Hive入门小结

HIve总结：
首先要学习Hive，第一步是了解Hive，Hive是基于hadoop的一个数据仓库，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底层将sql语句转化为mapreduce任务运行。相对于用java代码编写mapreduce来说，Hive的优势明显：快速开发，人员成本低，可扩展性（自由扩展集群规模），延展性（支持自定义函数）。
Hive的构架：

Hive提供了三种用户接口：CLI、HWI和客户端。客户端是使用JDBC驱动通过thrift，远程操作Hive。HWI即提供Web界面远程访问Hive。但是最常见的使用方式还是使用CLI方式。（在linux终端操作Hive）
Hive有三种安装方式：
1、内嵌模式（元数据保村在内嵌的derby种，允许一个会话链接，尝试多个会话链接时会报错，不适合开发环境）
2、本地模式（本地安装mysql 替代derby存储元数据）
3、远程模式（远程安装mysql 替代derby存储元数据）
安装Hive：（本地模式）
首先Hive的安装是在Hadoop集群正常安装的基础上，并且集群启动
  安装Hive之前我们要先安装mysql，
  查看是否安装过mysql：rpm -qa|grep mysql*  
  查看有没有安装包：yum list mysql*
  安装mysql客户端：yum install -y mysql
  安装服务器端：yum install -y mysql-server
                yum install -y mysql-devel
  启动数据库 service mysqld start或者/etc/init.d/mysqld start
  创建hadoop用户并赋予权限：
  mysql>grant all on *.* to hadoop@'%' identified by 'hadoop';
  mysql>grant all on *.* to hadoop@'localhost' identified by 'hadoop';
  mysql>grant all on *.* to hadoop@'master' identified by 'hadoop';
  mysql>flush privileges;
  然后在Hive官网上下载需要的版本，hive.apache.org  archive.apache.org
解压：tar -zxvf apache-hive-1.2.1-bin.tar.gz
配置：cd /apache-hive-1.2.1-bin/conf/  vim hive-site.xml
    <?xml version="1.0"?>
<?xml-stylesheet type="text/xsl" href="configuration.xsl"?>
<configuration>
    <property>
        <name>hive.metastore.local</name>
        <value>true</value>
    </property>
    <property>
        <name>javax.jdo.option.ConnectionURL</name>
         <value>jdbc:mysql://master:3306/hive?characterEncoding=UTF-8</value>
    </property>
    <property>
        <name>javax.jdo.option.ConnectionDriverName</name>
        <value>com.mysql.jdbc.Driver</value>
    </property>
    <property>
        <name>javax.jdo.option.ConnectionUserName</name>
        <value>hadoop</value>
    </property>
    <property>
        <name>javax.jdo.option.ConnectionPassword</name>
        <value>hadoop</value>
    </property>
</configuration>
复制依赖包：cp mysql-connector-java-5.1.43-bin.jar apache-hive-1.2.1-bin/lib/
配置环境变量：
export HIVE_HOME=$PWD/apache-hive-1.2.1-bin
export PATH=$PATHHIVE_HOME/bin
启动hive：hive
hive中可以运行shell命令:! shell命令

hive中可以运行hadoop命令：

hive中的数据类型：
原子数据类型：TINYINT SMALLINT INT BIGINT FLOAT DOUBLE BOOLEAN STRING
复杂数据类型：STRUCT MAP ARRAY
hive的使用：
建表语句：
DDL：
创建内部表：
create table mytable(
id int,
name string)
row format delimited fields terminated by '\t' stored as textfile;
常见外部表：关键字 external

create external table mytable2(
id int,
name string)
row format delimited fields terminated by '\t' location '/user/hive/warehouse/mytable2';

创建分区表：分区字段要写在partiton by（）

create table mytable3(
id int,
name string)
partitioned by(sex string) row format delimited fields terminated by '\t'stored as textfile;

静态分区插入数据

load data local inpath '/root/hivedata/boy.txt' overwrite into table mytable3 partition(sex='boy');

增加分区：

alter table mytable3 add partition (sex='unknown') location '/user/hive/warehouse/mytable3/sex=unknown';

删除分区：alter table mytable3 drop if exists partition(sex='unknown');

分区表默认为静态分区，可转换为自动套分区

set hive.exec.dynamic.partition=true;

set hive.exec.dynamic.partition.mode=nonstrict;

