[大数据]Hive-入门、安装以及基本使用

Hive基本概念

Hive:由 Facebook 开源用于解决海量结构化日志的数据统计工具。

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。

Hive 本质:将 HQL 转化成 MapReduce 程序

(1)Hive 处理的数据存储在 HDFS

(2)Hive 分析数据底层的实现是 MapReduce

(3)执行程序运行在 Yarn 上

Hive相当于Hadoop的客户端，因此Hive不需要集群，也不能做集群。用类SQL的语句去进行MR任务的执行。

Hive 的优缺点

优点

(1)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)。

(2)避免了去写 MapReduce,减少开发人员的学习成本。

(3)Hive 的执行延迟比较高,因此 Hive 常用于数据分析,对实时性要求不高的场合。

(4)Hive 优势在于处理大数据,对于处理小数据没有优势,因为 Hive 的执行延迟比较高。

(5)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 的 HQL 表达能力有限

(1)迭代式算法无法表达，无法表达多个MR的串行调用。

(2)数据挖掘方面不擅长,由于 MapReduce 数据处理流程的限制,效率更高的算法却无法实现。

Hive 的效率比较低

(1)Hive 自动生成的 MapReduce 作业,通常情况下不够智能化

(2)Hive 调优比较困难,粒度较粗

Hive 架构原理

1)用户接口:Client

CLI(command-line interface)、JDBC/ODBC(jdbc 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

使用 HDFS 进行存储,使用 MapReduce 进行计算。

4)驱动器:Driver

(1)解析器(SQL Parser):将 SQL 字符串转换成抽象语法树 AST,这一步一般都用第三方工具库完成,比如 antlr;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。就是将sql转换成MR程序。

(2)编译器(Physical Plan):将 AST 编译生成逻辑执行计划。

(3)优化器(Query Optimizer):对逻辑执行计划进行优化。

(4)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,就是 MR/Spark的执行。

Hive 通过给用户提供的一系列交互接口,接收到用户的指令(SQL),使用自己的 Driver,结合元数据(MetaStore),将这些指令翻译成 MapReduce,提交到 Hadoop 中执行,最后,将执行返回的结果输出到用户交互接口。

Hive 和数据库比较

由于 Hive 采用了类似 SQL 的查询语言 HQL(Hive Query Language),因此很容易将 Hive 理解为数据库。其实从结构上来看,Hive 和数据库除了拥有类似的查询语言,再无类似之处。本文将从多个方面来阐述 Hive 和数据库的差异。数据库可以用在 Online 的应用中,但是Hive 是为数据仓库而设计的,清楚这一点,有助于从应用角度理解 Hive 的特性。

查询语言

由于 SQL 被广泛的应用在数据仓库中,因此,专门针对 Hive 的特性设计了类 SQL 的查询语言 HQL。熟悉 SQL 开发的开发者可以很方便的使用 Hive 进行开发。

数据更新

由于 Hive 是针对数据仓库应用设计的,而数据仓库的内容是读多写少的。因此, Hive 中不建议对数据的改写,所有的数据都是在加载的时候确定好的。而数据库中的数据通常是需要经常进行修改的,因此可以使用 INSERT INTO … VALUES 添加数据,使用 UPDATE … SET 修改数据。

执行延迟

Hive 在查询数据的时候,由于没有索引,需要扫描整个表,因此延迟较高。另外一个导致 Hive 执行延迟高的因素是 MapReduce 框架。由于 MapReduce 本身具有较高的延迟,因此在利用 MapReduce 执行 Hive 查询时,也会有较高的延迟。相对的,数据库的执行延迟较低。当然,这个低是有条件的,即数据规模较小,当数据规模大到超过数据库的处理能力的时候,Hive 的并行计算显然能体现出优势。

