1. Hive基本概念
1.1 Hive簡介
1.1.1 什麼是Hive
Hive是基於Hadoop的一個數據倉庫工具,可以將結構化的數據文件映射爲一張數據庫表,並提供類SQL查詢功能。
1.1.2 爲什麼使用Hive
1.) 直接使用hadoop所面臨的問題
人員學習成本太高
項目週期要求太短
MapReduce實現複雜查詢邏輯開發難度太大
2.)
操作接口採用類SQL語法,提供快速開發的能力。
避免了去寫MapReduce,減少開發人員的學習成本。
擴展功能很方便。
1.1.3 Hive的特點
1.)可擴展
Hive可以自由的擴展集羣的規模,一般情況下不需要重啓服務。
2.)延展性
Hive支持用戶自定義函數,用戶可以根據自己的需求來實現自己的函數。
3.)容錯
良好的容錯性,節點出現問題SQL仍可完成執行。
1.2 Hive架構
1.2.1 架構圖
Jobtracker是hadoop1.x中的組件,它的功能相當於: Resourcemanager+AppMaster
TaskTracker 相當於: Nodemanager + yarnchild
1.2.2 基本組成
1.) 用戶接口:包括 CLI、JDBC/ODBC、WebGUI。
2.) 元數據存儲:通常是存儲在關係數據庫如 mysql , derby中。
3.) 解釋器、編譯器、優化器、執行器。
1.2.3 各組件的基本功能
1.) 用戶接口主要由三個:CLI、JDBC/ODBC和WebGUI。其中,CLI爲shell命令行;JDBC/ODBC是Hive的JAVA實現,與傳統數據庫JDBC類似;WebGUI是通過瀏覽器訪問Hive。
2.)元數據存儲:Hive 將元數據存儲在數據庫中。Hive 中的元數據包括表的名字,表的列和分區及其屬性,表的屬性(是否爲外部表等),表的數據所在目錄等。
3.)解釋器、編譯器、優化器完成 HQL 查詢語句從詞法分析、語法分析、編譯、優化以及查詢計劃的生成。生成的查詢計劃存儲在 HDFS 中,並在隨後有 MapReduce 調用執行。
1.3 Hive與Hadoop的關係
Hive利用HDFS存儲數據,利用MapReduce查詢數據
1.4 Hive與傳統數據庫對比
總結:hive具有sql數據庫的外表,但應用場景完全不同,hive只適合用來做批量數據統計分析
1.5 Hive的數據存儲
1、Hive中所有的數據都存儲在 HDFS 中,沒有專門的數據存儲格式(可支持Text,SequenceFile,ParquetFile,RCFILE等)
2、只需要在創建表的時候告訴 Hive 數據中的列分隔符和行分隔符,Hive 就可以解析數據。
3、Hive 中包含以下數據模型:DB、Table,External Table,Partition,Bucket。
db:在hdfs中表現爲${hive.metastore.warehouse.dir}目錄下一個文件夾
table:在hdfs中表現所屬db目錄下一個文件夾
external table:外部表, 與table類似,不過其數據存放位置可以在任意指定路徑
普通表: 刪除表後, hdfs上的文件都刪了
External外部表刪除後, hdfs上的文件沒有刪除, 只是把文件刪除了
partition:在hdfs中表現爲table目錄下的子目錄
bucket:桶, 在hdfs中表現爲同一個表目錄下根據hash散列之後的多個文件, 會根據不同的文件把數據放到不同的文件中
1.6 HIVE的安裝部署
1.6.1 安裝
單機版:
元數據庫mysql版:
安裝過程略,下載好後解壓即可,感興趣的朋友可以直接下載我配置好的hive,運行在centos7.4下完美運行,下載頁:
https://download.csdn.net/download/l1212xiao/10434728
1.6.2 使用方式
Hive交互shell
bin/hive
Hive thrift服務
啓動方式,(假如是在hadoop01上):
啓動爲前臺:bin/hiveserver2
啓動爲後臺:nohup bin/hiveserver2 1>/var/log/hiveserver.log 2>/var/log/hiveserver.err &
啓動成功後,可以在別的節點上用beeline去連接
v 方式(1)
hive/bin/beeline 回車,進入beeline的命令界面
輸入命令連接hiveserver2
beeline> !connect jdbc:hive2//mini1:10000
(hadoop01是hiveserver2所啓動的那臺主機名,端口默認是10000)
v 方式(2)
或者啓動就連接:
bin/beeline -u jdbc:hive2://hadoop01:10000 -n hadoop
接下來就可以做正常sql查詢了
Hive命令
[hadoop@hdp-node-02 ~]$ hive -e ‘sql’
2. Hive基本操作
2.1 DDL操作
2.1.1 創建表
建表語法
CREATE [EXTERNAL] TABLE [IF NOT EXISTS] table_name
[(col_name data_type [COMMENT col_comment], ...)]
