Hive入门

Hive简介

(1) Hive是什么

Hive是由Facebook开源，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。

(2) Hive本质

Hive是一个Hadoop客户端，用于将HQL（Hive SQL）转化成MapReduce程序。提交给Hadoop集群执行并返回结果。

Hive处理的数据存储在HDFS
Hive分析数据底层的实现是MapReduce/Tez/Spark
执行程序运行在Yarn上

Hive的架构原理

Hive架构图.png

用户接口：Client CLI（command-line interface）、JDBC/ODBC。
元数据：Metastore 元数据包括：数据库（默认是default）、表名、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，由于derby数据库只支持单客户端访问，生产环境中为了多人开发，推荐使用MySQL存储Metastore。
驱动器：Driver （1）解析器（SQLParser）：将SQL字符串转换成抽象语法树（AST）（2）逻辑计划生成器（Logical Plan Gen）：将语法树生成逻辑计划（3）逻辑优化器（Logical Optimizer）：对逻辑计划进行优化（4）物理计划生成器（Physical Plan Gen）：根据优化后的逻辑计划生成物理计划（5）物理优化器（Physical Optimizer）：对物理计划进行优化（6）执行器（Execution）：执行该计划，得到查询结果并返回给客户端
Hadoop Hive的所有数据使用HDFS进行存储，可以选择MapReduce/Tez/Spark进行计算。

Hive的优缺点

优点
- 操作接口采用类SQL语法，提供快速开发的能力（简单、容易上手）。
- 避免了去写MapReduce，减少开发人员的学习成本。
缺点
- 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。
- Hive分析的数据是存储在HDFS上，HDFS不支持随机写，只支持追加写，所以在Hive中不能高效update和delete。

Hive和数据库比较

对比项	Hive	MySQL
语言	类SQL	SQL
数据规模	大数据pb及以上	数据量小一般百万左右到达单表极限
数据存储	HDFS	拥有自己的存储空间
计算引擎	MapReduce/Spark/Tez	自己的引擎InnoDB
执行延迟	高	低

注意：

Hive并不是数据库，真实数据实际存储在HDFS中，Hive是基于Hadoop的一个客户端，通过元数据来访问存储在HDFS中的数据

Hive安装及服务部署

Hive官网：hive.apache.org/

Hive文档：cwiki.apache.org/confluence/…

Hive下载：archive.apache.org/dist/hive/

安装Hive

把apache-hive-3.1.3-bin.tar.gz上传到Linux的/opt/software目录下

解压apache-hive-3.1.3-bin.tar.gz到/opt/module/目录下面

tar -zxvf /opt/software/apache-hive-3.1.3-bin.tar.gz -C /opt/module/
mv /opt/module/apache-hive-3.1.3-bin/ /opt/module/hive

添加环境变量，并加载

sudo vim /etc/profile.d/my_env.sh

# 添加内容
#HIVE_HOME
export HIVE_HOME=/opt/module/hive
export PATH=$PATH:$HIVE_HOME/bin

source /etc/profile.d/my_env.sh

安装MySQL

卸载Linux自带的MySQL

用以下命令卸载系统自带的MySQL

rpm -qa | grep -i -E mysql\|mariadb | xargs -n1 sudo rpm -e --nodeps

查看MySQL数据存储位置

sudo cat /etc/my.cnf

找到以下内容

[mysqld]
datadir=/var/lib/mysql

删除该目录下的所有内容

安装MySQL和JDBC驱动

上传安装MySQL的jar包和驱动

mysql-5.7.28-1.el7.x86_64.rpm-bundle.tar

mysql-connector-java-5.1.37.jar

解压jar包

tar -xf mysql-5.7.28-1.el7.x86_64.rpm-bundle.tar -C mysql_lib/

安装MySQL依赖

sudo rpm -ivh mysql-community-common-5.7.28-1.el7.x86_64.rpm
sudo rpm -ivh mysql-community-libs-5.7.28-1.el7.x86_64.rpm
sudo rpm -ivh mysql-community-libs-compat-5.7.28-1.el7.x86_64.rpm

安装MySQL客户端

sudo rpm -ivh mysql-community-client-5.7.28-1.el7.x86_64.rpm

安装MySQL服务端

sudo rpm -ivh mysql-community-server-5.7.28-1.el7.x86_64.rpm

注意：可能会报以下错误

warning: 05_mysql-community-server-5.7.16-1.el7.x86_64.rpm: Header V3 DSA/SHA1 >Signature, key ID 5072e1f5: NOKEY
error: Failed dependencies:
libaio.so.1()(64bit) is needed by mysql-community-server-5.7.16-1.el7.x86_64

解决方法：

sudo yum -y install libaio

启动MySQL并修改密码

启动MySQL服务

sudo systemctl start mysqld

查看初始的临时密码

sudo cat /var/log/mysqld.log | grep password

进入mysql，使用刚才的临时密码

mysql -uroot -p'password'

更改MySQL密码策略

mysql> set global validate_password_length=4;
mysql> set global validate_password_policy=0;

设置你自己的密码

mysql> set password=password("123456");

进入MySQL库修改user表

mysql> use mysql
mysql> update user set host="%" where user="root";
mysql> flush privileges;

