大数据之——Hive

学习： 尚硅谷-Hive

1. Hive 基本概念

1.1 什么是 Hive

1） hive 简介

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。

2） Hive 本质：将 HQL 转化成 MapReduce 程序

1.2 Hive 的优缺点

1.2.1 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。

1.2.2 缺点

1）Hive 的 HQL 表达能力有限

（1）迭代式算法无法表达

（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。

2）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

1.3 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。

（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。

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

2. Hive 安装

2.1 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

2.2Hive 安装部署

2.2.1 安装 Hive

1）把 apache-hive-3.1.2-bin.tar.gz 上传到 linux 的/opt/software 目录下

2）解压 apache-hive-3.1.2-bin.tar.gz 到/opt/module/目录下面

[tao@hadoop102 software]$  tar -zxvf /opt/software/apache-hive-3.1.2-bin.tar.gz -C /opt/module/

1
2

3）修改 apache-hive-3.1.2-bin.tar.gz 的名称为 hive

[tao@hadoop102 module]$ mv apache-hive-3.1.2-bin/ hive
1

4）修改/etc/profile.d/my_env.sh，添加环境变量

[tao@hadoop102 module]$ sudo vim /etc/profile.d/my_env.sh
1

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

1
2
3
4

[tao@hadoop102 hive]$ source /etc/profile
1

6）解决日志 Jar 包冲突(可选择)

[tao@hadoop102 hive]$ mv $HIVE_HOME/lib/log4j-slf4j-impl-2.10.0.jar $HIVE_HOME/lib/log4j-slf4j-impl-2.10.0.bak
1

7）初始化元数据库

[tao@hadoop102 hive]$  bin/schematool -dbType derby -initSchema
1

2.2.2 启动并使用 Hive

1）启动 Hive

## Hadoop 中的脚本  启动Hadoop
[tao@hadoop102 hive]$ myhadoop.sh start

[tao@hadoop102 hive]$   bin/hive
1
2
3
4

2）使用 Hive

hive> show databases;
hive> show tables;
hive> create table test(id int);
hive> insert into test values(1);
hive> select * from test;
1
2
3
4
5

默认存储路径

/user/hive/warehouse/test
1

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

监控日志

[tao@hadoop102 tao]$ cd /tmp/tao
[tao@hadoop102 tao]$ ll
总用量 148
-rw-rw-r--. 1 tao tao 147606 11月 18 20:49 hive.log
[tao@hadoop102 tao]$ tail -f hive.log 
1
2
3
4
5

2.3MySQL 安装

1）检查当前系统是否安装过 MySQL

[tao@hadoop102 ~]$ rpm -qa|grep mariadb

# 出现 mariadb-libs-5.5.56-2.el7.x86_64 
# 删除
[tao@hadoop102 ~]$ sudo rpm -e --nodeps mariadb-libs
## 再次检查就没有
1
2
3
4
5
6

2）将 MySQL 安装包拷贝到/opt/software 目录下

3）解压 MySQL 安装包

[tao@hadoop102 software]$ tar -xf mysql-5.7.28-1.el7.x86_64.rpm-bundle.tar 
1

4）在安装目录下执行 rpm 安装

[tao@hadoop102 software]$ 
sudo rpm -ivh mysql-community-common-5.7.28-1.el7.x86_64.rpm
sudo rpm -ivh mysql-community-libs-5.7.28-1.el7.x86_64.rpm
sudo rpm -ivh mysql-community-libs-compat-5.7.28-1.el7.x86_64.rpm
sudo rpm -ivh mysql-community-client-5.7.28-1.el7.x86_64.rpm
sudo rpm -ivh mysql-community-server-5.7.28-1.el7.x86_64.rpm
1
2
3
4
5
6

5）删除/etc/my.cnf 文件中 datadir 指向的目录下的所有内容,如果有内容的情况下:

查看 datadir 的值：

cat /etc/my.cnf 
1

删除/var/lib/mysql 目录下的所有内容:

[tao@hadoop102 mysql]$ sudo rm -rf ./*
1

6）初始化数据库

[tao@hadoop102 opt]$ sudo mysqld --initialize --user=mysql
1

7）查看临时生成的 root 用户的密码

[tao@hadoop102 opt]$ sudo cat /var/log/mysqld.log
1

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-01dY8HFV-1668853155970)(pics/image-20221118170223229.png)]

8）启动 MySQL 服务

[tao@hadoop102 opt]$ sudo systemctl start mysqld
1

9）登录 MySQL 数据库

临时密码：w7pjoO3NjH=d

 [tao@hadoop102 opt]$ mysql -uroot -p
1

10）必须先修改 root 用户的密码,否则执行其他的操作会报错

mysql> set password = password("新密码"); #123456
1

11）修改 mysql 库下的 user 表中的 root 用户允许任意 ip 连接

mysql> update mysql.user set host='%' where user='root';
mysql> flush privileges;
1
2