[COMMENT table_comment]
[PARTITIONED BY (col_name data_type [COMMENT col_comment], ...)]
[CLUSTERED BY (col_name, col_name, ...)
[SORTED BY (col_name [ASC|DESC], ...)] INTO num_buckets BUCKETS]
[ROW FORMAT row_format]
[STORED AS file_format]
[LOCATION hdfs_path]
說明:
1、 CREATE TABLE 創建一個指定名字的表。如果相同名字的表已經存在,則拋出異常;用戶可以用 IF NOT EXISTS 選項來忽略這個異常。
2、 EXTERNAL關鍵字可以讓用戶創建一個外部表,在建表的同時指定一個指向實際數據的路徑(LOCATION),Hive 創建內部表時,會將數據移動到數據倉庫指向的路徑;若創建外部表,僅記錄數據所在的路徑,不對數據的位置做任何改變。在刪除表的時候,內部表的元數據和數據會被一起刪除,而外部表只刪除元數據,不刪除數據。
3、 LIKE 允許用戶複製現有的表結構,但是不復制數據。
4、 ROW FORMAT
DELIMITED [FIELDS TERMINATED BY char] [COLLECTION ITEMS TERMINATED BY char]
[MAP KEYS TERMINATED BY char] [LINES TERMINATED BY char]
| SERDE serde_name [WITH SERDEPROPERTIES (property_name=property_value, property_name=property_value, ...)]
用戶在建表的時候可以自定義 SerDe 或者使用自帶的 SerDe。如果沒有指定 ROW FORMAT 或者 ROW FORMAT DELIMITED,將會使用自帶的 SerDe。在建表的時候,用戶還需要爲表指定列,用戶在指定表的列的同時也會指定自定義的 SerDe,Hive通過 SerDe 確定表的具體的列的數據。
5、 STORED AS
SEQUENCEFILE|TEXTFILE|RCFILE
如果文件數據是純文本,可以使用 STORED AS TEXTFILE。如果數據需要壓縮,使用 STORED AS SEQUENCEFILE。
6、CLUSTERED BY
對於每一個表(table)或者分區, Hive可以進一步組織成桶,也就是說桶是更爲細粒度的數據範圍劃分。Hive也是 針對某一列進行桶的組織。Hive採用對列值哈希,然後除以桶的個數求餘的方式決定該條記錄存放在哪個桶當中。
把表(或者分區)組織成桶(Bucket)有兩個理由:
(1)獲得更高的查詢處理效率。桶爲表加上了額外的結構,Hive 在處理有些查詢時能利用這個結構。具體而言,連接兩個在(包含連接列的)相同列上劃分了桶的表,可以使用 Map 端連接 (Map-side join)高效的實現。比如JOIN操作。對於JOIN操作兩個表有一個相同的列,如果對這兩個表都進行了桶操作。那麼將保存相同列值的桶進行JOIN操作就可以,可以大大較少JOIN的數據量。
(2)使取樣(sampling)更高效。在處理大規模數據集時,在開發和修改查詢的階段,如果能在數據集的一小部分數據上試運行查詢,會帶來很多方便。
具體實例
1、 創建內部表mytable。
hive> create table if not exists mytable(sid int,sname string)
> row format delimited fields terminated by ',' stored as textfile;
示例, 顯示如下:
2、 創建外部表pageview。
hive> create external table if not exists pageview(
> pageid int,
> page_url string comment 'The page URL'
> )
> row format delimited fields terminated by ','
> location 'hdfs://192.168.158.171:9000/user/hivewarehouse/';
3、 創建分區表invites。
hive> create table student_p(
> Sno int,
> Sname string,
> Sex string,
> Sage int,
> Sdept string)
> partitioned by(part string)
> row format delimited fields terminated by ','stored as textfile;
4、 創建帶桶的表student。
hive> create table student(id int,age int,name string)
> partitioned by(stat_data string)
> clustered by(id) sorted by(age) into 2 buckets
> row format delimited fields terminated by ',';
2.1.2 修改表
增加/刪除分區
語法結構
ALTER TABLE table_name ADD [IF NOT EXISTS] partition_spec [ LOCATION 'location1' ] partition_spec [ LOCATION 'location2' ] ...
partition_spec:
: PARTITION (partition_col = partition_col_value, partition_col = partiton_col_value, ...)