配置Hive元数据存储到MySQL数据库

将MySQL的JDBC驱动拷贝到Hive的lib目录下

cp /opt/software/mysql-connector-java-5.1.37.jar $HIVE_HOME/lib

在$HIVE_HOME/conf目录下新建hive-site.xml文件

vim $HIVE_HOME/conf/hive-site.xml

添加以下内容

<?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://hadoop102:3306/metastore?useSSL=false</value>
    </property>
    
    <!-- jdbc连接的Driver-->
    <property>
        <name>javax.jdo.option.ConnectionDriverName</name>
        <value>com.mysql.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>123456</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>
</configuration>

登录MySQL

mysql -uroot -p123456

新建Hive元数据库

mysql> create database metastore;
mysql> quit;

初始化Hive元数据库（修改为采用MySQL存储元数据）

bin/schematool -dbType mysql -initSchema -verbose

Hive常见属性配置

Hive显示当前库和表头

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>

Hive运行日志路径配置

Hive的log默认存放在/tmp/user/hive.log目录下

修改Hive的log存放日志到/opt/module/hive/logs

1. 修改`$HIVE_HOME/conf/hive-log4j2.properties.template`文件名称为`hive-log4j2.properties`
1. 在`hive-log4j2.properties`文件中修改log存放位置

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

Hive的JVM堆内存设置

修改$HIVE_HOME/conf下的hive-env.sh.template为hive-env.sh

将hive-env.sh其中的参数 export HADOOP_HEAPSIZE修改为2048，重启Hive

# The heap size of the jvm stared by hive shell script can be controlled via:
export HADOOP_HEAPSIZE=2048

Hive服务

Hive的hiveserver2服务的作用是提供jdbc/odbc接口，为用户提供远程访问Hive数据的功能，例如用户期望在个人电脑中访问远程服务中的Hive数据，就需要用到Hiveserver2。

在远程访问Hive数据时，客户端并未直接访问Hadoop集群，而是由Hivesever2代理访问。由于Hadoop集群中的数据具备访问权限控制，所以此时需考虑一个问题：那就是访问Hadoop集群的用户身份是谁？是Hiveserver2的启动用户？还是客户端的登录用户？

答案是都有可能，具体是谁，由Hiveserver2的hive.server2.enable.doAs参数决定，该参数的含义是是否启用Hiveserver2用户模拟的功能。若启用，则Hiveserver2会模拟成客户端的登录用户去访问Hadoop集群的数据，不启用，则Hivesever2会直接使用启动用户访问Hadoop集群数据。模拟用户的功能，默认是开启的。

hiveserver2服务

1. Hadoop端配置

修改配置文件core-site.xml，并分发

<!--xxx为用户名-->
<!--配置所有节点的user用户都可作为代理用户-->
<property>
    <name>hadoop.proxyuser.xxx.hosts</name>
    <value>*</value>
</property>

<!--配置user用户能够代理的用户组为任意组-->
<property>
    <name>hadoop.proxyuser.xxx.groups</name>
    <value>*</value>
</property>

<!--配置user用户能够代理的用户为任意用户-->
<property>
    <name>hadoop.proxyuser.xxx.users</name>
    <value>*</value>
</property>

2. Hive端配置

<!-- 指定hiveserver2连接的host -->
<property>
	<name>hive.server2.thrift.bind.host</name>
	<value>hadoop102</value>
</property>

<!-- 指定hiveserver2连接的端口号 -->
<property>
	<name>hive.server2.thrift.port</name>
	<value>10000</value>
</property>

<!-- hiveserver2高可用参数，开启此参数可以提高hiveserver2启动速度 -->
<property>
	<name>hive.server2.active.passive.ha.enable</name>
	<value>true</value>
</property>

3. 测试

启动hiveserver2服务

hive --service hiveserver2

使用命令行客户端beeline进行远程访问

bin/beeline -u jdbc:hive2://hadoop102:10000 -n user

看到如下界面

Connecting to jdbc:hive2://hadoop102:10000
Connected to: Apache Hive (version 3.1.3)
Driver: Hive JDBC (version 3.1.3)
Transaction isolation: TRANSACTION_REPEATABLE_READ
Beeline version 3.1.3 by Apache Hive
0: jdbc:hive2://hadoop102:10000>

metastore服务

metastore运行模式

metastore有两种运行模式，分别为嵌入式模式和独立服务模式

生产环境中，不推荐使用嵌入式模式。因为其存在以下两个问题：

嵌入式模式下，每个Hive CLI都需要直接连接元数据库，当Hive CLI较多时，数据库压力会比较大。
每个客户端都需要用户元数据库的读写权限，元数据库的安全得不到很好的保证。

默认为嵌入式模式

独立模式需要在hive-site.xml中额外添加以下配置

<!-- 指定metastore服务的地址 -->
<property>
	<name>hive.metastore.uris</name>
	<value>thrift://hadoop102:9083</value>
</property>

注意：主机名需要改为metastore服务所在节点

编写Hive启动脚本（双服务启动，独立模式）

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 &"
    [ -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

添加执行权限

chmod +x $HIVE_HOME/bin/hiveservices.sh

启动

hiveservices.sh start

大数据开发学习1.2-Hive入门与安装