Hive入门--学习笔记

1，Apache Hive概述

定义：

Hive是由Facebook开源用于解决海量结构化日志的数据统计，它是基于大数据生态圈Hadoop的一个数据仓库工具。

作用：

Hive可以用于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的本质是将SQL转化成MapReduce程序。

使用场景：

主要用途：用来做离线数据分析，比直接MapReduce的开发效率更高。

总结作用：Hive可以简单理解为"SQL--MapReduce"框架的一个封装，可以将用户编写的SQL语句解析成对应的MapReduce程序，最终通过MapReduce运算框架形成运算结果，并提交给客户端Client。

1，Hive的优缺点

（1）优点

（a）操作接口采用类SQL语法，提供快速开发的能力；

（b）避免了直接去写MapReduce运算程序，减少开发人员的学习成本；

（c）Hive支持用户自定义函数，功能扩展很方便。

（2）缺点

（a）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；

（b）Hive优势在于处理大数据，对于处理小数据几乎没有优势，因为Hive的执行延迟比较高；

（c）直接使用MapReduce实现复杂查询逻辑开发难度太大，可以转而使用Hive完成。

2，Hive基础架构

（1）用户接口

用户接口包括CLI、JDBC/ODBC、WebGUI。

a）CLI(command line interface)为shell命令行；

b）JDBC/ODBC是Hive的Java实现，与传统数据库JDBC类似；

c）WebGUI是通过浏览器访问Hive。

Hive提供了Hive Shell、ThriftServer等服务进程向用户提供操作接口。

（2）元数据存储

元数据包含: 用Hive创建的database、table、表的字段等元信息。

元数据存储: 存在关系型数据库中,如:hive内置的Derby数据库或者第三方MySQL数据库等。

在Hive中，元数据存储需要使用MetaStore。

（3）Driver驱动程序

Driver包括语法解析器、计划编译器、优化器、执行器，可以完成HQL查询语句从词法分析、语法分析、编译、优化以及查询计划的生成。

生成的查询计划存储在HDFS中，并在随后由MapReduce调用执行。

这部分内容不是具体的服务进程，而是封装在Hive所依赖的Jar文件即Java代码中。

2，当使用Hive时，与传统数据库对比，特性有

（1）Hive用于海量数据的离线数据分析；

（2）Hive具有SQL数据库的外表，但应用场景完全不同，Hive只适合用来做批量数据统计分析。

2，Hive部署

1，MetaStore元数据存储流程

（1）客户端Client连接MetaStore服务；

（2）MetaStore再去连接MySQL等关系型数据库来存取元数据。

2，存在的作用

当有了MetaStore服务后，就可以有多个客户端同时连接，且这些客户端不需要知道MySQL等数据库的用户名和密码，只需要连接MetaStore服务即可

3，MetaStore提供存储服务时，有三种不同的模式：

（1）MetaStore服务是否需要单独配置、单独启动？

（2）Metadata元数据是存储在内置库Derby中，还是第三方库MySQL等数据库中。

（1）内嵌模式

当MetaStore元数据存储采用内嵌模式时：

powershell 复制代码

（1）优点：解压Hive安装包到bin/hive后，启动Hive即可使用MetaStore；

（2）缺点：把Derby和MetaStore服务都嵌入在主Hive Server进程中，不适用于生产环境，原因：
	a）一个服务只能被一个客户端连接(如果用两个客户端以上就非常浪费资源)；
	b）元数据不能共享。

（2）本地模式

当MetaStore元数据存储采用本地模式时：

powershell 复制代码

（1）优点: 可以单独使用外部的数据库(MySQL), 元数据共享；

（2）缺点: 相对浪费资源, MetaStore嵌入到了Hive进程中,每启动一次Hive服务，都内置启动了一个MetaStore。

（3）远程模式

当MetaStore元数据存储采用远程模式时：

powershell 复制代码

（1）优点: 可以单独使用外部库(mysql) ，还可以共享元数据。可以连接MetaStore服务，也可以连接hiveserver2服务；

（2）缺点: 需要注意如果想要启动hiveserver2服务，则先需要启动MetaStore服务。

4，启动MetaStore与HiveServer2

在hive安装的服务器上，首先启动MetaStore服务，然后启动hiveserver2服务。

（1）进入/export/server/apache-hive-3.1.2-bin/bin目录后，启动MetaStore服务，命令：

[root@node1 apache-hive-3.1.2-bin]# [nohup] ./hive --service metastore &

#启动hiveserver2服务

[root@node1 apache-hive-3.1.2-bin]# [nohup] ./hive --service hiveserver2 &

（a）查看进程是否开启，命令：

powershell 复制代码

# 可以使用lsof命令查看对应进程是否开启
[root@node1 apache-hive-3.1.2-bin]# lsof -i:10000
COMMAND   PID USER   FD   TYPE DEVICE SIZE/OFF NODE NAME
java    18804 root  520u  IPv6 266172      0t0  TCP *:ndmp (LISTEN)