给分区表灌入数据：
insert into table mytable3 partition (sex) select id,name,'boy' from student_mdf;
查询表分区：show partitions mytable3;
查询分区表数据：select * from mytable3;
查询表结构：desc mytable3;
DML:
重命名表：alter table student rename to student_mdf
增加列：alter table student_mdf add columns (sex string);
修改列名：alter table student_mdf change sex gender string;
替换列结构：alter table student_mdf replace columns (id string, name string);
装载数据：（本地数据）load data local inpath '/home/lym/zs.txt' overwrite into student_mdf;
                   （HDFS数据）load data inpath '/zs.txt' into table student_mdf;
插入一条数据：insert into table student_mdf values('1','zhangsan');
创建表接收查询结果：create table mytable5 as select id, name from mytable3;
导出数据：（导出到本地）insert overwrite local directory '/root/hivedata/mytable5.txt' select * from mytable5;
                   （导出到HDFS）
insert overwrite directory 'hdfs://master:9000/user/hive/warehouse/mytable5_load' select * from mytable5;
数据查询：
select * from mytable3;  查询全表
select uid,uname from student; 查询学生表中的学生姓名与学号字段
select  uname,count(*) from student group by uname; 统计学生表中每个名字的个数
常用的功能还有 having、order by、sort by、distribute by、cluster by；等等
关联查询中有
内连接：将符合两边连接条件的数据查询出来
select * from t_a a inner join t_b b on a.id=b.id;
左外连接：以左表数据为匹配标准，右边若匹配不上则数据显示null
select * from t_a a left join t_b b on a.id=b.id;
右外连接：与左外连接相反
select * from t_a a right join t_b b on a.id=b.id;
左半连接：左半连接会返回左边表的记录，前提是其记录对于右边表满足on语句中的判定条件。
select * from t_a a left semi join t_b b on a.id=b.id;
全连接(full outer join)：
select * from t_a a full join t_b b on a.id=b.id;
in/exists关键字(1.2.1之后新特性)：效果等同于left semi join
select * from t_a a where a.id in (select id from t_b);
select * from t_a a where exists (select * from t_b b where a.id = b.id);
shell操作Hive指令：
-e：从命令行执行指定的HQL:

-f：执行HQL脚本
-v：输出执行的HQL语句到控制台

内置函数

查看内置函数：show functions;
显示函数的详细信息：DESC FUNCTION abs;
重要常用内置函数：sum()--求和        count()--求数据量             avg()--求平均值
                                  distinct--去重       min--求最小值               max--求最大值
自定义函数：
1.先开发一个简单的Java类，org.apache.hadoop.hive.ql.exec.UDF，重载evaluate方法
import org.apache.hadoop.hive.ql.exec.UDF;
public final class AddUdf extends UDF {
public Integer evaluate(Integer a, Integer b) {
if (null == a || null == b) {
return null;
} return a + b;
}
public Double evaluate(Double a, Double b) {
if (a == null || b == null)
return null;
return a + b;}
}
2.打成jar包上传到服务器
3.将jar包添加到hive  add jar /home/lan/jar/addudf.jar;
4.创建临时函数与开发好的class关联起来
     CREATE TEMPORARY FUNCTION add_example AS 'org.day0914.AddUdf';
5.使用自定义函数  SELECT add_example(scores.math, scores.art) FROM scores;
销毁临时函数：DROP TEMPORARY FUNCTION add_example;
Hive相关工具：Sqoop Azkaban Flume
Sqoop
Sqoop是一个开源工具，它允许用户将数据从关系型数据库抽取到Hadoop中，用于进一步的处理。抽取出的数据可以被MapReduce程序使用，也可以被其他类似于Hive的工具使用。一旦形成分析结果，Sqoop便可以将这些结果导回数据库，供其他客户端使用

用户向 Sqoop 发起一个命令之后，这个命令会转换为一个基于 Map Task 的 MapReduce 作业。Map Task 会访问数据库的元数据信息，通过并行的 Map Task 将数据库的数据读取出来，然后导入 Hadoop 中。 将 Hadoop 中的数据，导入传统的关系型数据库中。它的核心思想就是通过基于 Map Task （只有 map）的 MapReduce 作业，实现数据的并发拷贝和传输，这样可以大大提高效率
数据导入：首先用户输入一个 Sqoop import 命令，Sqoop 会从关系型数据库中获取元数据信息，比如要操作数据库表的 schema是什么样子，这个表有哪些字段，这些字段都是什么数据类型等。它获取这些信息之后，会将输入命令转化为基于 Map 的 MapReduce作业。这样 MapReduce作业中有很多 Map 任务，每个 Map 任务从数据库中读取一片数据，这样多个 Map 任务实现并发的拷贝，把整个数据快速的拷贝到 HDFS 上
数据导出：首先用户输入一个 Sqoop export 命令，它会获取关系型数据库的 schema，建立 Hadoop 字段与数据库表字段的映射关系。 然后会将输入命令转化为基于 Map 的 MapReduce作业，这样 MapReduce作业中有很多 Map 任务，它们并行的从 HDFS 读取数据，并将整个数据拷贝到数据库中
sqoop查询语句
进入sqoop安装主目录：cd /home/lanou/sqoop-1.4.5.bin__hadoop-2.0.4-alpha
将HDFS上的数据导入到MySQL中：bin/sqoop export --connect jdbc:mysql://192.168.2.136:3306/test --username hadoop --password hadoop --table name_cnt --export-dir '/user/hive/warehouse/mydb.db/name_cnt' --fields-terminated-by '\t'
将MySQL中的数据导入到HDFS上：
bin/sqoop import --connect jdbc:mysql://192.168.2.136:3306/test --username hadoop --password hadoop --table name_cnt -m 1

