Hive笔记整理（一）

[TOC]

Hive笔记整理（一）

Hive

Hive由facebook贡献给Apache，是一款建立在Hadoop之上的数据仓库的基础框架。

数据仓库

特点--关于存放在数据仓库中的数据的说明：    是能够为企业的各个级别的决策提供数据支撑的数据其实说白了，就是一个存放数据的仓库

数据库和数据仓库之间的区别

现代数据仓库，是构建在数据库之上的，使用数据库作为载体存放数据。            数据仓库着重强调的是存放的历史数据，数据库着重强调的是存放在线的数据。            数据仓库着重强调的是OLAP的操作，数据库着重强调的是OLTP的操作                OLAP：Online Analysis Processing 联机分析处理--->对数据进行分析查询select、load                OLTP：Online Transcation Processing 联机事务处理--->对数据进行事务性操作update delete            数据仓库操作的都是历史数据，数据库操作的几乎都是在线交易数据

ETL---是用来构建我们一个数据仓库的概念

E(Extract 提取) 获取数据的过程，就称之为提取，采集T(Transform 转化) 对进入仓库的数据进行分类、清洗L(Load 加载) 数据进入仓库的过程就是Load

BI（Business Intelligence）

Hive是一款SQL的解析引擎，能够将HQL转移成为MR在hadoop计算hdfs上面的数据。

HIve的概述

存储结构

Hive的数据存储基于Hadoop HDFSHive没有专门的数据存储格式存储结构主要包括：数据库、文件、表、视图、索引Hive默认可以直接加载文本文件（TextFile），还支持SequenceFile、RCFile 、ORCFile、Parquet创建表时，指定Hive数据的列分隔符与行分隔符，Hive即可解析数据

系统架构

用户接口：包括 CLI，JDBC/ODBC，WebUI元数据存储：通常是存储在关系数据库如 mysql, derby等等中Driver：解释器、编译器、优化器、执行器Hadoop：用 HDFS 进行存储，利用 MapReduce 进行计算

Hive的安装

三个前提

JDKHADOOPMySQL也就是确保上面三步都安装完成后再安装Hive

第一步：安装MySQL(离线)

操作目录：/home/uplooking/soft --->安装包所在目录1°、查询linux中已有的mysql依赖包    [uplooking@uplooking01 ~]$ rpm -qa | grep mysql mysql-libs-5.1.71-1.el6.x86_642°、删除linux中已有的mysql依赖包    [uplooking@uplooking01 ~]$ sudo rpm -e --nodeps `rpm -qa | grep mysql`3°、安装服务端和客户端    [uplooking@uplooking01 ~]$ sudo rpm -ivh soft/MySQL-server-5.5.45-1.linux2.6.x86_64.rpm    [uplooking@uplooking01 ~]$ sudo rpm -ivh soft/MySQL-client-5.5.45-1.linux2.6.x86_64.rpm4°、启动mysql server服务    [uplooking@uplooking01 ~]$ sudo service mysql start(注意：离线安装后mysql的服务名称为mysql，在线安装后的服务名称为msyqld)5°、加入到开机启动项    [uplooking@uplooking01 ~]$ sudo chkconfig mysql on6°、进行用户名密码设置    [uplooking@uplooking01 ~]$ sudo /usr/bin/mysql_secure_installation7°、对远程可访问的机器进行授权    uplooking@uplooking01 ~]$ mysql -huplooking01 -uroot -puplooking    ERROR 1130 (HY000): Host 'uplooking01' is not allowed to connect to this MySQL server    在mysql服务器登录：mysql -uroot -puplooking    执行以下语句：    mysql> grant all privileges on *.* to 'root'@'%' identified by 'uplooking';    mysql> flush privileges;

