学习目标 - 了解什么是Hive - 了解为什么要用Hive 

####1.1 什么是 Hive

• Hive 由 Facebook 基于实现并开源 Hadoop 数据仓库工具可以将结构化数据映射成数据库表并提供 HQL(Hive SQL)底层数据存储在查询功能中 HDFS 上。
• Hive 本质: 将 SQL 语句转换为 MapReduce 任务运行，使不熟悉 MapReduce 用户使用方便 HQL 处理和计算 HDFS 以结构化数据为基础 HDFS 的 MapReduce 计算框架
• 主要用途：用于离线数据分析，而不是直接使用 MapReduce 开发效率更高。

• 直接使用 Hadoop MapReduce 处理数据面临的问题：

  • 学习成本太高
  • MapReduce 实现复杂查询逻辑开发难度太大

• 使用 Hive

  • 操作接口采用类 SQL 语法提供快速发展的能力

  • 避免了去写 MapReduce，降低开发人员的学习成本

  • 功能扩展非常方便

• 用户接口：包括 CLI、JDBC/ODBC、WebGUI。
  • CLI(command line interface)为 shell 命令行
  • JDBC/ODBC 是 Hive 的 JAVA 与传统数据库一起实现JDBC 类似
  • WebGUI 通过浏览器访问 Hive。
  • HiveServer2基于Thrift, 允许远程客户使用多种编程语言，如Java、Python向Hive提交请求
• 元数据存储：通常是存储在关系数据库如 mysql/derby 中。
  • Hive 在数据库中存储元数据。
  • Hive 中元数据包括
    • 表的名字
    • 表的列
    • 分区及其属性
    • 表的属性(是否为外表等)
    • 表数据所在目录等。
• 解释、编译、优化、执行：完成 HQL 从词法分析、语法分析、编译、优化和查询计划生成的查询句。存储生成的查询计划 HDFS 中间，然后由 MapReduce 调用执行

Hive 利用 HDFS 存储数据，使用 MapReduce 查询分析数据。

Hive如果你想提交数据仓库工具，没有集群的概念Hive作业只需要在那里hadoop集群 Master节点上装Hive就可以了

• hive 离线数据分析用于海量数据。

• hive支持的数据类型
  • 原子数据类型
    • TINYINT SMALLINT INT BIGINT BOOLEAN FLOAT DOUBLE STRING BINARY TIMESTAMP DECIMAL CHAR VARCHAR DATE
  • 复杂数据类型
    • ARRAY
    • MAP
    • STRUCT
• hive中表的类型
  • 托管表 (managed table) (内部表)
  • 外部表

• Hive 存储在所有数据中的数据 HDFS 中间没有特殊的数据存储格式
• 在创建表时指定数据中的分隔符，Hive 可以映射成功，分析数据。
• Hive 包括以下数据模型：
  • db：在 hdfs 中表现为 hive.metastore.warehouse.dir 目录下一个文件夹
  • table：在 hdfs 中表现所属 db 目录下一个文件夹
  • external table：可在数据存储位置 HDFS 任意指定路径
  • partition：在 hdfs 中表现为 table 子目录在目录下
  • bucket：在 hdfs 根据相同的表目录 hash 多个文件散列后

• Hive 安装前需要安装 JDK 和 Hadoop。配置环境变量。

• 下载Hive的安装包 http://archive.cloudera.com/cdh5/cdh/5/ 并解压

   tar -zxvf hive-1.1.0-cdh5.7.0.tar.gz  -C ~/app/ 

• 进入到 解压后的hive目录 找到 conf目录, 修改配置文件

  cp hive-env.sh.template hive-env.sh
  vi hive-env.sh
  

  在hive-env.sh中指定hadoop的路径

  HADOOP_HOME=/home/hadoop/app/hadoop-2.6.0-cdh5.7.0
  

• 配置环境变量

  • vi ~/.bash_profile
    

  • export HIVE_HOME=/home/hadoop/app/hive-1.1.0-cdh5.7.0
    export PATH=$HIVE_HOME/bin:$PATH
    

  • source ~/.bash_profile
    

• 根据元数据存储的介质不同，分为下面两个版本，其中 derby 属于内嵌模式。实际生产环境中则使用 mysql 来进行元数据的存储。

  • 内置 derby 版： bin/hive 启动即可使用 缺点：不同路径启动 hive，每一个 hive 拥有一套自己的元数据，无法共享

  • mysql 版：

    • 上传 mysql驱动到 hive安装目录的lib目录下

      mysql-connector-java-5.*.jar

    • vi conf/hive-site.xml 配置 Mysql 元数据库信息(MySql安装见文档)