sqoop：表示sqoop命令
export：表示导出
--connect jdbc:mysql://192.168.2.136:3306/test ：表示告诉jdbc，连接mysql的url。
--username hadoop: 连接mysql的用户名
--password hadoop: 连接mysql的密码
--table name_cnt: 从mysql要导出数据的表名称
--export-dir '/user/hive/warehouse/mydb.db/name_cnt' hive中被导出的文件
--fields-terminated-by '\t': 指定输出文件中的行的字段分隔符   

Azkaban
Azkaban是由Linkedin公司推出的一个批量工作流任务调度器，用于在一个工作流内以一个特定的顺序运行一组工作和流程。Azkaban使用job配置文件建立任务之间的依赖关系，并提供一个易于使用的web用户界面维护和跟踪你的工作流。
Azkaban功能特点：1.兼容所有Hadoop版本
                               2.可以通过WebUI来进行管理配置，操作方便
                               3.更容易设置job的依赖关系
                               4.可以配置定时任务调度
                               5.邮件警告失败或成功 等等
Azkaban架构：

Azkaban使用MySQL去做一些状态的存储
Azkaban Web服务：Azkaban使用Jetty作为Web服务器，用作控制器以及提供Web界面
AzkabanWebServer对数据库的使用：项目管理：对项目权限和上传文件的管理；执行流程状态：对正在执行的程序进行跟踪；查看任务执行结果以及历史日志；调度程序：保持预定的工作状态。

Azkaban执行服务器，执行提交的工作流
AzkabanExecutorServer 对数据库的使用：获取项目：从数据库中检索项目文件；执行工作流或Jobs：从数据库获取要执行的任务流；Logs：存储作业的输出日志，并将其流入数据库；不同的依赖进行交流：如果一个流在不同的执行器上运行，它将从数据库中获取状态
安装Azkaban：
1.要先配置mysql。
   1.1修改mysql的编码，vim /etc/my.cnf

  1.2重启mysql，service mysqld restart 然后进入mysql，创建azkaban数据库并授权，刷新权限。与创建hive数据库相同。

2.配置Azkaban Web Server

2.1解压Azkaban压缩包 unzip azkaban-web-2.5.0.zip

2.2上传mysql驱动包

    cp mysql-connector-java-5.1.43/mysql-connector-java-5.1.43-bin.jar azkaban-web-2.5.0/extlib/

2.3修改配置文件

修改azkaban.properties文件 cd azkaban-web-2.5.0/conf/   vim azkaban.properties

#默认时区改为亚洲/上海 默认为美国
default.timezone.id=Asia/Shanghai  
#数据库连接IP  
mysql.host=master

修改文件权限：  chmod 755 /home/lanou/azkaban/azkaban-web-2.5.0/bin/*

配置jetty ssl：keytool -keystore keystore -alias jetty -genkey -keyalg RSA

Enter keystore password: password
What is your first and last name? 您的名字与姓氏是什么？
[Unknown]: jetty.mortbay.org
What is the name of your organizational unit?您的组织单位名称是什么？
[Unknown]: Jetty
What is the name of your organization?您的组织名称是什么？
[Unknown]: Mort Bay Consulting Pty. Ltd.
What is the name of your City or Locality?您所在的城市或区域名称是什么？
[Unknown]:
What is the name of your State or Province?您所在的州或省份名称是什么？
[Unknown]:
What is the two-letter country code for this unit?该单位的两字母国家代码是什么
[Unknown]:
Is CN=jetty.mortbay.org, OU=Jetty, O=Mort Bay Consulting Pty. Ltd.,
L=Unknown, ST=Unknown, C=Unknown correct?正确吗？
[no]: yes
Enter key password for <jetty>
(RETURN if same as keystore password): password

     这里的密码要与 azkaban-web-2.5.0/conf/azkaban.properties  中设置的密码相同，否则会报错Keystore was tampered with, or password was incorrect。

1.job：

type=command
command=hadoop fs -mkdir /test
command.1=hadoop fs -put /home/lym /hadoop-2.7.1/README.txt /test

2.job：

type=command
command=hadoop jar /home/lym/hadoop-2.7.1/share/hadoop/mapreduce/hadoop-mapreduce-examples-2.7.1.jar wordcount /test /test-out
dependencies=1