第二步：安装Hive

1°、解压Hive文件：    进入$HIVE_HOME/conf/修改文件    cp  hive-env.sh.template  hive-env.sh    cp  hive-default.xml.template  hive-site.xml2°、修改$HIVE_HOME/bin的hive-env.sh，增加以下三行    export JAVA_HOME=/opt/jdk    export HADOOP_HOME=/home/uplooking/app/hadoop    export HIVE_HOME=/home/uplooking/app/hive3°、修改$HIVE_HOME/conf/hive-site.xml            javax.jdo.option.ConnectionURL        jdbc:mysql://uplooking01:3306/hive?createDatabaseIfNotExist=true                javax.jdo.option.ConnectionDriverName        com.mysql.jdbc.Driver                javax.jdo.option.ConnectionUserName        root                javax.jdo.option.ConnectionPassword        uplooking                hive.querylog.location        /home/uplooking/app/hive/tmp                hive.exec.local.scratchdir        /home/uplooking/app/hive/tmp                hive.downloaded.resources.dir        /home/uplooking/app/hive/tmp    4°、拷贝mysql驱动jar包到$HIVE_HOME/lib下面    [uplooking@uplooking01 hive]$ cp ~/soft/mysql-connector-java-5.1.39.jar lib/5°、初始化hive元数据仓库    该执行目录$HIVE_HOME/bin    bin]$ ./schematool -initSchema -dbType mysql -userName root -passWord uplooking6°、启动hive    ./hive

Hive的访问

有本地运行模式和集群运行模式

本地模式需要打开开关：set hive.exec.mode.local.auto=true默认是集群模式本地模式在对sql进行调试，测试的时候经常使用    hive.exec.mode.local.auto    false    Let Hive determine whether to run in local mode automatically    hive.exec.mode.local.auto.inputbytes.max    134217728//128M    When hive.exec.mode.local.auto is true, input bytes should less than this for local mode.    hive.exec.mode.local.auto.input.files.max    4    When hive.exec.mode.local.auto is true, the number of tasks should less than this for local mode.

有CLI、WebGUI、JDBC的三种访问方式

CLI是最常用，也就是命令行模式WebGUI需要自己通过hive源码制作一个war，部署到hive里面，才能够使用其提供的一个web界面来访问hive，进行相关操作JDBC就是进行sql编程，如果hive使用的是MR的计算引擎，则其运行非常之慢，不能作为交互式查询hive目前支持三种计算引擎:mr、spark、tez，默认是mr，spark在hive-2.0以后的版本才支持    hive.execution.engine    mr

Hive基本操作

数据库操作

创建数据库：    create database mydb1;使用数据库：    use mydb1;显示当前正在使用的数据库：    set hive.cli.print.current.db=true;显示数据库列表：    show databases;删除：    drop database mydb1;

表操作

表的数据类型，除了string和复合数据类型(array, map, struct)之外，几乎和mysql一致。

DDL

DDL即数据库模式定义语言DDL(Data Definition Language)，用于描述数据库中要存储的现实世界实体的语言，其实说白了就是数据库中关于表操作的语句。

表的创建    create table 表名(        字段名 字段类型 注解comment, ... ,         字段名 字段类型 注解comment    ) comment "";    eg.    create table t1(        id int,        name string comment "this is t1's column name"    ) comment "TABLE t1";增加一列:    alter table t1 add columns (age int) ;删除一列？不支持删除一列    alter table t1 drop column age;替换，曲线完成删除一列的内容    alter table t1 replace columns(online string);使用当前列替换掉原有的所有列

工作中，经常使用脚本的方式来对编写，并执行hql：

hive客户端：hive> source /opt/data/hive/hive-t1.hql;linux终端一：/opt/hive/bin/hive -f hive-t1-1.hqllinux终端二：/opt/hive/bin/hive -e "set hive.exec.mode.local.auto=true;select * from test;"    对上述linux终端的执行方式，我们还可以添加相关参数选项    /opt/hive/bin/hive -f hive-t1-1.hql --hiveconf hive.exec.mode.local.auto=true    /opt/hive/bin/hive -e "select * from test;" --hiveconf hive.exec.mode.local.auto=true这样做，可以非常方便将hive的执行语句，组成成为shell脚本，在linux中调度相关shell计算hive中的数据这两个-e和-f不能互换，eg。/opt/hive/bin/hive -e "use mydb1; select * from test where line like '%you%';" --hiveconf hive.cli.print.header=true/opt/hive/bin/hive -f hive-t1-1.hql --hiveconf hive.cli.print.header=true