## 系统表
mysql> show databases;
mysql> use mysql
1
2
3

2.4 Hive 元数据配置到 MySQL

2.4.1 拷贝驱动

将 MySQL 的 JDBC 驱动拷贝到 Hive 的 lib 目录下

[tao@hadoop102 software]$ cp /opt/software/mysql-connector-java-5.1.27-bin.jar $HIVE_HOME/lib

1
2

2.4.2 配置 Metastore 到 MySQL

1）在$HIVE_HOME/conf 目录下新建 hive-site.xml 文件

vim $HIVE_HOME/conf/hive-site.xml
1

<configuration>
    
    <property>
        <name>javax.jdo.option.ConnectionURLname>
        <value>jdbc:mysql://hadoop102:3306/metastore?useSSL=falsevalue>
    property>

    
    <property>
        <name>javax.jdo.option.ConnectionDriverNamename>
        <value>com.mysql.jdbc.Drivervalue>
    property>

    
    <property>
        <name>javax.jdo.option.ConnectionUserNamename>
        <value>rootvalue>
    property>

    
    <property>
        <name>javax.jdo.option.ConnectionPasswordname>
        <value>000000value>
    property>

    
    <property>
        <name>hive.metastore.schema.verificationname>
        <value>falsevalue>
    property>

    
    <property>
        <name>hive.metastore.event.db.notification.api.authname>
        <value>falsevalue>
    property>

    
    <property>
        <name>hive.metastore.warehouse.dirname>
        <value>/user/hive/warehousevalue>
    property>
configuration>
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45

2）登陆 MySQL

[tao@hadoop102 software]$ mysql -uroot -p123456
1

3）新建 Hive 元数据库

mysql> create database metastore;
mysql> quit;
1
2

4） 初始化 Hive 元数据库

[tao@hadoop102 software]$ schematool -initSchema -dbType mysql -verbose

1
2

2.4.3 再次启动 Hive

1）启动 Hive

[tao@hadoop102 hive]$ bin/hive
1

2）使用 Hive

3）在 CRT 窗口中开启另一个窗口开启 Hive

这样就支持多用户操作 从derby 迁移-> mysql

2.5 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

<property>
    <name>hive.metastore.urisname>
    <value>thrift://hadoop102:9083value>
property>
1
2
3
4
5

只要配置这个 就必须通过 启动元数据服务去连

2）启动 metastore

[tao@hadoop102 hive]$ hive --service metastore
2022-11-18 20:34:08: Starting Hive Metastore Server

#注意: 启动后窗口不能再操作，需打开一个新的 shell 窗口做别的操作
1
2
3
4

3）启动 hive

[tao@hadoop102 hive]$ bin/hive
1

2.6 使用 JDBC 方式访问 Hive

1）在 hive-site.xml 文件中添加如下配置信息

<property>
    <name>hive.server2.thrift.bind.hostname>
    <value>hadoop102value>
property>

<property>
    <name>hive.server2.thrift.portname>
    <value>10000value>
property>

1
2
3
4
5
6
7
8
9
10
11

这种方式其实就是通过

hiveserver2连接 元数据服务实现的 再通过JDBC（mysql驱动）连接Mysql 所以元数据服务也要开启

客户端 通过JDBC（Hive驱动） 连接 hiveserver2

2）启动 hiveserver2

先开启元数据服务

 [tao@hadoop102 hive]$ bin/hive --service metastore
1

 [tao@hadoop102 hive]$ bin/hive --service hiveserver2
1

3）启动 beeline 客户端（需要多等待一会）

[tao@hadoop102 hive]$ bin/beeline -u jdbc:hive2://hadoop102:10000 -n tao
1

这就是没连上

解决办法：

步骤：

1. 在hadoop中/etc/hadoop/core-site.xml（这是我的路径：/opt/module/hadoop-3.1.3/etc/hadoop/core-site.xml）增加如下配置

2. 用xsync命令分发core-site.xml

3.把metastore和hiveserver2停了(kill -9 run进程号)，然后关闭再开启hadoop集群

4.开启metastore和hiveserver2，继续报错前的操作
1
2
3
4
5
6
7
8
9

<property>
    <name>hadoop.proxyuser.xxx.hostsname>
    <value>*value>
property>
<property>
    <name>hadoop.proxyuser.xxx.groupsname>
    <value>*value>
property>
1
2
3
4
5
6
7
8

这样就连接上了

4）看到如上界面

5）编写 hive 服务启动脚本（了解）

#!/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 >$HIVE_LOG_DIR/hiveServer2.log 2>&1 &"
 [ -z "$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

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57

这边直接省略。。。。。。。。

注释文件 直接直连

<?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://hadoop102:3306/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>


