最具影响力的数字化技术在线社区

168大数据

 找回密码
 立即注册

QQ登录

只需一步,快速开始

1 2 3 4 5
开启左侧

[Hive] Hive详细教程

[复制链接]
发表于 2014-12-31 10:50:31 | 显示全部楼层 |阅读模式

马上注册,结交更多数据大咖,获取更多知识干货,轻松玩转大数据

您需要 登录 才可以下载或查看,没有帐号?立即注册

x

基于hadoop大数据的计算/扩展能力

支持SQL like查询语言

统一的元数据管理

简单编程

Hive的安装

1.1在hadoop生态圈中属于数据仓库的角色。他能够管理hadoop中的数据,同时可以查询hadoop中的数据。

  本质上讲,hive是一个SQL解析引擎。Hive可以把SQL查询转换为MapReduce中的job来运行。

  hive有一套映射工具,可以把SQL转换为MapReduce中的job,可以把SQL中的表、字段转换为HDFS中的文件(夹)以及文件中的列。

  这套映射工具称之为metastore,一般存放在derby、mysql中。

1.2 hive在hdfs中的默认位置是/user/hive/warehouse,是由配置文件hive-conf.xml中属性hive.metastore.warehouse.dir决定的。

2.hive的安装

  (1)解压缩、重命名、设置环境变量

  (2)在目录$HIVE_HOME/conf/下,执行命令mv hive-default.xml.template  hive-site.xml重命名

     在目录$HIVE_HOME/conf/下,执行命令mv hive-env.sh.template  hive-env.sh重命名

  (3)修改hadoop的配置文件hadoop-env.sh,修改内容如下:

     export HADOOP_CLASSPATH=.CLASSPATHHADOOP_CLASSPATHHADOOP_HOME/bin

  (4)在目录$HIVE_HOME/bin下面,修改文件hive-config.sh,增加以下内容:

     export JAVA_HOME=/usr/local/jdk

     export HIVE_HOME=/usr/local/hive

     export HADOOP_HOME=/usr/local/hadoop

3.安装mysql

  (1)删除linux上已经安装的mysql相关库信息。rpm  -e  xxxxxxx   --nodeps

     执行命令rpm -qa |grep mysql 检查是否删除干净

  (2)执行命令 rpm -i   mysql-server-********  安装mysql服务端

  (3)启动mysql 服务端,执行命令  mysqld_safe &

  (4)执行命令 rpm -i   mysql-client-********  安装mysql客户端

  (5)执行命令mysql_secure_installation设置root用户密码

4. 使用mysql作为hive的metastore

  (1)把mysql的jdbc驱动放置到hive的lib目录下

  (2)修改hive-site.xml文件,修改内容如下:  

?
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
<property>
    <name>javax.jdo.option.ConnectionURL</name>
    <value>jdbc:mysql://hadoop0:3306/hive?createDatabaseIfNotExist=true</value>
</property>
<property>
    <name>javax.jdo.option.ConnectionDriverName</name>
    <value>com.mysql.jdbc.Driver</value>
</property>
<property>
    <name>javax.jdo.option.ConnectionUserName</name>
    <value>root</value>
</property>
<property>
    <name>javax.jdo.option.ConnectionPassword</name>
    <value>admin</value>
</property>





   

•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 中
•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


用户接口主要有三个:CLI,JDBC/ODBC和 WebUI
.CLI,即Shell命令行
.JDBC/ODBC是 Hive 的Java,与使用传统数据库JDBC的方式类似
.WebGUI是通过浏览器访问 Hive
Hive 将元数据存储在数据库中(metastore),目前只支持 mysql、derby。Hive 中的元数据包括表的名字,表的列和分区及其属性,表的属性(是否为外部表等),表的数据所在目录等
解释器、编译器、优化器完成 HQL 查询语句从词法分析、语法分析、编译、优化以及查询计划(plan)的生成。生成的查询计划存储在 HDFS 中,并在随后有 MapReduce 调用执行
Hive 的数据存储在 HDFS 中,大部分的查询由 MapReduce 完成(包含 * 的查询,比如 select * from table 不会生成MapRedcue 任务)

Hive的metastore



metastore是hive元数据的集中存放地。metastore默认使用内嵌的derby数据库作为存储引擎
Derby引擎的缺点:一次只能打开一个会话
使用Mysql作为外置存储引擎,多用户同时访问

Hive的shell

1、hive 命令行模式,直接输入#/hive/bin/hive的执行程序,或者输入 #hive --service cli
2、 hive web界面的 (端口号9999) 启动方式
#hive --service hwi&
用于通过浏览器来访问hive
http://hadoop0:9999/hwi/
3、 hive 远程服务 (端口号10000) 启动方式
#hive --service hiveserver&


