hive(1) : 基础入门就这么简单

这是我参与8月更文挑战的第14天，活动详情查看：8月更文挑战

前言

接下来的，我们来学习一个经典的数据仓库 Hive 。

本次采用的 hive版本为3.1.2 ， mysql 为8.0.20 .

一、Hive 基本概念

1.1 什么是 Hive

1.1.1 简介

Hive：由Facebook 开源用于解决海量结构化日志的数据统计工具和数据分析工具

Hive：是基于Hadoop的一个数据仓库工具，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。

1.1.2 Hive 本质

Hive的本质就是将结构化的数据映射成一张表，底层还是通过MR作为计算引擎，HDFS作为存储，YARN作为资源调度。

a、Hive 处理的数据存储在HDFS

b、Hive 分析数据底层的实现是 MapReduce

c、执行程序允许在 yarn 上。

1.2 Hive 的优缺点

1.2.1 优点

（1）操作接口采用类SQL语法，提供快速开发的能力

（2）避免了去写MapReduce，减少开发学习成本

（3）Hive的执行延迟比较高，因此Hive常用于数据分析，对实时性要求不高的场合

（4）Hive的优势在于处理大数据，对于处理小数据没有优势，因为Hive的执行延迟比较高

（5）Hive支持用户自定义函数，用户可以根据自己的需求来实现自己的函数

1.2.2 缺点

（a）Hive的HQL表达能力有限

（1）迭代式算法无法表达
（2）数据挖掘方面不擅长，由于MapReduce数据处理流程的限制，效率更高的算法却无法实现

（b）Hive的效率比较都低

（1）Hive自动生成的MapReduce作业，通常情况下不够智能化
（2）Hive 调优比较困难，粒度较粗

1.3 Hive 架构原理

Hive计算的数据存储在HDFS

Hive的元数据信息（表的信息）存储在第三方的数据库中，默认使用的derby，换成mysql，可以多开几个客户端窗口。

用户接口：Client

CLI（command-line interface）、JDBC/ODBC(jdbc访问hive)、WEBUI（浏览器访问hive）

元数据：Metastore

元数据包括：表名、表所属的数据库（默认是default）、表的拥有者、列/分区字段、表的类型（是否是外部表）、表的数据所在目录等；

默认存储在自带的derby数据库中，推荐使用MySQL存储Metastore

Hadoop

使用HDFS进行存储，使用MapReduce进行计算。

驱动器：Driver
- （1）解析器（SQL Parser）：将SQL字符串转换成抽象语法树AST，这一步一般都用第三方工具库完成，比如antlr；对AST进行语法分析，比如表是否存在、字段是否存在、SQL语义是否有误。
- （2）编译器（Physical Plan）：将AST编译生成逻辑执行计划。
- （3）优化器（Query Optimizer）：对逻辑执行计划进行优化。
- （4）执行器（Execution）：把逻辑执行计划转换成可以运行的物理计划。对于Hive来说，就是MR/Spark。

Hive通过给用户提供的一系列交互接口，接收到用户的指令(SQL)，使用自己的Driver，结合元数据(MetaStore)，将这些指令翻译成MapReduce，提交到Hadoop中执行，最后，将执行返回的结果输出到用户交互接口。

1.4 Hive 和数据库比较

由于 Hive 采用了类似SQL 的查询语言 HQL(Hive Query Language)，因此很容易将 Hive 理解为数据库。其实从结构上来看，Hive 和数据库除了拥有类似的查询语言，再无类似之处。本文将从多个方面来阐述 Hive 和数据库的差异。数据库可以用在 Online 的应用中，但是Hive 是为数据仓库而设计的，清楚这一点，有助于从应用角度理解 Hive 的特性。

1.4.1 查询语言

由于SQL被广泛的应用在数据仓库中，因此，专门针对Hive的特性设计了类SQL的查询语言HQL。熟悉SQL开发的开发者可以很方便的使用Hive进行开发。

1.4.2 数据更新

由于Hive是针对数据仓库应用设计的，而数据仓库的内容是读多写少的。因此，Hive中不建议对数据的改写，所有的数据都是在加载的时候确定好的。而数据库中的数据通常是需要经常进行修改的，因此可以使用 INSERT INTO … VALUES 添加数据，使用 UPDATE … SET修改数据。

1.4.3 执行延迟

Hive 在查询数据的时候，由于没有索引，需要扫描整个表，因此延迟较高。另外一个导致 Hive 执行延迟高的因素是 MapReduce框架。由于MapReduce 本身具有较高的延迟，因此在利用MapReduce 执行Hive查询时，也会有较高的延迟。相对的，数据库的执行延迟较低。当然，这个低是有条件的，即数据规模较小，当数据规模大到超过数据库的处理能力的时候，Hive的并行计算显然能体现出优势。