    <!-- 指定存储元数据要连接的地址 -->
<!--    <property>
        <name>hive.metastore.uris</name>
        <value>thrift://hadoop102:9083</value>
    </property> -->


    <!-- 指定 hiveserver2 连接的 host -->
<!--    <property>
        <name>hive.server2.thrift.bind.host</name>
        <value>hadoop102</value>
    </property> -->

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


</configuration>

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68

此时就是恢复直连接方式

启动Hive 和当初一样

## 启动hadoop
[tao@hadoop102 hive]$ myhadoop.sh start
## 启动Hive
[tao@hadoop102 hive]$  bin/hive
1
2
3
4

2.7 Hive 常用交互命令

1）“-e” 不进入 hive 的交互窗口执行 sql 语句

bin/hive -e "select id from student;"
1

2）“-f” 执行脚本中 sql 语句

2.8 Hive 其他命令操作

1）退出 hive 窗口：

hive(default)>exit;
hive(default)>quit;
1
2

2）在 hive cli 命令窗口中如何查看 hdfs 文件系统

hive(default)>dfs -ls /;
1

3）查看在 hive 中输入的所有历史命令

u@hadoop102 ~]$ cat .hivehistory
1

2.9 Hive 常见属性配置

2.9.1 Hive 运行日志信息配置

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

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

（1）修改/opt/module/hive/conf/hive-log4j2.properties.template 文件名称为

hive-log4j2.properties

[tao@hadoop102 conf]$ mv hive-log4j2.properties.template hive-log4j2.properties
1

(2) 在 hive-log4j2.properties 文件中修改 log 存放位置

hive.log.dir=/opt/module/hive/logs
1

2.9.2 打印 当前库 和 表头

在 hive-site.xml 中加入如下两个配置:

<property>
    <name>hive.cli.print.headername>
    <value>truevalue>
property>
<property>
    <name>hive.cli.print.current.dbname>
    <value>truevalue>
property>
1
2
3
4
5
6
7
8

2.9.3 参数配置方式

1）查看当前所有的配置信息

hive>set;
1

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

例如：

 bin/hive -hiveconf mapred.reduce.tasks=10;
1

注意：仅对本次 hive 启动有效

查看参数设置：

hive (default)> set mapred.reduce.tasks;
1

（3）参数声明方式

可以在 HQL 中使用 SET 关键字设定参数

例如：

hive (default)> set mapred.reduce.tasks=100;
1

注意：仅对本次 hive 启动有效。

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

3 .Hive 数据类型

3.1 基本数据类型

对于 Hive 的 String 类型相当于数据库的 varchar 类型，该类型是一个可变的字符串，不 过它不能声明其中最多能存储多少个字符，理论上它可以存储 2GB 的字符数

3.2 集合数据类型

Hive 有三种复杂数据类型 ARRAY、MAP 和 STRUCT。ARRAY 和 MAP 与 Java 中的 Array 和 Map 类似，而 STRUCT 与 C 语言中的 Struct 类似，它封装了一个命名字段集合，复杂数据 类型允许任意层次的嵌套

1）案例实操

（1）假设某表有如下一行，我们用 JSON 格式来表示其数据结构。在 Hive 下访问的格 式为

{
 "name": "songsong",
 "friends": ["bingbing" , "lili"] , //列表 Array,
 "children": { //键值 Map,
 "xiao song": 18 ,
 "xiaoxiao song": 19
 }
 "address": { //结构 Struct,
 "street": "hui long guan",
 "city": "beijing"
 }
}
1
2
3
4
5
6
7
8
9
10
11
12

（2）基于上述数据结构，我们在 Hive 里创建对应的表，并导入数据。 创建本地测试文件 test.txt

songsong,bingbing_lili,xiao song:18_xiaoxiao song:19,hui long guan_beijing
yangyang,caicai_susu,xiao yang:18_xiaoxiao yang:19,chao yang_beijing

1
2
3

注意：MAP，STRUCT 和 ARRAY 里的元素间关系都可以用同一个字符表示，这里用“_”

（3）Hive 上创建测试表 test

create table test(
name string,
friends array,
children map,
address struct
)
row format delimited fields terminated by ','
collection items terminated by '_'
map keys terminated by ':'
lines terminated by '\n';

1
2
3
4
5
6
7
8
9
10
11

（4）导入文本数据到测试表

[tao@hadoop102 hive]$ hadoop fs -put test.txt /user/hive/warehouse/test
1

（5）访问三种集合列里的数据，以下分别是 ARRAY，MAP，STRUCT 的访问方式

hive (default)> select * from test;

hive (default)> select friends[1],children['xiao song'],address.city from test;
1
2
3

类似SQL 后面再补充

4. Hive-DDL

5. Hive -DML

6. Hive查询