实现上传/README.txt并且用wordcount计算

把需要运行的job放在同一个文件下面打成.zip格式的包，注意 Azkaban目前只支持.zip格式

页面操作：首先是登陆azkaban；创建一个工程；上传job；执行job；查看job执行情况

绿色代表成功，蓝色是运行，红色是失败。可以查看job运行时间，依赖和日志，点击details可以查看各个job运行情况

Flume
Flume是Cloudera提供的日志收集系统，具有分布式、高可靠、高可用性等特点，对海量日志采集、聚合和传输，Flume支持在日志系统中制定各类数据发送，同时，Flume提供对数据进行简单处理，并写到各种数接受方的能力。其设计的原理也是基于将数据流，如日志数据从各种网站服务器上汇集起来存储到HDFS，HBase等集中存储器中。

Flume的核心是把数据从数据源收集过来，在送到目的地，为了保证输送一定成功，在送到目的地之前，会先缓存数据，待数据真正到达目的地后，删除自己缓存的数据
Flume传输的数据基本单位是Event，如果是文本文件，通常是一行记录，这也是事务的基本单位。Event从Source，流向Channel，再到Sink，本身为一个byte数组，并可携带headers信息。Event代表着一个数据流的最小完整单元，从外部数据源来，向外部的目的地去
Flume运行的核心是Agent。它是一个完整的数据收集工具，含有三个核心组件，分别是source、channel、sink。通过这些组件，Event可以从一个地方流向另外一个地方

Flume允许多个agent连在一起，形成前后相连的多级跳：

核心组件：source channel sink

source：source负责接收event或通过特殊机制产生event，并将events批量的放到一个或多个channel；source必须至少和一个channel关联

channel：channel位于source和sink之间，用于缓存进来的event；当Sink成功的将event发送到下一跳的channel或最终目的时候，event从Channel移除

sink：Sink负责将event传输到下一跳或最终目的；sink在设置存储数据时，可以向文件系统、数据库、Hadoop存数据，在日志数据较少时，可以将数据存储在文件系中，并且设定一定的时间间隔保存数据。在日志数据较多时，可以将相应的日志数据存储到hadoop中，便于日后进行相应的数据分析；必须作用于一个确切的channel

安装部署：

1.下载 http://mirror.bit.edu.cn/apache/flume/1.6.0/

2.解压   tar -xvf apache-flume-1.6.0-bin.tar.gz   tar -xvf apache-flume-1.6.0-src.tar.gz

3.将源码合并至安装目录apache-flume-1.6.0-bin下：

cp -r apache-flume-1.6.0-src apache-flume-1.6.0-bin/

3.配置环境变量 vim ~/.bash_profile

export FLUME_HOME=/home/lan/apache-flume-1.6.0-bin/

export PATH=$PATHFLUME_HOME/bin

4.测试flume-ng是否安装成功：flume-ng version

测试flume-ng功能：将收集到的日志输出到hdfs上为

新建一个flume代理agent1的配置文件example.conf：

cd apache-flume-1.6.0-bin/conf/   vim example.conf

#agent1
agent1.sources = source1
agent1.sinks = sink1
agent1.channels = c1

#source1
agent1.sources.source1.type = spooldir
agent1.sources.source1.spoolDir = /home/lan/agent1log
agent1.sources.source1.channels = c1
agent1.sources.source1.fileHeader = false

#sink1
agent1.sinks.sink1.type = hdfs
agent1.sinks.sink1.hdfs.path = hdfs://master:9000/agentlog
agent1.sinks.sink1.hdfs.fileType = DataStream
agent1.sinks.sink1.hdfs.writeFormat = TEXT
agent1.sinks.sink1.hdfs.rollInteval = 4
agent1.sinks.sink1.channel = c1

#channel1
agent1.channels.c1.type = file
agent1.channels.c1.checkpointDir = /home/lan/agent1_tmp1
agent1.channels.c1.dataDirs = /home/lan/agent1_tmpdata
#agent1.channels.channel1.capacity = 10000
#agent1.channels.channel.transactionCapacity = 1000

新建agent1log ：mkdir agent1log

启动flume-ng：

cd apache-flume-1.6.0-bin

flume-ng agent -n agent1 -c conf -f /home/lan/apache-flume-1.6.0-bin/conf/example.conf -Dflume.root.logger=DEBUG,console

另启一个terminal,在监测目录下创建新的文件test2.txt
cd ~/agent1log
vim test2.txt

查看sink1的输出，发现目标路径下有一个以FlumeData开始，产生文件的时间戳为后缀的文件，说明flume能监测到目标目录变化，将产生变化的部分实时地收集到sink的输出中。