1.4.4 数据规模

由于Hive建立在集群上并可以利用MapReduce进行并行计算，因此可以支持很大规模的数据；对应的，数据库可以支持的数据规模较小。

二、Hive 安装

2.1 Hive 安装地址

hive 官网： hive.apache.org/
文档查看地址：cwiki.apache.org/confluence/…
下载地址：archive.apache.org/dist/hive/
github 地址：github.com/apache/hive

2.2 Mysql 安装

hive 需要借助 mysql 来存储 metadata 元数据，所以需要安装 mysql 并配置 mysql。

mysql 的安装之前写过两篇文章了，分别是 rpm 安装和源码安装。

juejin.cn/post/688635…

juejin.cn/post/688855…

但下面，我将用yum 来安装，效率是前两者的 n 倍，建议自己搭建环境的时候可以使用。

1、安装 Mysql8.0 资源库

 yum localinstall https://repo.mysql.com//mysql80-community-release-el7-1.noarch.rpm

2、安装 Mysql 8.0

 yum install mysql-community-server

3、启动 Mysql 并配置开机自启

 systemctl start mysqld
 systemctl enable mysqld

4、查看默认密码并重置

 grep 'temporary password' /var/log/mysqld.log

登录并更改密码：注意-p 和密码之间不能用空格

 [root@hadoop101 package]# mysql -p+TkQU4tYowE6
 mysql: [Warning] Using a password on the command line interface can be insecure.
 Welcome to the MySQL monitor.  Commands end with ; or \g.
 Your MySQL connection id is 13
 Server version: 8.0.25

5、更改密码，授予远程权限：

 mysql> alter user 'root'@'localhost' IDENTIFIED with mysql_native_password by 'Admin12@2021';
 Query OK, 0 rows affected (0.00 sec)
 
 mysql> rename user 'root'@'localhost' to 'root'@'%';
 Query OK, 0 rows affected (0.01 sec)
 
 mysql> FLUSH PRIVILEGES;
 Query OK, 0 rows affected (0.00 sec)
 
 mysql> grant all privileges on *.* to 'root'@'%';
 Query OK, 0 rows affected (0.00 sec)

6、远程访问即可

2.3 Hive 部署

2.3.1 hive 安装

根据上面网址下载 hive 版本，我下载的是 apache-hive-3.1.2-bin.tar.gz 。

1、将 hive 的 jar 包上传到 linux 的 /opt/package

2、解压 apache-hive-3.1.2-bin.tar.gz 到 /opt/software，然后重命名为 hive

 tar -zxvf /opt/software/apache-hive-3.1.2-bin.tar.gz -C /opt/module/
 mv apache-hive-3.1.2-bin/ hive

3、修改 /etc/profile.d/my_env.sh , 添加环境变量

 vim /etc/profile

 #HIVE_HOMEHIVE_HOME=/opt/module/hivePATH=$PATH:$JAVA_HOME/bin:$HADOOP_HOME/bin:$HADOOP_HOME/sbin:$HIVE_HOME/binexport PATH JAVA_HOME HADOOP_HOME HIVE_HOME

4、进入 lib 目录解决日志 jar 包冲突

 [leilei@hadoop100 lib]$ mv log4j-slf4j-impl-2.10.0.jar log4j-slf4j-impl-2.10.0.bak

2.3.2 Hive 元数据配置到 Mysql

1、下载 mysql 的连接驱动，我的mysql 为 8.0.25 最新款，所以需要下载该版本的驱动，下载连接为：dev.mysql.com/downloads/f…

