数据仓库工具：Hive

转载请标明出处：

http://blog.csdn.net/zwto1/article/details/46430823；

本文出自:【zhang_way的博客专栏】

为什么要选择Hive

基于Hadoop的大数据的计算/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:

Hive 可以对数据进行管理和查询。

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。





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

Derby 数据库在哪里运行hive 就会在哪里创建。这就说明不能在不同的地方运行，运行要用同样的数据库。Derby数据库只允许一个客户端打开。

Hive的体系结构：

用户接口主要有三个：CTL，JDBC/ODBC和WebGUI

CTL，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是用过浏览器访问Hive.

Hive将元数据存储在数据库中（metastore），目前只支持mysqk、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，像select from table不会生成MapReduce任务）

Hive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=.

:$$CLASSPATH:$HADOOP_CLASSPATH:$HADOOP_HOME/bin

否则启动hive会报找不到类的错误

注意：=右边多了个$，使用时去掉，由于markdown对美元符号处理，会使内容出现问题，所以多加了一个美元符号为了使内容正常显示。

(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

生产中，我们一般用MySQL。不用derby数据库存放metastore.

安装mysql

查看机器是否安了MySQL

rpm -qa | grep mysql

如果存在删除：

rpm -e mysql-libs-5.1.66-2.el6_3.i686

存在依赖可以强制删除

rpm -e mysql-libs-5.1.66-2.el6_3.i686 –nodeps

(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

(6)登陆MySQL，

mysql -uroot -padmin

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：

<property>
<name>javax.jdo.option.ConnectionURL</name>
<value>jdbc:mysql://hadoop: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>

Mysql 不允许远程连接，如何让其远程连接：

授权所有权限在hive表上给root用户（任何地方的root），密码是admin。

grant all on hive.* to ‘root’@’%’ identified by ‘admin’;

之后刷新下：

flush privileges;

内部表

CREATE TABLE t1(id int);

Hive 里没有insert 操作，插入数据方法如下：

LOAD DATA LOCAL INPATH ‘/root/id’ INTO TABLE t1;

这种方式跟hadoop fs –put 命令的方式都可以加载数据，hive 查询识别。

如果去掉local,加载的数据是从hdfs 里加载的。

CREATE TABLE t2(id int, name string) ROW FORMAT DELIMITED FIELDS TERMINATED BY ‘\t’;

通过制表符区分字段。

分区表

分区表就是按照不同的字段把文件划分为不同的标准。

CREATE TABLE t3(id int) PARTITIONED BY (day int);

LOAD DATA LOCAL INPATH ‘/root/id’ INTO TABLE t3 PARTITION (day=22);

多了一个目录，我们可以按照每天的方式来加载数据。

查的话：

select * from t3 where day=22;

桶表

桶表不常用。

create table t4(id int) clustered by(id) into 4 buckets;

set hive.enforce.bucketing = true;

insert into table t4 select id from t3;

用桶表加载数据要经过MapReduce 计算，不能用load data 方式加载。

值通过哈希编码分到不同的桶中。分到同一桶中的数据很可能相同。

使用场景：作表连接的时候用。

使用文件进行划分，这点与分区表通过文件夹划分不同。

外部表

create external table t5(id int) location ‘/external’;

drop table t5;

好处：删除的时候只删除表定义，数据本身不删除。

前面三个表是受控表。Drop 表时 数据就不存在了。

其他

视图：

跟普通sql 没有什么区别,视图可以屏蔽掉复杂的操作，还可以进行权限的控制，表的操作。

视图创建：

CREATE VIEW v1 AS select * from t1;

表的操作：

表的修改：

alter table target_tab add columns(cols,string)

表的删除：

drop table

Hive 里可以使用limit 操作：

select * from t1 limit 5;

返回5行记录。

ORDER BY 是所有的数据都送到一个reduce 里进行去全排序。

SORT BY col_list 是多个reduce 执行，在每个reduce 内部进行排序。

DISTRIBUTE BY col_list 把数据分成不同的区发给不同的reduce 去执行。

CLUSTER BY col_list将两种操作合并到一起，相当于sort by 和distribute by一起操作。

表连接：

Java 客户端

Hive 可以编写java程序访问，访问时要先启动hive 远程服务：

hive - -service hiveserver >/dev/null 2>/dev/null &

在eclipe 里增加hive jar 包 也必须有hadoop jar包 否则运行不成功

package hive;
import java.sql.Connection;
import java.sql.DriverManager;
import java.sql.ResultSet;
import java.sql.Statement;

public class App {
public static void main(String[] args) throws Exception {
Class.forName("org.apache.hadoop.hive.jdbc.HiveDriver");
Connection con = DriverManager.getConnection("jdbc:hive://hadoop:10000/default","","");
Statement stmt  = con.createStatement();
String sql = "SELECT * FROM  default.t1";
ResultSet  res = stmt.executeQuery(sql);

while(res.next()){
System.out.println(res.getInt(1));
}
}
}

Tab键会把关键字显示出来 ，里面带小括号的表示函数

显示所有的函数：

show functions;

函数怎么用，可以：

describe function pi;

查看具体函数的操作。

这里我们统计id的和 ，使用sum函数

select sum(id) from t1;