（b）杀死进程[关闭Hive服务]时，命令：

powershell 复制代码

kill -9 进程号

2，当进程启动不成功时，需要杀死所有已经启动的runjar程序，然后再开始重新启动

5，HiveServer2服务

Beeline是JDBC的客户端，通过JDBC协议和Hiveserver2服务进行通信，协议的地址是：jdbc:hive2://node1:10000。

使用Beeline客户端连接Hive时，命令：

powershell 复制代码

（1）启动Beeline，进入hive的bin目录后:
./beeline

（2）连接Hive
! connect jdbc:hive2://node1:10000

powershell 复制代码

[root@node1 ~]# /export/server/hive/bin/beeline
Beeline version 3.1.2 by Apache Hive
beeline> ! connect jdbc:hive2://node1:10000
Connecting to jdbc:hive2://node1:10000
Enter username for jdbc:hive2://node1:10000: root
Enter password for jdbc:hive2://node1:10000:
Connected to: Apache Hive (version 3.1.2)
Driver: Hive JDBC (version 3.1.2)
Transaction isolation: TRANSACTION_REPEATABLE_READ
0: jdbc:hive2://node1:10000>

6，Hive环境变量

1，Shell脚本执行方式有三种：

方式一：sh执行

格式: sh 脚本

注意: 需要进入脚本的所在工作目录，然后使用对应的sh命令来执行脚本，

这种执行方式，脚本文件不需要具有可执行权限。

2，相对路径执行

格式: ./脚本

注意: 需要先进入到脚本所在的目录，然后使用 ./脚本方式执行，

这种执行方式，必须保证脚本文件具有可执行权限。

3，方式三：绝对路径执行

格式: /绝对路径/脚本

注意: 需要使用脚本的绝对路径中执行，指的是直接
4，配置Hive的环境变量，命令：

powershell 复制代码

echo 'export HIVE_HOME=/export/server/apache-hive-3.1.2-bin' >> /etc/profile
echo 'export PATH=$PATH:$HIVE_HOME/bin:$HIVE_HOME/sbin' >> /etc/profile
source /etc/profile

另外的，也可以把使用Vi把如下配置Hive环境变量的语句添加到/etc/profile结尾处：

powershell 复制代码

# HIVE_HOME
export HIVE_HOME=/export/server/apache-hive-3.1.2-bin
export PATH=$PATH:$HIVE_HOME/bin:$HIVE_HOME/sbin

7，Hive使用

1，使用SQL操作Hive

powershell 复制代码

（1）创建表
	CREATE TABLE test(id INT, name STRING, gender STRING);

（2）插入数据
	INSERT INTO test VALUES(1, '肖战', '男'), (2, '周杰伦', '男'), (3, '迪丽热巴', '女');

（3）查询数据
	SELECT gender, COUNT(*) AS cnt FROM test GROUP BY gender;

（1）验证SQL语句启动的MapReduce程序

打开YARN的WEB UI页面查看任务情况：http://node1:8088

（2）验证Hive的数据存储

Hive的数据存储在HDFS的：/user/hive/warehouse中。

4，数据仓库和数据库

（1）数据库DataBase,简称为DB

用于把数据结果给外部各类程序使用，侧重于增删查改。

（2）数据仓库Data Warehouse，可简写为DW或DWH

用于分析历史数据而存在，为企业提供决策支持。

2，数据库和数据仓库的区别 ，就是说：OLTP与OLAP的区别。

(1)OLTP联机事务处理

powershell 复制代码

操作型处理，叫联机事务处理OLTP（On-Line Transaction Processing，），也可以称面向交易的处理系统。
OLTP是针对具体业务在数据库联机的日常操作，通常对少数记录进行查询、修改。用户较为关心操作的响应时间、数据的安全性、完整性和并发支持的用户数等问题。