数据操作

向hive表中导入数据的方式

hive cli：hive> load data local inpath '/opt/data/hive/hive-t1-1.txt' into table t1;Linux终端：$ hdfs dfs -put /opt/data/hive/hive-t1-1.txt /user/hive/warehouse/t1/

我们在导入数据的时候，发现数据没有解析成功，那是因为自定义的数据，行列有相关的分隔符，并没有告知当前表如何解析，或者说自定义数据的解析方式和hive表的默认的解析方式不一致。

hive表默认的解析方式----行列的分隔符

默认的行分隔符\n默认的列分隔符\001 在键盘上如何输入呢ctrl+v ctrl+a

数据进入数据库表中的模式

读模式    将数据加载到表中的时候，对数据的合法性不进行校验，只有在操作表的时候，才对数据合法性进行校验，不合法的数据显示为NULL(比如某一列的数据类型为日期类型，如果load的某条数据是该列不是日期类型，则该条数据的这一列不合法，导入hive之后就会显示为NULL)    适合大数据的加载，比如hive写模型    在数据加载到表中的时候，需要对数据的合法性进行校验，加载到数据库中的数据，都是合法的数据。    适合事务性数据库加载数据，常见的mysql、oracle等都是采用这种模式

自定义分隔符

create table t2 (    id int,    name string,    birthday date,    online boolean) row format delimited ---->开启使用自定义分隔符的标识fields terminated by '\t'   ---->对每一列分隔符的定义lines terminated by '\n';   ---->对每一行分隔符的定义，当然可以省略不写，默认和linux保持一致，同时注意，这两个顺序不能颠倒

Hive表的复合数据类型

array ---->java中的array

create table t3_arr(    id int,    name string,    hobby array)row format delimitedfields terminated by '\t';array的默认分割是\002，在shell中如何敲出来ctrl+v ctrl+b默认不能满足需求，需要自定义分隔符create table t3_arr_1(    id int,    name string,    hobby array)row format delimitedfields terminated by '\t'collection items terminated by ','; 在导入数据时，数据的格式应该如下：1   香飘叶子    IT,Computerarray的引用，使用arrayName[index],索引从0开始

map---->java中的map

每个人都有学习(语文、数学、体育)成绩create table t4_map(    id int,    name string,    score map comment "this is score") row format delimited fields terminated by '\t'collection items terminated by ','map keys terminated by '=';根据上面的定义，导入的数据格式应该如下：1   香飘叶子    Chinese=102,Math=121,English=124map里面的默认的key和value之间的分隔符:\003,在shell里面通过ctrl+v ctrl+cmap具体值的调用格式,列名["属性"],比如score["chinese"]

struct---->java中的object

id  name    address(province:string, city:string, zip:int)1   小陈  bj,chaoyang,1000022   老王  hb,shijiazhuang,0522603   小何  hn,huaiyang,4660004   小马  hlj,harbin,10000create table t5_struct (    id int,    name string,    address struct) row format delimited fields terminated by '\t'collection items terminated by ',';调用的格式：列名.属性，比如address.province

复合数据类型案例

有一张员工表：

id          intname        stringsubordinate arraysalary      floattax         maphome_info   struct

创建表：

create table t7_emp (    id          int,    name        string,    subordinate array,    salary      float,    tax         map,    home_info   struct           );

查询员工的税后工资，查询家乡为河北的人员：

select id, name, salary * (1 - tax["gs"] - tax["gjj"] - tax["sb"]) sh_salary from t7_emp where home_info.province = "河北";