ALTER TABLE table_name DROP partition_spec, partition_spec,...
具體實例
alter table student_p add partition(part='a') partition(part='b'); |
重命名錶
語法結構
ALTER TABLE table_name RENAME TO new_table_name
具體實例
hive> alter table student rename to student1;
增加/更新列
語法結構
ALTER TABLE table_name ADD|REPLACE COLUMNS (col_name data_type [COMMENT col_comment], ...)
注:ADD是代表新增一字段,字段位置在所有列後面(partition列前),REPLACE則是表示替換表中所有字段。
ALTER TABLE table_name CHANGE [COLUMN] col_old_name col_new_name column_type [COMMENT col_comment] [FIRST|AFTER column_name]
具體實例
2.1.3 顯示命令
show tables
show databases
show partitions
show functions
desc extended t_name;
desc formatted table_name;
2.2 DML操作
2.2.1 Load
語法結構
LOAD DATA [LOCAL] INPATH 'filepath' [OVERWRITE] INTO
TABLE tablename [PARTITION (partcol1=val1, partcol2=val2 ...)]
說明:
1、 Load 操作只是單純的複製/移動操作,將數據文件移動到 Hive 表對應的位置。
2、 filepath:
相對路徑,例如:project/data1
絕對路徑,例如:/user/hive/project/data1
包含模式的完整 URI,列如:
hdfs://namenode:9000/user/hive/project/data1
3、 LOCAL關鍵字
如果指定了 LOCAL, load 命令會去查找本地文件系統中的 filepath。
如果沒有指定 LOCAL 關鍵字,則根據inpath中的uri查找文件
4、 OVERWRITE 關鍵字
如果使用了 OVERWRITE 關鍵字,則目標表(或者分區)中的內容會被刪除,然後再將 filepath 指向的文件/目錄中的內容添加到表/分區中。
如果目標表(分區)已經有一個文件,並且文件名和 filepath 中的文件名衝突,那麼現有的文件會被新文件所替代。
具體實例
1、 加載相對路徑數據。
hive> load data local inpath 'sc.txt' overwrite into table sc;
2、 加載絕對路徑數據。
hive> load data local inpath '/home/hadoop/hivedata/students.txt' overwrite into table student;
3、 加載包含模式數據。
hive> load data inpath 'hdfs://mini1:9000/hivedata/course.txt' overwrite into table course;
4、 OVERWRITE關鍵字使用。
如上
2.2.2 Insert
將查詢結果插入Hive表
語法結構
INSERT OVERWRITE TABLE tablename1 [PARTITION (partcol1=val1, partcol2=val2 ...)] select_statement1 FROM from_statement
Multiple inserts:
FROM from_statement
INSERT OVERWRITE TABLE tablename1 [PARTITION (partcol1=val1, partcol2=val2 ...)] select_statement1
[INSERT OVERWRITE TABLE tablename2 [PARTITION ...] select_statement2] ...
Dynamic partition inserts:
INSERT OVERWRITE TABLE tablename PARTITION (partcol1[=val1], partcol2[=val2] ...) select_statement FROM from_statement
具體實例
1、基本模式插入。
2、多插入模式。
3、自動分區模式。
導出表數據
語法結構
INSERT OVERWRITE [LOCAL] DIRECTORY directory1 SELECT ... FROM ...
multiple inserts:
FROM from_statement
INSERT OVERWRITE [LOCAL] DIRECTORY directory1 select_statement1
[INSERT OVERWRITE [LOCAL] DIRECTORY directory2 select_statement2] ...