数据规模

由于 Hive 建立在集群上并可以利用 MapReduce 进行并行计算,因此可以支持很大规模的数据;对应的,数据库可以支持的数据规模较小。

Hive安装

Hive安装地址

1)Hive 官网地址

http://hive.apache.org/

2)文档查看地址

https://cwiki.apache.org/confluence/display/Hive/GettingStarted

3)下载地址

http://archive.apache.org/dist/hive/

4)github 地址

https://github.com/apache/hive

Hive安装部署

1、把 apache-hive-3.1.2-bin.tar.gz 上传到指定目录下，并完成解压

2、修改/etc/profile添加环境变量

#HIVE_HOME
export HIVE_HOME=/opt/module/hive
export PATH=$PATH:$HIVE_HOME/bin

3、解决日志 Jar 包冲突

mv $HIVE_HOME/lib/log4j-slf4j-impl-2.10.0.jar $HIVE_HOME/lib/log4j-slf4j-impl-2.10.0.bak

4、初始化元数据库

bin/schematool -dbType derby -initSchema

5、保证hdfs和yarn已经启动

6、启动hive

bin/hive

hive> show databases;
hive> show tables;
hive> create table test(id int);
hive> insert into test values(1001);
hive> select * from test;

## 创建的表和数据将会保存在HDFS的指定目录下，默认是/user/hive/warehouse/dbname

如果插入语句执行出现以下错误的话

[2019-07-09 08:07:16.715]Container exited with a non-zero exit code 1. Error file: prelaunch.err.
Last 4096 bytes of prelaunch.err :
Last 4096 bytes of stderr :
Error: Could not find or load main class org.apache.hadoop.mapreduce.v2.app.MRAppMaster
Please check whether your etc/hadoop/mapred-site.xml contains the below configuration:
<property>
<name>yarn.app.mapreduce.am.env</name>
<value>HADOOP_MAPRED_HOME=${full path of your hadoop distribution directory}</value>
</property>
<property>
<name>mapreduce.map.env</name>
<value>HADOOP_MAPRED_HOME=${full path of your hadoop distribution directory}</value>
</property>
<property>
<name>mapreduce.reduce.env</name>
<value>HADOOP_MAPRED_HOME=${full path of your hadoop distribution directory}</value>
</property>

在命令行执行，复制信息

hadoop classpath

编辑yarn-site.xml，添加信息：

<configuration>
  <property>
    <name>yarn.application.classpath</name>
    <value>复制的Hadoop classpath信息</value>
  </property>
</configuration>

在所有的Master和Slave节点进行如上设置，设置完毕后重启Hadoop集群，即可解决。

7、查看默认日志打印，在/tmp/bd/hive.log中

如果在另一个窗口再次开启hive的话，会出现错误原因在于 Hive 默认使用的元数据库为 derby,开启 Hive 之后就会占用元数据库,且不与其他客户端共享数据,所以我们需要将 Hive 的元数据地址改为 MySQL。MySQL是允许多个客户端同时连接的

Hive 元数据配置到 MySQL

前提是需要安装好mysql或者mariadb

1、将 MySQL 的 JDBC 驱动（mysql-connector-java-5.1.37.jar）拷贝到 Hive 的 lib 目录下

2、配置 Metastore 到 MySQL

2.1、在$HIVE_HOME/conf 目录下新建 hive-site.xml 文件

<?xml version="1.0"?>
<?xml-stylesheet type="text/xsl" href="configuration.xsl"?>
<configuration>
    <!-- jdbc 连接的 URL -->
    <property>
        <name>javax.jdo.option.ConnectionURL</name>
        <value>jdbc:mysql://10.10.10.38:13306/metastore?useSSL=false</value>
    </property>
    <!-- jdbc 连接的 Driver-->
    <property>
        <name>javax.jdo.option.ConnectionDriverName</name>
        <value>com.mysql.jdbc.Driver</value>
    </property>
    <!-- jdbc 连接的 username-->
    <property>
        <name>javax.jdo.option.ConnectionUserName</name>
        <value>root</value>
    </property>
    <!-- jdbc 连接的 password -->
    <property>
        <name>javax.jdo.option.ConnectionPassword</name>
        <value>123456</value>
    </property>
    <!-- Hive 元数据存储版本的验证 -->
    <property>
        <name>hive.metastore.schema.verification</name>
        <value>false</value>
    </property>
    <!--元数据存储授权-->
    <property>
        <name>hive.metastore.event.db.notification.api.auth</name>
        <value>false</value>
    </property>
    <!-- Hive 默认在 HDFS 的工作目录 -->
    <property>
        <name>hive.metastore.warehouse.dir</name>
        <value>/user/hive/warehouse</value>
    </property>
</configuration>