Hive与传统数据库

查询语言
HiveQL
SQL
数据存储位置
HDFS
Raw  Device or 本地FS
数据格式
用户定义
系统决定
数据更新
不支持
支持
索引
新版本有,但弱
执行
MapReduce
Executor
执行延迟
可扩展性
数据规模


Hive的数据类型

基本数据类型
tinyint / smalint / int /bigint
float / double
boolean
string
复杂数据类型
Array/Map/Struct
没有date /datetime


Hive的数据存储

Hive的数据存储基于Hadoop HDFS
Hive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
Hive默认可以直接加载文本文件(TextFile),还支持sequence file
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


Hive的数据模型-内部表



与数据库中的 Table 在概念上是类似
每一个 Table 在 Hive 中都有一个相应的目录存储数据。例如,一个表 test,它在 HDFS 中的路径为:/ warehouse/test。warehouse是在 hive-site.xml 中由 ${hive.metastore.warehouse.dir}
指定的数据仓库的目录

所有的 Table 数据(不包括 External Table)都保存在这个目录中。

删除表时,元数据与数据都会被删除


Hive的数据模型-分区表

Partition 对应于数据库的 Partition 列的密集索引
在 Hive 中,表中的一个 Partition 对应于表下的一个目录,所有的 Partition 的数据都存储在对应的目录中
例如:test表中包含 date 和 city 两个 Partition,
‍则对应于date=20130201, city = bj 的HDFS 子目录‍:
/warehouse/test/date=20130201/city=bj
‍对应于date=20130202, city=sh 的HDFS 子目录为;‍
/warehouse/test/date=20130202/city=sh

CREATE TABLE tmp_table #表名
(
title   string, #字段名称 字段类型
minimum_bid     double,
quantity        bigint,
have_invoice    bigint
)COMMENT'注释:XXX' #表注释
PARTITIONED BY(ptSTRING) #分区表字段(如果你文件非常之大的话,采用分区表可以快过滤出按分区字段划分的数据)
ROW FORMAT DELIMITED
   FIELDSTERMINATED BY '\001'   # 字段是用什么分割开的
STOREDAS SEQUENCEFILE; #用哪种方式存储数据,SEQUENCEFILE是hadoop自带的文件压缩格式

一些相关命令
SHOW TABLES; #查看所有的表
SHOW TABLES '*TMP*'; #支持模糊查询
SHOWPARTITIONS TMP_TABLE; #查看表有哪些分区
DESCRIBE TMP_TABLE; #查看表结构

分区表的shell



创建数据文件partition_table.dat
创建表

create table partition_table(rectime

string,msisdnstring) partitioned by(daytime strin

g,citystring) row format delimited fields

terminated by '\t' stored as TEXTFILE;


加载数据到分区

load data local inpath'/home/partition_table.dat' i

nto table partition_tablepartition (daytime='20

13-02-01',city='bj');


查看数据

select * from partition_table

select count(*) from partition_table

删除表 drop table partition_table



Hive的数据模型—桶表

桶表是对数据进行哈希取值,然后放到不同文件中存储。
创建表
  create table bucket_table(id string) clustered by(id) into 4 buckets;
加载数据
  set hive.enforce.bucketing = true;
  insert into table bucket_table select name from stu;
  insert overwrite table bucket_table select name from stu;
数据加载到桶表时,会对字段取hash值,然后与桶的数量取模。把数据放到对应的文件中。

抽样查询
  select * from bucket_table tablesample(bucket 1 out of 4 on id);


Hive的数据模型-外部表

指向已经在 HDFS 中存在的数据,可以创建 Partition

它和 内部表 在元数据的组织上是相同的,而实际数据的存储则有较大的差异
内部表 的创建过程和数据加载过程(这两个过程可以在同一个语句中完成),在加载数据的过程中,实际数据会被移动到数据
仓库目录中;之后对数据对访问将会直接在数据仓库目录中完成。删除表时,表中的数据和元数据将会被同时删除
外部表只有一个过程,加载数据和创建表同时完成,并不会移动到数据仓库目录中,只是与外部数据建立一个链接。当删除一个外部表时,仅删除链接
?
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
CREATEEXTERNAL TABLE page_view


( viewTimeINT,

  useridBIGINT,

  page_urlSTRING,  

  referrer_urlSTRING,  

  ipSTRING COMMENT 'IP Address of the User',

  country STRING COMMENT 'country of origination‘

)

    COMMENT 'This is the staging page view table'


    ROW FORMAT DELIMITED FIELDSTERMINATED BY '44' LINES   TERMINATED BY '12'

    STORED ASTEXTFILE

    LOCATION 'hdfs://centos:9000/user/data/staging/page_view';