具體實例
1、導出文件到本地。
hive> insert overwrite local directory '/home/hadoop/hivedata/outdata'
> select * from student;
說明:
數據寫入到文件系統時進行文本序列化,且每列用^A來區分,\n爲換行符。用more命令查看時不容易看出分割符,
可以使用: sed -e 's/\x01/|/g' filename來查看。
如:sed -e 's/\x01/,/g' 000000_0
2、導出數據到HDFS。
hive> insert overwrite directory 'hdfs://mini1:9000/hivedata/outdatasc'
> select * from sc;
2.2.3 SELECT
基本的Select操作
語法結構
SELECT [ALL | DISTINCT] select_expr, select_expr, ...
FROM table_reference
[WHERE where_condition]
[GROUP BY col_list [HAVING condition]]
[CLUSTER BY col_list
| [DISTRIBUTE BY col_list] [SORT BY| ORDER BY col_list]
]
[LIMIT number]
注:1、order by 會對輸入做全局排序,因此只有一個reducer,會導致當輸入規模較大時,需要較長的計算時間。
2、sort by不是全局排序,其在數據進入reducer前完成排序。因此,如果用sort by進行排序,並且設置mapred.reduce.tasks>1,則sort by只保證每個reducer的輸出有序,不保證全局有序。
3、distribute by根據distribute by指定的內容將數據分到同一個reducer。
4、Cluster by 除了具有Distribute by的功能外,還會對該字段進行排序。因此,常常認爲cluster by = distribute by + sort by
具體實例
1、獲取年齡大的3個學生。
hive> select sno,sname,sage from student order by sage desc limit 3;
2、查詢學生信息按年齡,降序排序。
hive> select sno,sname,sage from student sort by sage desc;
hive> select sno,sname,sage from student order by sage desc;
hive> select sno,sname,sage from student distribute by sage;
3、按學生名稱彙總學生年齡。
hive> select sname,sum(sage) from student group by sname;
2.3 Hive Join
語法結構
join_table:
table_reference JOIN table_factor [join_condition]
| table_reference {LEFT|RIGHT|FULL} [OUTER] JOIN table_reference join_condition
| table_reference LEFT SEMI JOIN table_reference join_condition
Hive 支持等值連接(equality joins)、外連接(outer joins)和(left/right joins)。Hive 不支持非等值的連接(後續版本已經支持),因爲非等值連接非常難轉化到 map/reduce 任務。
另外,Hive 支持多於 2 個表的連接。
寫 join 查詢時,需要注意幾個關鍵點:
1. 只支持等值join
例如:
SELECT a.* FROM a JOIN b ON (a.id = b.id)
SELECT a.* FROM a JOIN b
ON (a.id = b.id AND a.department = b.department)
是正確的,然而:
SELECT a.* FROM a JOIN b ON (a.id>b.id)
是錯誤的。
tips:後續版本已經可以支持不等值
2. 可以 join 多於 2 個表。
例如
SELECT a.val, b.val, c.val FROM a JOIN b
ON (a.key = b.key1) JOIN c ON (c.key = b.key2)
如果join中多個表的 join key 是同一個,則 join 會被轉化爲單個 map/reduce 任務,例如:
SELECT a.val, b.val, c.val FROM a JOIN b
ON (a.key = b.key1) JOIN c
ON (c.key = b.key1)
被轉化爲單個 map/reduce 任務,因爲 join 中只使用了 b.key1 作爲 join key。
SELECT a.val, b.val, c.val FROM a JOIN b ON (a.key = b.key1)
JOIN c ON (c.key = b.key2)
而這一 join 被轉化爲 2 個 map/reduce 任務。因爲 b.key1 用於第一次 join 條件,而 b.key2 用於第二次 join。