      <?xml version="1.0" encoding="UTF-8" standalone="no"?>
      <?xml-stylesheet type="text/xsl" href="configuration.xsl"?>
      <configuration>
      <!-- 插入以下代码 -->
          <property>
              <name>javax.jdo.option.ConnectionUserName</name>
              <value>hive</value><!-- 指定mysql用户名 -->
          </property>
          <property>
              <name>javax.jdo.option.ConnectionPassword</name>
              <value>hive</value><!-- 指定mysql密码 -->
          </property>
         <property>
              <name>javax.jdo.option.ConnectionURL</name>mysql
              <value>jdbc:mysql://127.0.0.1:3306/hive</value>
          </property><!-- 指定mysql数据库地址 -->
          <property>
              <name>javax.jdo.option.ConnectionDriverName</name>
              <value>com.mysql.jdbc.Driver</value><!-- 指定mysql驱动 -->
          </property>
              <!-- 到此结束代码 -->
        <property>
          <name>hive.exec.script.wrapper</name>
          <value/>
          <description/>
        </property>
      </configuration>
      
      

• hive启动

  • 启动docker

    service docker start

  • 通过docker 启动mysql

    docker start mysql

  • 启动 hive的metastore元数据服务

    hive --service metastore

  • 启动hive

    hive

  • MySQL root 密码 password hive用户 密码 hive

• 创建数据库

  CREATE DATABASE test;
  

• 显示所有数据库

  SHOW DATABASES;
  

• 创建表

  CREATE TABLE student(classNo string, stuNo string, score int) row format delimited fields terminated by ',';
  

  • row format delimited fields terminated by ‘,’ 指定了字段的分隔符为逗号，所以load数据的时候，load的文本也要为逗号，否则加载后为NULL。hive只支持单个字符的分隔符，hive默认的分隔符是\001

• 将数据load到表中

  • 在本地文件系统创建一个如下的文本文件：/home/hadoop/tmp/student.txt

    C01,N0101,82
    C01,N0102,59
    C01,N0103,65
    C02,N0201,81
    C02,N0202,82
    C02,N0203,79
    C03,N0301,56
    C03,N0302,92
    C03,N0306,72
    

  •  load data local inpath '/home/hadoop/tmp/student.txt'overwrite into table student;
    

  • 这个命令将student.txt文件复制到hive的warehouse目录中，这个目录由hive.metastore.warehouse.dir配置项设置，默认值为/user/hive/warehouse。Overwrite选项将导致Hive事先删除student目录下所有的文件, 并将文件内容映射到表中。 Hive不会对student.txt做任何格式处理，因为Hive本身并不强调数据的存储格式。

• 查询表中的数据 跟SQL类似

  hive>select * from student;
  

• 分组查询group by和统计 count

  hive>select classNo,count(score) from student where score>=60 group by classNo;
  

  从执行结果可以看出 hive把查询的结果变成了MapReduce作业通过hadoop执行

• 案例

  • 创建一个外部表student2

  CREATE EXTERNAL TABLE student2 (classNo string, stuNo string, score int) row format delimited fields terminated by ',' location '/tmp/student';
  

  • 装载数据

    load data local inpath '/home/hadoop/tmp/student.txt' overwrite into table student2;
    

• 显示表信息

  desc formatted table_name;
  

• 删除表查看结果

  drop table student;
  

• 再次创建外部表 student2

• 不插入数据直接查询查看结果

  select * from student2;
  

• 什么是分区表

  • 随着表的不断增大，对于新纪录的增加，查找，删除等(DML)的维护也更加困难。对于数据库中的超大型表，可以通过把它的数据分成若干个小表，从而简化数据库的管理活动，对于每一个简化后的小表，我们称为一个单个的分区。
  • hive中分区表实际就是对应hdfs文件系统上独立的文件夹，该文件夹内的文件是该分区所有数据文件。
  • 分区可以理解为分类，通过分类把不同类型的数据放到不同的目录下。
  • 分类的标准就是分区字段，可以一个，也可以多个。
  • 分区表的意义在于优化查询。查询时尽量利用分区字段。如果不使用分区字段，就会全部扫描。

• 创建分区表

  tom,4300
  jerry,12000
  mike,13000
  jake,11000
  rob,10000
  

  create table employee (name string,salary bigint) partitioned by (date1 string) row format delimited fields terminated by ',' lines terminated by '\n' stored as textfile;
  

• 查看表的分区

  show partitions employee;
  

• 添加分区

  alter table employee add if not exists partition(date1='2018-12-01');
  

• 加载数据到分区

  load data local inpath '/home/hadoop/tmp/employee.txt' into table employee partition(date1='2018-12-01');
  

• 如果重复加载同名文件，不会报错，会自动创建一个*_copy_1.txt

• 外部分区表即使有分区的目录结构, 也必须要通过hql添加分区, 才能看到相应的数据

  hadoop fs -mkdir /user/hive/warehouse/emp/dt=2018-12-04
  hadoop fs -copyFromLocal /tmp/employee.txt /user/hive/warehouse/test.db/emp/dt=2018-12-04/employee.txt
  