外部表的shell  

创建数据文件external_table.dat
创建表

hive>create external table external_table1 (key string) ROW FORM   AT  DELIMITED FIELDS


TERMINATED BY '\t' location '/home/external';


在HDFS创建目录/home/external

#hadoop fs -put /home/external_table.dat /home/

external

加载数据
LOAD DATA INPATH '/home/external_table1.dat'

IN

TO TABLE external_table1;

查看数据
select * from external_table

select count(*) from external_table

删除表
drop table external_table



导入数据


•当数据被加载至表中时,不会对数据进行任何转换。Load 操作只是将数据复制/移动至 Hive 表对应的位置。
LOAD DATA [LOCAL] INPATH 'filepath' [OVERWRITE]
    INTO TABLE tablename
    [PARTITION (partcol1=val1, partcol2=val2 ...)]
•把一个Hive表导入到另一个已建Hive表
INSERT OVERWRITE TABLE tablename[PARTITION (partcol1=val1, partcol2=val2 ...)] select_statementFROM from_statement
•CTAS
CREATE [EXTERNAL] TABLE [IF NOT EXISTS] table_name
  (col_namedata_type, ...)  …
  AS SELECT …
例:create table new_external_testas  select * from external_table1

查询


•基于Partition的查询
一般 SELECT查询是全表扫描。但如果是分区表,查询就可以利用分区剪枝(input pruning)的特性,类似“分区索引“”,只扫描一个表中它关心的那一部分。Hive当前的实现是,只有分区断言(Partitioned by)出现在离FROM子句最近的那个WHERE子句中,才会启用分区剪枝。例如,如果page_views表(按天分区)使用date列分区,以下语句只会读取分区为‘2008-03-01’的数据。
SELECT page_views.*    FROM page_views    WHERE page_views.date>= '2013-03-01' AND page_views.date<= '2013-03-01'
•LIMIT Clause
Limit可以限制查询的记录数。查询的结果是随机选择的。下面的查询语句从t1表中随机查询5条记录:
SELECT * FROM t1 LIMIT 5
•Top N查询
下面的查询语句查询销售记录最大的5个销售代表。
SETmapred.reduce.tasks= 1
SELECT * FROM sales SORT BY amount DESC LIMIT 5

表连接



导入ac信息表
hive> create table acinfo(name string,acipstring)  row format delimited fields terminated by '\t' stored as TEXTFILE;
hive> load data local inpath'/home/acinfo/ac.dat' into table acinfo;
内连接
select b.name,a.* from dim_aca join acinfo b on (a.ac=b.acip) limit 10;
左外连接
select b.name,a.* from dim_ac a left outer join acinfo b on a.ac=b.acip limit 10;



Java客户端



Hive远程服务启动#hive --service hiveserver>/dev/null  2>/dev/null &
JAVA客户端相关代码
?
1
2
3
4
5
6
7
8
Class.forName("org.apache.hadoop.hive.jdbc.HiveDriver");
Connection con = DriverManager.getConnection("jdbc:hive://192.168.1.102:10000/wlan_dw", "", "");
Statement stmt = con.createStatement();
String querySQL="SELECT * FROM wlan_dw.dim_m order by flux desc limit 10";
ResultSet res = stmt.executeQuery(querySQL);
while (res.next()) {
System.out.println(res.getString(1) +"\t" +res.getLong(2)+"\t" +res.getLong(3)+"\t" +res.getLong(4)+"\t" +res.getLong(5));
}







UDF

1、UDF函数可以直接应用于select语句,对查询结构做格式化处理后,再输出内容。
2、编写UDF函数的时候需要注意一下几点:
a)自定义UDF需要继承org.apache.hadoop.hive.ql.UDF。
b)需要实现evaluate函数,evaluate函数支持重载。
4、步骤
a)把程序打包放到目标机器上去;
b)进入hive客户端,添加jar包:hive>add jar /run/jar/udf_test.jar;
c)创建临时函数:hive>CREATE TEMPORARY FUNCTION add_example AS 'hive.udf.Add';
d)查询HQL语句:
SELECT add_example(8, 9) FROM scores;
SELECT add_example(scores.math, scores.art) FROM scores;
SELECT add_example(6, 7, 8, 6.8) FROM scores;
e)销毁临时函数:hive> DROP TEMPORARY FUNCTION add_example;
注:UDF只能实现一进一出的操作,如果需要实现多进一出,则需要实现UDAF


楼主热帖
您需要登录后才可以回帖 登录 | 立即注册

本版积分规则

关闭

站长推荐上一条 /1 下一条

关于我们|小黑屋|Archiver|168大数据 ( 京ICP备14035423号|申请友情链接

GMT+8, 2024-3-29 19:24

Powered by BI168大数据社区

© 2012-2014 168大数据

快速回复 返回顶部 返回列表