3 HIVE
摘要：Apache Hive数据仓库软件有助于使用SQL读取，写入和管理驻留在分布式存储中的大型数据集。可以将结构投影到已经存储的数据上。提供了命令行工具和JDBC驱动程序以将用户连接到Hive上。作者：来自ArimaMisaki创作
3.1 Hive概述
3.1.1 Hive简介
Hive：Hive是基于Hadoop的数据仓库软件，可以查询和管理PB级别的分布式数据。
Hive特性：
- 灵活方便的ETL(extract/transform/load)。
- 支持Tez，Spark等多种引擎
- 可直接访问HDFS文件以及HBase
- 易用易编程
3.1.2 Hive应用场景
3.1.3 Hive与传统数据仓库比较
| Hive | 传统数据仓库 | |
|---|---|---|
| 存储 | HDFS，理论上有无限拓展的可能 | 集群存储，存在容量上限，而且随着容量的增长，计算速度急剧下降，只能适应与数据量比较小的商业应用，对于超大规模数据无能为力 |
| 执行引擎 | 默认执行引擎Tez | 可以选择更加高效的算法来查询，也可以进行更多的优化措施来提高速度 |
| 使用方式 | HQL | SQL |
| 灵活性 | 元数据存储独立于数据存储之外，从而解耦合元数据和数据 | 低，数据用途单一 |
| 分析速度 | 计算依赖于集群规模，易拓展， | 在数据容量较小时非常快速，数据容量较大时，急剧下降 |
| 索引 | 效率较低 | 高效 |
| 易用性 | 需要自行开发应用模型，灵活度较高，但易用性较低 | 集成一整套成熟的报表解决方案，可以较为方便的进行数据的分析 |
| 可靠性 | 数据存储在HDFS，可靠性高、容错性高 | 可靠性较低，一次查询失败需要重新开始。数据容错依赖于硬件Raid |
| 依赖环境 | 依赖硬件较低，可适应一般的普通机器 | 依赖于高性能的商业服务器 |
| 价格 | 开源产品 | 商用比较昂贵 |
3.1.4 Hive优点
- 高可靠、高容错：HiveServer采用集群模式，双MetaStore，超时重试机制
- 类SQL：指HQL，其类似于SQL语法，内置了大量函数
- 可扩展：自定义存储格式和函数
- 多接口：Beeline、JDBC、Thrift、Python、ODBC
3.2 Hive功能及架构
3.2.1 Hive运行流程
- Client提交HQL命令
- Tez执行查询
- YARN为集群中的应用程序分配资源，并未YARN队列中的Hive作业启用授权
- Hive根据表类型更新HDFS或Hive仓库的数据
- Hive通过JDBC连接返回查询结果
3.2.2 Hive数据存储模型
表中可分区或分桶，分区还可继续分区或分桶。
3.2.3 Hive数据存储模型-分区和分桶
分区：数据表可以按照某个字段的值划分分区。我们可以这么理解：将一个表的数据拆分出来放在不同的文件夹(目录)下。这样的话，分区的本质就是目录，分区数量也不固定，分区下可再有分区或者桶。
桶：数据可以根据桶的方式将不同数据放入不同的桶中。我们可以这么理解：一个表的数据拆分出来后肯定不是说直接放在文件夹下，而是放在文件中，至于这个文件是在根目录还是某个分区目录我们就不得而知了，我们称这个文件为桶。桶中基本的原理遵循数据结构中的桶排序，建表时可以指定桶个数，桶内可排序。数据按照某个字段的值Hash后放入某个桶中。
3.2.4 Hive数据存储模型-托管表和外部表
托管表：创建表若不指定表的类型即默认为托管表，Hive会将创建后的表移动到仓库目录。
外部表：若指定创建外部表，则Hive会到数据仓库目录以外的位置访问该表的数据。
说明：如果所有处理都有Hive完成，建议使用托管表。如果要用Hive和其他工具搭配使用来处理同一个数据集，建议使用外部表。
| 托管表 | 外部表 | |
|---|---|---|
| CREATE/LOAD | 数据移动仓库目录 | 数据位置不移动 |
| DROP | 元数据和数据会被一起删除 | 只删除元数据 |
3.2.5 Hive支持的函数
内置函数：
- 数学函数:如round(),floor(),abs(),rand()等
- 日期函数：如to_date(),month(),day()等
- 字符串函数：如trim(),length(),substr()等
用户自定义函数(UserDefinedFunction)
3.3 Hive基本操作
3.3.1 Hive使用
打开服务器
$HIVE_HOME/bin/hiveserver2
//通过beeline连接
$HIVE_HOME/bin/beeline -u jdbc:hive2://$HS2_HOST:$HS2_PORT向其他大数据组件公开自己元数据
$HIVE_HOME/hcatalog/sbin/hcat_server.sh从Hive发行版0.11.0及更高版本的shell中运行WebHCat服务器
$HIVE_HOME/hcatalog/sbin/webhhcar_server.sh3.3.2 DDL操作
创建表
create table pokes(foo int,bar string);
//指定分区
create table invites(foo int,bar string) partitioned by (ds string);浏览表
show tables描述表
describe invites修改表
alter table events rename to 3koobecaf;
alter table pokes add columns (new_col int)3.3.3 DML操作
向表里加载数据
load datalocal inpath './exaples/files/kv1.txt' overwrite into table pokes;
load data local inpath './examples/files/kv2.txt' overwrite into table invites partition (ds='2008-08-15')导入数据出HDFS
export table invites to '/department'3.3.4 DQL操作
selects and filters
select a.foo from invites a where a.ds = '2008-08-15';
insert overwrite directory '/tmp/hdfs_out' select a.* from invires a where a.ds='2008-08-15';group by
from invites a insert overwrite table events select a.bar,count(*) where a.foo > 0 group by a.bar;
insert overwrite table events select a.bar,count(*) from invites a where a.foo>0 group by a.bar;多次插入
from src
insert overwrite table dest1 select src.* where src.key<100
insert overwrite table dest2 select src.key,src.value where src.key >= 100 and src.key<200;多表联查
from pokes t1 join invites t2 on (t1.bar == t2.bar) insert overwrite table events select t1.bar,t1.foo,t2.foo;