2、把下载的 mysql 的 JDBC 驱动拷贝到 hive 的lib 目录下：

 <?xml version="1.0"?><?xml-stylesheet type="text/xsl" href="configuration.xsl"?><configuration>    <!-- jdbc连接的URL -->    <property>        <name>javax.jdo.option.ConnectionURL</name>        <value>jdbc:mysql://hadoop101:3306/metastore?userSSL=false</value>    </property>     <!-- jdbc连接的Driver-->    <property>        <name>javax.jdo.option.ConnectionDriverName</name>        <value>com.mysql.cj.jdbc.Driver</value>    </property> <!-- jdbc连接的username-->    <property>        <name>javax.jdo.option.ConnectionUserName</name>        <value>root</value>    </property>     <!-- jdbc连接的password -->    <property>        <name>javax.jdo.option.ConnectionPassword</name>        <value>Admin@2021</value>    </property>    <!-- Hive默认在HDFS的工作目录 -->    <property>        <name>hive.metastore.warehouse.dir</name>        <value>/user/hive/warehouse</value>    </property>       <!-- Hive元数据存储版本的验证 -->    <property>        <name>hive.metastore.schema.verification</name>        <value>false</value>    </property>    <!-- 指定存储元数据要连接的地址 -->    <property>        <name>hive.metastore.uris</name>        <value>thrift://hadoop101:9083</value>    </property>    <!-- 指定hiveserver2连接的端口号 -->    <property>    <name>hive.server2.thrift.port</name>    <value>10000</value>    </property>   <!-- 指定hiveserver2连接的host -->    <property>        <name>hive.server2.thrift.bind.host</name>        <value>hadoop101</value>    </property>    <!-- 元数据存储授权  -->    <property>        <name>hive.metastore.event.db.notification.api.auth</name>        <value>false</value>    </property> </configuration>

2.3.3 初始化元数据库

1、创建 mysql 的库 metastore ，用来存放 hive 的元数据的表。
2、初始化 hive 元数据库，这个过程，会在mysql 的对应的数据库中添加 hive 的相关信息
```
 cd hive/bin[root@hadoop101 bin]# ./schematool -initSchema -dbType mysql -verbose
```

完成之后，我们可与发现这个数据库中多出了很多张表。

2.4 启动 hive

2.4.1 启动 metastore 和 hiveserver2

这两个服务可以直接启动，例如下面的命令，但是启动后窗口不能再操作了，也不能关闭当前窗口，所以我们不推荐这种方式。

 hive --service metastorehive --service hiveserver2

下面，我们通过后台方式启动，一般采用组合命令：nohup [xxx 命令操作] >file 2>&1% 。表示将xxx 命令运行的结果输出到 file 中，并保持命令启动的进程在后台运行。

 [root@hadoop101 hive]# nohup hive --service metastore 2>&1 &[1] 108879[root@hadoop101 hive]# nohup hive --service hiveserver2 2>&1 &[2] 109675

为了更加方便，我们通过脚本来管理服务的启动和关闭，脚本的编写不要求掌握，直接拿来使用即可。注意路径即可

 vim $HIVE_HOME/bin/hiveservices.sh

 #!/bin/bash
 HIVE_LOG_DIR=$HIVE_HOME/logs
 if [ ! -d $HIVE_LOG_DIR ]
 then
 mkdir -p $HIVE_LOG_DIR
 fi
 #检查进程是否运行正常，参数1为进程名，参数2为进程端口
 function check_process()
 {
     pid=$(ps -ef 2>/dev/null | grep -v grep | grep -i $1 | awk '{print $2}')
     ppid=$(netstat -nltp 2>/dev/null | grep $2 | awk '{print $7}' | cut -d '/' -f 1)
     echo $pid
     [[ "$pid" =~ "$ppid" ]] && [ "$ppid" ] && return 0 || return 1
 }
  
 function hive_start()
 {
     metapid=$(check_process HiveMetastore 9083)
     cmd="nohup hive --service metastore >$HIVE_LOG_DIR/metastore.log 2>&1 &"
     cmd=$cmd" sleep 4; hdfs dfsadmin -safemode wait >/dev/null 2>&1"
     [ -z "$metapid" ] && eval $cmd || echo "Metastroe服务已启动"
     server2pid=$(check_process HiveServer2 10000)
     cmd="nohup hive --service hiveserver2 >$HIVE_LOG_DIR/hiveServer2.log 2>&1 &"
     [ -z "$server2pid" ] && eval $cmd || echo "HiveServer2服务已启动"
 }
  
 function hive_stop()
 {
     metapid=$(check_process HiveMetastore 9083)
     [ "$metapid" ] && kill $metapid || echo "Metastore服务未启动"
     server2pid=$(check_process HiveServer2 10000)
     [ "$server2pid" ] && kill $server2pid || echo "HiveServer2服务未启动"
 }
  
 case $1 in
 "start")
     hive_start
     ;;
 "stop")
     hive_stop
     ;;
 "restart")
     hive_stop
     sleep 2
     hive_start
     ;;
 "status")
     check_process HiveMetastore 9083 >/dev/null && echo "Metastore服务运行正常" || echo "Metastore服务运行异常"
     check_process HiveServer2 10000 >/dev/null && echo "HiveServer2服务运行正常" || echo "HiveServer2服务运行异常"
     ;;
 *)
     echo Invalid Args!
     echo 'Usage: '$(basename $0)' start|stop|restart|status'
     ;;
 esac

