的表DDL操作

6.2.1 、建表语法介绍

CREATE [EXTERNAL] TABLE [IF NOT EXISTS] table_name 
[(col_name data_type [COMMENT col_comment], ...)] 
[COMMENT table_comment] 
[PARTITIONED BY (col_name data_type [COMMENT col_comment], ...)] 分区
[CLUSTERED BY (col_name, col_name, ...) 分桶
[SORTED BY (col_name [ASC|DESC], ...)] INTO num_buckets BUCKETS] 
[ROW FORMAT row_format]   row format delimited fields terminated by “分隔符”
[STORED AS file_format] 
[LOCATION hdfs_path]

6.2.2 、字段解释说明

• create table
  • 创建一个指定名字的表
• EXTERNAL
  • 创建一个外部表，在建表的同时指定一个指向实际数据的路径（LOCATION），指定表的数据保存在哪里
• COMMENT
  • 为表和列添加注释
• PARTITIONED BY
  • 创建分区表
• CLUSTERED BY
  • 创建分桶表
• SORTED BY
  • 按照字段排序（一般不常用）
• ROW FORMAT
  • 指定每一行中字段的分隔符
    • row format delimited fields terminated by ‘\t’
  • STORED AS
    • 指定存储文件类型
      • 常用的存储文件类型：SEQUENCEFILE（二进制序列文件）、TEXTFILE（文本）、RCFILE（列式存储格式文件）
      • 如果文件数据是纯文本，可以使用STORED AS TEXTFILE。如果数据需要压缩，使用 STORED AS SEQUENCEFILE。
• LOCATION
  • 指定表在HDFS上的存储位置。

6.2.3、 创建内部表

• 1、直接建表
  • 使用标准的建表语句

create table if not exists student(
id int, 
name string
)
row format delimited fields terminated by '\t'
stored as textfile;

• 2、查询建表法
  • 通过AS 查询语句完成建表：将子查询的结果存在新表里，有数据

create table if not exists student1 as select id, name from student;

• 3、like建表法
  • 根据已经存在的表结构创建表

create table if not exists student2 like student;

• 4、查询表的类型

hive > desc formatted student;

6.2.4、 创建外部表

create external table if not exists default.emp(
id int,
name string,
age int
)
row format delimited fields terminated by '\t';
location '/hive/bigdata'

• 创建外部表的时候需要加上**external** 关键字
• location字段可以指定，也可以不指定
  • 指定就是数据存放的具体目录
  • 不指定就是使用默认目录 /user/hive/warehouse
    

6.2.5、 内部表与外部表的互相转换

• 1、内部表转换为外部表

#把student内部表改为外部表
alter table student set tblproperties('EXTERNAL'='TRUE');

• 2、外部表转换为内部表

#把student管理表改为外部表
alter table student set tblproperties('EXTERNAL'='FALSE');

6.2.6、 内部表与外部表的区别

• 1、建表语法的区别

  • 外部表在创建的时候需要加上external关键字

• 2、删除表之后的区别

  • 内部表删除后，表的元数据和真实数据都被删除了

  • 外部表删除后，仅仅只是把该表的元数据删除了，真实数据还在，后期还是可以恢复出来

拓展点

• hive cli命令窗口查看本地文件系统

  • 与操作本地文件系统类似，这里需要使用 ! (感叹号)，并且最后需要加上 ;(分号)
  • 例如
    • !ls /;

• hive cli命令窗口查看HDFS文件系统

  • 与查看HDFS文件系统类似
    • dfs -ls / ;

• hive的底层执行引擎有3种

  • mapreduce(默认)
  • tez（支持DAG作业的计算框架）
  • spark（基于内存的分布式计算框架）

总结