3.join 時,每次 map/reduce 任務的邏輯:
reducer 會緩存 join 序列中除了最後一個表的所有表的記錄,再通過最後一個表將結果序列化到文件系統。這一實現有助於在 reduce 端減少內存的使用量。實踐中,應該把最大的那個表寫在最後(否則會因爲緩存浪費大量內存)。例如:
SELECT a.val, b.val, c.val FROM a
JOIN b ON (a.key = b.key1) JOIN c ON (c.key = b.key1)
所有表都使用同一個 join key(使用 1 次 map/reduce 任務計算)。Reduce 端會緩存 a 表和 b 表的記錄,然後每次取得一個 c 表的記錄就計算一次 join 結果,類似的還有:
SELECT a.val, b.val, c.val FROM a
JOIN b ON (a.key = b.key1) JOIN c ON (c.key = b.key2)
這裏用了 2 次 map/reduce 任務。第一次緩存 a 表,用 b 表序列化;第二次緩存第一次 map/reduce 任務的結果,然後用 c 表序列化。
4.LEFT,RIGHT 和 FULL OUTER 關鍵字用於處理 join 中空記錄的情況
例如:
SELECT a.val, b.val FROM
a LEFT OUTER JOIN b ON (a.key=b.key)
對應所有 a 表中的記錄都有一條記錄輸出。輸出的結果應該是 a.val, b.val,當 a.key=b.key 時,而當 b.key 中找不到等值的 a.key 記錄時也會輸出:
a.val, NULL
所以 a 表中的所有記錄都被保留了;
“a RIGHT OUTER JOIN b”會保留所有 b 表的記錄。
Join 發生在 WHERE 子句之前。如果你想限制 join 的輸出,應該在 WHERE 子句中寫過濾條件——或是在 join 子句中寫。這裏面一個容易混淆的問題是表分區的情況:
SELECT a.val, b.val FROM a
LEFT OUTER JOIN b ON (a.key=b.key)
WHERE a.ds='2009-07-07' AND b.ds='2009-07-07'
會 join a 表到 b 表(OUTER JOIN),列出 a.val 和 b.val 的記錄。WHERE 從句中可以使用其他列作爲過濾條件。但是,如前所述,如果 b 表中找不到對應 a 表的記錄,b 表的所有列都會列出 NULL,包括 ds 列。也就是說,join 會過濾 b 表中不能找到匹配 a 表 join key 的所有記錄。這樣的話,LEFT OUTER 就使得查詢結果與 WHERE 子句無關了。解決的辦法是在 OUTER JOIN 時使用以下語法:
SELECT a.val, b.val FROM a LEFT OUTER JOIN b
ON (a.key=b.key AND
b.ds='2009-07-07' AND
a.ds='2009-07-07')
這一查詢的結果是預先在 join 階段過濾過的,所以不會存在上述問題。這一邏輯也可以應用於 RIGHT 和 FULL 類型的 join 中。
Join 是不能交換位置的。無論是 LEFT 還是 RIGHT join,都是左連接的。
SELECT a.val1, a.val2, b.val, c.val
FROM a
JOIN b ON (a.key = b.key)
LEFT OUTER JOIN c ON (a.key = c.key)
先 join a 表到 b 表,丟棄掉所有 join key 中不匹配的記錄,然後用這一中間結果和 c 表做 join。這一表述有一個不太明顯的問題,就是當一個 key 在 a 表和 c 表都存在,但是 b 表中不存在的時候:整個記錄在第一次 join,即 a JOIN b 的時候都被丟掉了(包括a.val1,a.val2和a.key),然後我們再和 c 表 join 的時候,如果 c.key 與 a.key 或 b.key 相等,就會得到這樣的結果:NULL, NULL, NULL, c.val
具體實例
1、 查詢選修了課程的學生姓名
hive> select distinct Sname from student inner join sc on student.Sno=Sc.Sno;2.查詢選修了3門以上的課程的學生學號
hive> select Sno from (select Sno,count(Cno) CountCno from sc group by Sno)a where a.CountCno>3;
3 Hive Shell參數
3.1 Hive命令行
語法結構
hive [-hiveconf x=y]* [<-i filename>]* [<-f filename>|<-e query-string>] [-S]
說明:
1、 -i 從文件初始化HQL。
2、 -e從命令行執行指定的HQL
3、 -f 執行HQL腳本
4、 -v 輸出執行的HQL語句到控制檯
5、 -p <port> connect to Hive Server on port number
6、 -hiveconf x=y Use this to set hive/hadoop configuration variables.