2.2、到指定mysql建立metastore数据库

mysql -uroot -h10.10.10.38 -P13306 -p123456 -e "create database metastore"

2.3、初始化 Hive 元数据库

schematool -initSchema -dbType mysql -verbose

2.4、启动Hive执行命令

hive> show databases;
hive> show tables;   ## 没有test表了
hive> create table test(id int);
hive> select * from test;

## select还是有数据，说明hive创建表只是在创建元数据也就是映射关系，而数据是保存在hdfs中的，select也是通过映射关系找到hdfs保存数据的路径，然后读取文件中的内容

## 可以创建一个文件，将其与test表保存路径放到同一个目录下，内容如下
1111
12345 5678 哈哈哈

再次查询得到结果如下：

hive> select * from test;

OK
1001
1111
NULL

## 12345 5678 哈哈哈转成int失败，导致获取结果为NULL

我们可以通过数据库的DBS表查看元数据保存的数据库信息，内容如下

通过TBLS查看表：

其中的数据库的路径+表明就得到了该表数据在HDFS的保存目录。Hive是先根据表名去找元数据，然后通过元数据找到HDFS的保存目录，最后通过读取HDFS下的文件内容来获取数据的。

因此要通过Hive来查询数据，也可以直接put格式化的数据文件到指定目录，Hive也是可以查到的。

使用元数据服务的方式访问 Hive

1)在 hive-site.xml 文件中添加如下配置信息

<!-- 指定存储元数据要连接的地址 -->
<property>
    <name>hive.metastore.uris</name>
    <value>thrift://hadoop113:9083</value>
</property>

2)启动 metastore

hive --service metastore
2021-08-13 17:27:13: Starting Hive Metastore Server

注意: 启动后窗口不能再操作，因为是前台运行

使用 JDBC 方式访问 Hive

1)在 hive-site.xml 文件中添加如下配置信息

<!-- 指定 hiveserver2 连接的 host -->
<property>
	<name>hive.server2.thrift.bind.host</name>
    <value>hadoop113</value>
</property>
<!-- 指定 hiveserver2 连接的端口号 -->
<property>
    <name>hive.server2.thrift.port</name>
    <value>10000</value>
</property>

2)启动metastore 和 hiveserver2(需要多等待一会)

hive --service metastore
hive --service hiveserver2

3)启动 beeline 客户端，或者通过代码去连接

bin/beeline -u jdbc:hive2://hadoop113:10000 -n bd

如果出现以下错误

[bd@hadoop113 ~]$ beeline -u jdbc:hive2://hadoop113:10000 -n bd
Connecting to jdbc:hive2://hadoop113:10000
21/08/13 17:37:16 [main]: WARN jdbc.HiveConnection: Failed to connect to hadoop113:10000
Error: Could not open client transport with JDBC Uri: jdbc:hive2://hadoop113:10000: Failed to open new session: java.lang.RuntimeException: org.apache.hadoop.ipc.RemoteException(org.apache.hadoop.security.authorize.AuthorizationException): User: bd is not allowed to impersonate bd (state=08S01,code=0)
Beeline version 3.1.2 by Apache Hive

则通过修改Hadoop的core-site.xml文件，添加以下内容，并下发到各个服务器，然后重启集群即可解决

<!-- bd的Hostname -->
<property>
    <name>hadoop.proxyuser.bd.hosts</name>
    <value>*</value>
</property>

<!-- 允许被bd代理的用户组 -->
<property>
    <name>hadoop.proxyuser.bd.groups</name>
    <value>*</value>
</property>

运行成功之后进入如下界面，即可进行cli的交互了

Connecting to jdbc:hive2://hadoop113:10000
Connected to: Apache Hive (version 3.1.2)
Driver: Hive JDBC (version 3.1.2)
Transaction isolation: TRANSACTION_REPEATABLE_READ
Beeline version 3.1.2 by Apache Hive
0: jdbc:hive2://hadoop113:10000> 