给这个脚本添加执行权限：

 [root@hadoop101 hive]# chmod +x $HIVE_HOME/bin/hiveservices.sh

启动 Hive 后台服务：

 hiveservices.sh start

2.4.2 启动集群

执行我们编写的脚本

 [root@hadoop101 sbin]# mycluster.sh start

看到启动的服务是否正常：

 [root@hadoop101 sbin]# myjps.sh 
 ===== hadoop101 jps======
 18993 DataNode
 122563 RunJar
 20882 Jps
 122123 RunJar
 20619 NodeManager
 18813 NameNode
 ===== hadoop102 jps======
 39191 NodeManager
 37848 DataNode
 39002 ResourceManager
 39677 Jps
 ===== hadoop103 jps======
 26724 Jps
 25333 DataNode
 25482 SecondaryNameNode
 26463 NodeManager
 [root@hadoop101 sbin]# hiveservices.sh status
 Metastore服务运行正常
 HiveServer2服务运行正常

2.5 Hive 访问

2.5.1 HiveJDBC 访问

  $HIVE_HOME/bin/beeline -u jdbc:hive2://hadoop101:10000 -n root

出现下面的界面信息表示访问 Hive 成功！

 [root@hadoop101 hadoop]# $HIVE_HOME/bin/beeline -u jdbc:hive2://hadoop101:10000 -n rootConnecting to jdbc:hive2://hadoop101:10000Connected to: Apache Hive (version 3.1.2)Driver: Hive JDBC (version 3.1.2)Transaction isolation: TRANSACTION_REPEATABLE_READBeeline version 3.1.2 by Apache Hive0: jdbc:hive2://hadoop101:10000>

如果启动失败：

1、查看 hiveserver2 服务是否正常运行
2、查看 hadoop 的etc/hadoop/core-site.xml 中是否加兼容配置，让任意用户都需要代理这个用户去访问

 <!-- 下面是兼容性配置，先跳过 -->        <!-- 配置该root(superUser)允许通过代理访问的主机节点 -->        <property>                <name>hadoop.proxyuser.root.hosts</name>                <value>*</value>        </property>        <!-- 配置该root(superuser)允许代理的用户所属组 -->        <property>                <name>hadoop.proxyuser.root.groups</name>                <value>*</value>        </property>        <!-- 配置该root(superuser)允许代理的用户-->        <property>                <name>hadoop.proxyuser.root.users</name>                <value>*</value>        </property>

2.5.2 Hive 客户端访问

1、启动 Hive 客户端

 [root@hadoop101 sofeware]# hivewhich: no hbase in (/opt/rh/devtoolset-9/root/usr/bin:/opt/sofeware/java8/bin:/opt/sofeware/java8/jre/bin:/usr/local/sbin:/usr/local/bin:/usr/sbin:/usr/bin:/opt/sofeware/hadoop-3.1.3/bin:/opt/sofeware/hadoop-3.1.3/sbin:/opt/sofeware/hive/bin:/home/lei/bin:/root/bin)Hive Session ID = fb510c68-35b2-4505-86c6-f962b3dbdedbLogging initialized using configuration in jar:file:/opt/sofeware/hive/lib/hive-common-3.1.2.jar!/hive-log4j2.properties Async: trueHive-on-MR is deprecated in Hive 2 and may not be available in the future versions. Consider using a different execution engine (i.e. spark, tez) or using Hive 1.X releases.Hive Session ID = 8f32c100-e1d7-4313-8bea-3b72441ab1cehive>

可以看到一些打印信息，现在使用的引擎是MR ，已经过时了，后面可以更换。

2、查看数据库

 hive> show databases;OKdefaultTime taken: 0.517 seconds, Fetched: 1 row(s)

3、为了打印信息美观点，我们可以在hive-site .xml 中加入如下两个配置：

 <property>    <name>hive.cli.print.header</name>    <value>true</value>    <description>Whether to print the names of the columns in query output.</description>  </property>   <property>    <name>hive.cli.print.current.db</name>    <value>true</value>    <description>Whether to include the current database in the Hive prompt.</description>  </property>

4、最终效果也不是太明显，加了表头和所在库,美观程度不及 beeline。推荐上面那种方式访问

 hive (default)> create database mydb;OKTime taken: 1.209 secondshive (default)> use mydb;OKTime taken: 0.057 secondshive (mydb)> show databases;OKdatabase_namedefaultmydb