具體實例
1、運行一個查詢。
hive -e 'select count(*) from student'
2、運行一個文件。
hive -f hql.hql
3、運行參數文件。
hive -i initHQL.conf
3.2 Hive參數配置方式
Hive參數大全:
https://cwiki.apache.org/confluence/display/Hive/Configuration+Properties
開發Hive應用時,不可避免地需要設定Hive的參數。設定Hive的參數可以調優HQL代碼的執行效率,或幫助定位問題。然而實踐中經常遇到的一個問題是,爲什麼設定的參數沒有起作用?這通常是錯誤的設定方式導致的。
對於一般參數,有以下三種設定方式:
1.)配置文件
2.)命令行參數
3.)參數聲明
配置文件:Hive的配置文件包括
1.)用戶自定義配置文件:$HIVE_CONF_DIR/hive-site.xml
2.)默認配置文件:$HIVE_CONF_DIR/hive-default.xml
用戶自定義配置會覆蓋默認配置。
另外,Hive也會讀入Hadoop的配置,因爲Hive是作爲Hadoop的客戶端啓動的,Hive的配置會覆蓋Hadoop的配置。
配置文件的設定對本機啓動的所有Hive進程都有效。
命令行參數:啓動Hive(客戶端或Server方式)時,可以在命令行添加-hiveconf param=value來設定參數,例如:
bin/hive -hiveconf hive.root.logger=INFO,console
這一設定對本次啓動的Session(對於Server方式啓動,則是所有請求的Sessions)有效。
參數聲明:可以在HQL中使用SET關鍵字設定參數,例如:
set mapred.reduce.tasks=100;
這一設定的作用域也是session級的。
上述三種設定方式的優先級依次遞增。即參數聲明覆蓋命令行參數,命令行參數覆蓋配置文件設定。注意某些系統級的參數,例如log4j相關的設定,必須用前兩種方式設定,因爲那些參數的讀取在Session建立以前已經完成了。
4. Hive函數
4.1 內置運算符
內容較多,見《Hive官方文檔》
http://hive.apache.org/
4.2 內置函數
內容較多,見《Hive官方文檔》
https://cwiki.apache.org/confluence/display/Hive/LanguageManual+UDF
4.3 Hive自定義函數和Transform
當Hive提供的內置函數無法滿足你的業務處理需要時,此時就可以考慮使用用戶自定義函數(UDF:user-defined function)。
4.3.1 自定義函數類別
UDF 作用於單個數據行,產生一個數據行作爲輸出。(數學函數,字符串函數)
UDAF(用戶定義聚集函數):接收多個輸入數據行,併產生一個輸出數據行。(count,max)
4.3.2 UDF開發實例
1、先開發一個java類,繼承UDF,並重載evaluate方法
package cn.lyx.bigdata.udf import org.apache.hadoop.hive.ql.exec.UDF; import org.apache.hadoop.io.Text;
public final class Lower extends UDF{ public Text evaluate(final Text s){ if(s==null){return null;} return new Text(s.toString().toLowerCase()); } } |
2、打成jar包上傳到服務器
3、將jar包添加到hive的classpath
hive>add JAR /home/hadoop/udf.jar;
4、創建臨時函數與開發好的java class關聯
Hive>create temporary function toprovince as 'cn.lyx.bigdata.udf.ToProvince'; |
5、即可在hql中使用自定義的函數strip
Select strip(name),age from t_test;
4.3.3 Transform實現
Hive的 TRANSFORM 關鍵字提供了在SQL中調用自寫腳本的功能
適合實現Hive中沒有的功能又不想寫UDF的情況
使用示例1:下面這句sql就是借用了weekday_mapper.py對數據進行了處理.
CREATE TABLE u_data_new ( movieid INT, rating INT, weekday INT, userid INT) ROW FORMAT DELIMITED FIELDS TERMINATED BY '\t';
add FILE weekday_mapper.py;
INSERT OVERWRITE TABLE u_data_new SELECT TRANSFORM (movieid, rating, unixtime,userid) USING 'python weekday_mapper.py' AS (movieid, rating, weekday,userid) FROM u_data; |
其中weekday_mapper.py內容如下
#!/bin/python import sys import datetime
for line in sys.stdin: line = line.strip() movieid, rating, unixtime,userid = line.split('\t') weekday = datetime.datetime.fromtimestamp(float(unixtime)).isoweekday() print '\t'.join([movieid, rating, str(weekday),userid]) |
使用示例2:下面的例子則是使用了shell的cat命令來處理數據
FROM invites a INSERT OVERWRITE TABLE events SELECT TRANSFORM(a.foo, a.bar) AS (oof, rab) USING '/bin/cat' WHERE a.ds > '2008-08-08'; |