后台运行Hive服务

第一种方法：

前台启动的方式导致需要打开多个 shell 窗口,可以使用如下方式后台方式启动

nohup: 放在命令开头,表示不挂起,也就是关闭终端进程也继续保持运行状态

/dev/null:是 Linux 文件系统中的一个文件,被称为黑洞,所有写入改文件的内容都会被自动丢弃

2>&1 : 表示将错误重定向到标准输出上，0表示标准输入，1表示标准输出，2表示错误输出

&: 放在命令结尾,表示后台运行

一般会组合使用: nohup [xxx 命令操作]> file 2>&1 &,表示将 xxx 命令运行的结果输出到 file 中,并保持命令启动的进程在后台运行。

那么只需要通过如下运行即可

nohup hive --service metastore 2>&1 &
nohup hive --service hiveserver2 2>&1 &

第二种方法：

为了方便使用,可以直接编写脚本来管理服务的启动和关闭

脚本（$HIVE_HOME/bin/hiveservices.sh）内容如下，需要为其添加可执行脚本

#!/bin/bash

HIVE_LOG_DIR=$HIVE_HOME/logs
if [ ! -d $HIVE_LOG_DIR ]
then
	mkdir -p $HIVE_LOG_DIR
fi

#检查进程是否运行正常,参数 1 为进程名,参数 2 为进程端口
function check_process()
{
    pid=$(ps -ef 2>/dev/null | grep -v grep | grep -i $1 | awk '{print $2}')
    ppid=$(netstat -nltp 2>/dev/null | grep $2 | awk '{print $7}' | cut -d '/' -f 1)
    echo $pid
    [[ "$pid" =~ "$ppid" ]] && [ "$ppid" ] && return 0 || return 1
}

function hive_start()
{
    metapid=$(check_process HiveMetastore 9083)
    cmd="nohup hive --service metastore >$HIVE_LOG_DIR/metastore.log 2>&1 &"
    [ -z "$metapid" ] && eval $cmd || echo "Metastroe 服务已启动"
    server2pid=$(check_process HiveServer2 10000)
    # cmd="nohup hiveserver2 >$HIVE_LOG_DIR/hiveServer2.log 2>&1 &"
    cmd="nohup hive --service hiveserver2 >$HIVE_LOG_DIR/hiveServer2.log 2>&1 &"
    [ -z "$server2pid" ] && eval $cmd || echo "HiveServer2 服务已启动"
}

function hive_stop()
{
    metapid=$(check_process HiveMetastore 9083)
    [ "$metapid" ] && kill $metapid || echo "Metastore 服务未启动"
    server2pid=$(check_process HiveServer2 10000)
    [ "$server2pid" ] && kill $server2pid || echo "HiveServer2 服务未启动"
}

case $1 in
"start")
	hive_start
	;;
"stop")
	hive_stop
	;;
"restart")
	hive_stop
	sleep 2
	hive_start
	;;
"status")
    check_process HiveMetastore 9083 >/dev/null && echo "Metastore 服务运行正常" || echo "Metastore 服务运行异常"
    check_process HiveServer2 10000 >/dev/null && echo "HiveServer2 服务运行正常" || echo "HiveServer2 服务运行异常"
	;;
*)
    echo Invalid Args!
    echo 'Usage: '$(basename $0)' start|stop|restart|status'
	;;
esac

之后为了方便测试都采用直连Hive的方式（bin/hive进行交互），进行访问，因此将hive-site.xml中的以下内容注释，生产环境要用JDBC方式来访问Hive，也就是以下内容不能注释掉。

<!-- 指定存储元数据要连接的地址 -->
<property>
    <name>hive.metastore.uris</name>
    <value>thrift://hadoop113:9083</value>
</property>
<!-- 指定 hiveserver2 连接的 host -->
<property>
    <name>hive.server2.thrift.bind.host</name>
    <value>hadoop113</value>
</property>
<!-- 指定 hiveserver2 连接的端口号 -->
<property>
    <name>hive.server2.thrift.port</name>
    <value>10000</value>
</property>