2.6 Hive 交互命令

 [root@hadoop101 conf]# hive -helpwhich: no hbase in (/opt/rh/devtoolset-9/root/usr/bin:/opt/sofeware/java8/bin:/opt/sofeware/java8/jre/bin:/usr/local/sbin:/usr/local/bin:/usr/sbin:/usr/bin:/opt/sofeware/hadoop-3.1.3/bin:/opt/sofeware/hadoop-3.1.3/sbin:/opt/sofeware/hive/bin:/home/lei/bin:/root/bin)Hive Session ID = e8e97f61-a6de-440e-be53-8f3e1592414fusage: hive -d,--define <key=value>          Variable substitution to apply to Hive                                  commands. e.g. -d A=B or --define A=B    --database <databasename>     Specify the database to use -e <quoted-query-string>         SQL from command line -f <filename>                    SQL from files -H,--help                        Print help information    --hiveconf <property=value>   Use value for given property    --hivevar <key=value>         Variable substitution to apply to Hive                                  commands. e.g. --hivevar A=B -i <filename>                    Initialization SQL file -S,--silent                      Silent mode in interactive shell -v,--verbose                     Verbose mode (echo executed SQL to the                                  console)

1、“-e” 不进入 hive 的交互窗口执行 SQL 语句

 [root@hadoop101 ~]# bin/hive -e "select * from mydb.mytable;"-bash: bin/hive: 没有那个文件或目录[root@hadoop101 ~]# hive -e "select * from mydb.mytable;"which: no hbase in (/opt/rh/devtoolset-9/root/usr/bin:/opt/sofeware/java8/bin:/opt/sofeware/java8/jre/bin:/usr/local/sbin:/usr/local/bin:/usr/sbin:/usr/bin:/opt/sofeware/hadoop-3.1.3/bin:/opt/sofeware/hadoop-3.1.3/sbin:/opt/sofeware/hive/bin:/home/lei/bin:/root/bin)Hive Session ID = 05e49b32-b3d3-4e8e-bf01-64293c905fa6Logging initialized using configuration in jar:file:/opt/sofeware/hive/lib/hive-common-3.1.2.jar!/hive-log4j2.properties Async: trueHive Session ID = 539ebc53-ff74-4def-b715-321edbe50966OKmytable.id      mytable.nameTime taken: 2.709 seconds

2、“- f ” 执行脚本中 sql 语句
- 1. 创建hive.sql ,在里面编写sql 文件
- 1. 执行文件中的 sql 文件，然后输出文件的结果到某个结果文件中
```
 hive -f hivef.sql  > /opt/module/datas/hive_result.txt
```

2.7 Hive 其他命令操作

1、退出 Hive窗口
```
 hive(default)>exit;hive(default)>quit;
```
在老版本中这两者是有区别的：
- exit ：先隐性提交数据，再推出
- quit：不提交数据，退出。
2、在hive cli 命令窗口中如何查看 hdfs文件系统
```
 hive(default)>dfs -ls /;
```
3、查看在 hive 中输入的所有历史命令
- 1、进入到当前用户的根目录 /root 或 /home/lei
- 2、查看 .hivehistory 文件

2.8 Hive 常见属性配置

2.8.1 Hive 运行日志信息配置

1、Hive 的 log 默认存放在 /tep/root/hive.log 目录下（当前用户名下）

2、修改 hive 的log 存放日志到 /opt/software/hive/logs 中

1、修改hive /conf/hive-log4j.properties.template 文件名称为 hive-log4j.properties

 [root@hadoop101 conf]# mv hive-log4j2.properties.template hive-log4j2.properties[root@hadoop101 conf]# vim hive-log4j2.properties

2、修改里面的配置

 property.hive.log.dir = /opt/software/hive/logs

2.8.2 参数设置方式

1、查看当前所有的配置信息
```
 hive > set
```
2、参数的配置三种方式
- 1、配置文件方式
  - 默认的配置文件是：hive-defalut.xml
  - 用户自定义配置文件：hive-site.xml
  - 注意：用户自定义配置会覆盖默认配置，另外 Hive也会读入 Hadoop的配置，因为 Hive是作为Hadoop的客户端启动的，Hive的配置会覆盖 hadoop 的配置。
- 2、命令行参数方式
  - 启动 Hive 时，可与在命令行添加 -hiveconf param=value 来设定参数,仅对本次 hive启动有效
```
 hive -hiveconf mapred.reduce.tasks=10;
```
  - 查看参数设置：
```
 hive (default)> set mapred.reduce.tasks;
```
- 3、参数声明方式
  
  可以在 HQL 中使用 SET 关键字设定参数, 仅对本次 hive 启动有效。
```
 hive (default)> set mapred.reduce.tasks=100;
```
  上述三种设定方式的优先级依次递增。即配置文件<命令行参数<参数声明。注意某些系统级的参数，例如log4j相关的设定，必须用前两种方式设定，因为那些参数的读取在会话建立以前已经完成了