传统的数据库系统，常用于数据管理，比如对数据增删查改，属于操作型处理。

（2）OLAP联机分析处理

powershell 复制代码

分析型处理，叫联机分析处理OLAP（On-Line Analytical Processing），一般针对某些主题的历史数据进行分析，支持管理决策。

3,值得注意的是，数据仓库的出现，并不是要取代数据库。

通常，数据仓库的主要特征有：

a）面向主题的（Subject-Oriented ）

b）集成的（Integrated）

c）非易失的（Non-Volatile）[或（不可更新性）]

d）时变的（Time-Variant ）
数据仓库是在数据库已经大量存在的情况下，为了进一步挖掘数据资源、为了决策需要而产生的。

4,主要区别如下：

A）数据库是面向事务的设计，数据仓库是面向主题设计的；

B）数据库一般存储业务数据，数据仓库存储的一般是历史数据；

C）数据库是为捕获数据而设计，数据仓库是为分析数据而设计

D）数据库设计是尽量避免冗余，一般针对某一业务应用进行设计，比如一张简单的User表，记录用户名、密码等简单数据即可，符合业务应用，但是不符合分析；而数据仓库在设计是有意引入冗余，依照分析需求，分析维度、分析指标进行设计

数仓的分层架构

存在意义：数据仓库出于对历史数据进行分析性报告、决策支持目的而创建的。目的是构建面向分析的集成化数据环境，为企业提供决策支持。

1，数据仓库中的数据源来自企业

（1）RDBMS关系型数据库--->业务数据

（2）log file----->日志文件数据

（3）爬虫数据

（4）其他数据

2，数据仓库的发展，大致经历了三个阶段：

a）简单报表阶段

解决一些日常的工作中业务人员需要的报表，以及生成一些简单的能够帮助领导进行决策所需要的汇总数据。这个阶段的大部分表现形式为数据库和前端报表工具。

b）数据集市阶段

根据某个业务部门的需要，进行一定的数据采集、整理，按照业务人员的需要，进行多维报表的展现，能够提供对特定业务指导的数据，并且能够提供特定的领导决策数据。

c）数据仓库阶段

按照一定的数据模型，对整个企业的数据进行采集、整理，并且能够按照各个业务部门的需要，提供跨部门的，完全一致的业务报表数据，能够通过数据仓库生成对对业务具有指导性的数据，同时，为领导决策提供全面的数据支持。
3，数据仓库的架构可分为三层

（1）源数据层（ODS）：直接使用外部系统数据结构和数据，这是接口数据的临时存储区域，为后一步的数据处理做准备；

（2）数据仓库层（DW）：也称为细节层，DW层的数据应该是一致的、准确的、干净的数据，即对源系统数据进行了清洗后的数据；

（3）数据应用层（DA或APP）：前端应用直接读取的数据源，也是根据报表、专题分析需求而计算生成的数据。

4，ETL与ELT

数据仓库从各个数据源中，获取数据及在数据仓库内的数据转换和流动都可以认为是ETL（抽取Extract，转化Transform，装载Load）的过程。

（1）ETL

先从数据源池中，抽取数据，并把数据保存在临时暂存数据库中（ODS）。

然后，执行转换操作，将数据结构化并转换为适合目标数据仓库（DW）系统的形式，然后将结构化数据加载到数据仓库中进行分析。

（2）ELT

使用ELT时，数据在从数据源中提取后立即加载。没有专门的临时数据库（ODS），这意味着数据会立即加载到单一的集中存储库中。

数据在数据仓库系统中进行转换，然后进行分析。大数据时代数仓这个特点很明显

5，数据库操作

1，HQL数据定义语言

数据定义语言 (Data Definition Language，DDL)，指的是SQL语言集中对数据库内部的对象结构进行创建、删除、修改等操作。

其中，数据库对象包括有：数据库database（schema）、数据表table、视图view、索引index等。

核心语法：

（1）CREATE 创建

（2）ALTER 删除

（3）DROP 修改

2，创建数据库

powershell 复制代码

create database [if not exists] 数据库名
[comment '解释说明']
[location '存储到HDFS路径名']
[with dbproperties (属性名='值', ...)];

指定文件夹下创建数据库

powershell 复制代码

create database zuo location '/zuo';

3，查看数据库信息

powershell 复制代码

desc database [extended] 数据库名;

（1）extended用于显示更多信息，比如位置路径等；

（2）查看数据库信息时，记得加上database。

查看正在使用哪个数据库

powershell 复制代码

select current_database();

4，如果要查看创建数据库的语句时，命令：

powershell 复制代码

show create database itcast;

5，删除库

DROP DATABASE语句用于删除数据库。语法：

powershell 复制代码

drop database 数据库名 [restrict | cascade];

若要删除带有数据表的数据库zuo时，记得在语句结尾处添加cascade。

6，修改库

ALTER DATABASE语句可用于更改与Hive中的数据库关联的元数据信息。语法：

powershell 复制代码

-- 修改数据库存储路径
alter database 数据库名 set location 存储路径名;

-- 修改或新增数据库配置属性
alter database 数据库名 set dbproperties (属性名=值, ...);

使用alter语法来修改数据库的属性

powershell 复制代码

alter database zuo set dbproperties('create_time'='21:15');
desc database extended zuo;