Hive 常用交互命令

hive -h

usage: hive
 -d,--define <key=value>          Variable substitution to apply to Hive
                                  commands. e.g. -d A=B or --define A=B
    --database <databasename>     Specify the database to use
 -e <quoted-query-string>         SQL from command line
 -f <filename>                    SQL from files
 -H,--help                        Print help information
    --hiveconf <property=value>   Use value for given property
    --hivevar <key=value>         Variable substitution to apply to Hive
                                  commands. e.g. --hivevar A=B
 -i <filename>                    Initialization SQL file
 -S,--silent                      Silent mode in interactive shell
 -v,--verbose                     Verbose mode (echo executed SQL to the
                                  console)

1. -e 不进入 hive 的交互窗口执行 sql 语句

bin/hive -e "select id from student;"

2. -f 执行脚本中 sql 语句

bin/hive -f /opt/module/hive/datas/hivef.sql

## 执行文件中的 sql 语句并将结果写入文件中
bin/hive -f /opt/module/hive/datas/hivef.sql > /opt/module/datas/hive_result.txt

Hive 其他命令操作

1. 退出 hive 窗口:

hive(default)>exit;
hive(default)>quit;
# Ctrl + c

2)在 hive cli 命令窗口中如何查看 hdfs 文件系统

hive(default)>dfs -ls /;

3)查看在 hive 中输入的所有历史命令

(1)进入到当前用户的根目录 /root 或/home/bd

(2)查看. hivehistory 文件

cat .hivehistory

Hive 常见属性配置

Hive 运行日志信息配置

Hive 的 log 默认存放在/tmp/bd/hive.log 目录下(当前用户名下)

修改 hive 的 log 存放日志到/opt/module/hive/logs

## 修改/opt/module/hive/conf/hive-log4j2.properties.template 文件名称为hive-log4j2.properties

## 在 hive-log4j2.properties 文件中修改 log 存放位置
hive.log.dir=/opt/module/hive/logs

打印当前库和表头

在hive-site中加入以下

<!-- 打印当前库和表头 -->
<property>
    <name>hive.cli.print.header</name>
    <value>true</value>
</property>
<property>
    <name>hive.cli.print.current.db</name>
    <value>true</value>
</property>

没加之前

hive> select * from test;
OK
1001
1111
NULL
Time taken: 0.902 seconds, Fetched: 3 row(s)

加了之后

hive (default)> select * from test;
OK
test.id
1001
1111
NULL
Time taken: 2.331 seconds, Fetched: 3 row(s)

参数配置方式

1)查看当前所有的配置信息

hive>set;

2)参数的配置三种方式

(1)配置文件方式

默认配置文件:hive-default.xml

用户自定义配置文件:hive-site.xml

注意:用户自定义配置会覆盖默认配置。另外, Hive 也会读入 Hadoop 的配置,因为 Hive是作为 Hadoop 的客户端启动的,Hive 的配置会覆盖 Hadoop 的配置。配置文件的设定对本机启动的所有 Hive 进程都有效。

(2)命令行参数方式

启动 Hive 时,可以在命令行添加**-hiveconf param=value** 来设定参数。

bin/hive -hiveconf mapred.reduce.tasks=10;

注意:仅对本次 hive 启动有效

查看参数设置:

hive (default)> set mapred.reduce.tasks;

(3)参数声明方式

可以在 HQL 中使用 SET 关键字设定参数

hive (default)> set mapred.reduce.tasks=100;

注意:仅对本次 hive 启动有效

查看参数设置

hive (default)> set mapred.reduce.tasks;

上述三种设定方式的优先级依次递增。即配置文件<命令行参数<参数声明。注意某些系统级的参数,例如 log4j 相关的设定,必须用前两种方式设定,因为那些参数的读取在会话建立以前已经完成了。

其他

在TABLE_PARAMS表中，会存放通过hive创建的表或者数据的信息。

其中numRows就表示通过hive创建的行的个数，那么通过直接上传文件到HDFS，虽然也能起到为表插入数据的作用，但是它不会去修改numRows的内容（元数据）。

而count(*)命令在默认情况下会直接去读取numRows的数据，而不是去执行MR任务，这样做主要是因为不执行MR的话会提高效率。