  • 此时查看表中数据发现数据并没有变化, 需要通过hql添加分区

    alter table emp add if not exists partition(dt='2018-12-04');
    

  • 此时再次查看才能看到新加入的数据

• 总结

  • 利用分区表方式减少查询时需要扫描的数据量
    • 分区字段不是表中的列, 数据文件中没有对应的列
    • 分区仅仅是一个目录名
    • 查看数据时, hive会自动添加分区列
    • 支持多级分区, 多级子目录

• 在写入数据时自动创建分区(包括目录结构)

• 创建表

  create table employee2 (name string,salary bigint) partitioned by (date1 string) row format delimited fields terminated by ',' lines terminated by '\n' stored as textfile;
  

• 导入数据

  insert into table employee2 partition(date1) select name,salary,date1 from employee;
  

• 使用动态分区需要设置参数

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

在 Hive 有四种类型的运算符：

• 关系运算符

• 算术运算符

• 逻辑运算符

• 复杂运算

  (内容较多，见《Hive 官方文档》》)

https://cwiki.apache.org/confluence/display/Hive/LanguageManual+UDF

• 简单函数: 日期函数 字符串函数 类型转换
• 统计函数: sum avg distinct
• 集合函数
• 分析函数
• show functions; 显示所有函数
• desc function 函数名;
• desc function extended 函数名;

• UDF

  • 当 Hive 提供的内置函数无法满足你的业务处理需要时，此时就可以考虑使用用户自定义函数（UDF：user-defined function）。

  • TRANSFORM,and UDF and UDAF

    it is possible to plug in your own custom mappers and reducers

    A UDF is basically only a transformation done by a mapper meaning that each row should be mapped to exactly one row. A UDAF on the other hand allows us to transform a group of rows into one or more rows, meaning that we can reduce the number of input rows to a single output row by some custom aggregation.

    UDF：就是做一个mapper，对每一条输入数据，映射为一条输出数据。

    UDAF:就是一个reducer，把一组输入数据映射为一条(或多条)输出数据。

    一个脚本至于是做mapper还是做reducer，又或者是做udf还是做udaf，取决于我们把它放在什么样的hive操作符中。放在select中的基本就是udf，放在distribute by和cluster by中的就是reducer。

    We can control if the script is run in a mapper or reducer step by the way we formulate our HiveQL query.

    The statements DISTRIBUTE BY and CLUSTER BY allow us to indicate that we want to actually perform an aggregation.

    User-Defined Functions (UDFs) for transformations and even aggregations which are therefore called User-Defined Aggregation Functions (UDAFs)

• UDF示例(运行java已经编写好的UDF)

  • 在hdfs中创建 /user/hive/lib目录

    hadoop fs -mkdir /user/hive/lib
    

  • 把 hive目录下 lib/hive-contrib-hive-contrib-1.1.0-cdh5.7.0.jar 放到hdfs中

    hadoop fs -put hive-contrib-1.1.0-cdh5.7.0.jar /user/hive/lib/
    

  • 把集群中jar包的位置添加到hive中

    hive> add jar hdfs:///user/hive/lib/hive-contrib-1.1.0-cdh5.7.0.jar;
    

  • 在hive中创建临时UDF

    hive> CREATE TEMPORARY FUNCTION row_sequence as 'org.apache.hadoop.hive.contrib.udf.UDFRowSequence'
    

  • 在之前的案例中使用临时自定义函数(函数功能: 添加自增长的行号)

    Select row_sequence(),* from employee;
    

  • 创建非临时自定义函数

    CREATE FUNCTION row_sequence as 'org.apache.hadoop.hive.contrib.udf.UDFRowSequence' using jar 'hdfs:///user/hive/lib/hive-contrib-1.1.0-cdh5.7.0.jar';
    

• Python UDF

  • 准备案例环境

    • 创建表

      CREATE table u(fname STRING,lname STRING);
      

    • 向表中插入数据

      insert into table u2 values('George','washington');
      insert into table u2 values('George','bush');
      insert into table u2 values('Bill','clinton');
      insert into table u2 values('Bill','gates');
      

  • 编写map风格脚本

    import sys
    for line in sys.stdin:
        line = line.strip()
        fname , lname = line.split('\t')
        l_name = lname.upper()
        print '\t'.join([fname, str(l_name)])
    

  • 通过hdfs向hive中ADD file

    • 加载文件到hdfs

      hadoop fs -put udf.py /user/hive/lib/
      

    • hive从hdfs中加载python脚本

      ADD FILE hdfs:///user/hive/lib/udf.py;
      ADD FILE /root/tmp/udf1.py;
      

  • Transform

    SELECT TRANSFORM(fname, lname) USING 'python udf1.py' AS (fname, l_name) FROM u;
    

• Python UDAF