-
Hive是什么?其体系结构简介
-
Hive的安装与管理
-
HiveQL数据类型,表以及表的操作
-
HiveQL查询数据
-
Hive的Java客户端
---------------------------加深拓展----------------------
- Hive的自定义函数UDF
-
Hive 是建立在 Hadoop 上的数据仓库基础构架。它提供了一系列的工具,可以用来进行数据提取转化加载(ETL ),这是一种可以存储、查询和分析存储在 Hadoop 中的大规模数据的机制。Hive 定义了简单的类 SQL 查询语言,称为 QL ,它允许熟悉 SQL 的用户查询数据。同时,这个语言也允许熟悉 MapReduce 开发者的开发自定义的 mapper 和 reducer 来处理内建的 mapper 和 reducer 无法完成的复杂的分析工作。
-
Hive是SQL解析引擎,它将SQL语句转译成M/R Job然后在Hadoop执行。
-
Hive的表其实就是HDFS的目录/文件夹,按表名把文件夹分开。如果是分区表,则分区值是子文件夹,可以直接在M/R Job里使用这些数据。
-
总结:Hive的表对应HDFS的目录(或文件夹);Hive表中的数据对应HDFS的文件。
-
用户接口,包括 CLI,JDBC/ODBC,WebUI
-
元数据存储,通常是存储在关系数据库如 mysql, derby 中
-
解释器、编译器、优化器、执行器
-
Hadoop:用 HDFS 进行存储,利用 MapReduce 进行计算
-
用户接口主要有三个:CLI,JDBC/ODBC和 WebUI
-
CLI,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是通过浏览器访问 Hive
-
-
Hive 将元数据存储在数据库中(metastore),目前只支持 mysql、oracle、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(plan)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,比如 select * from table 不会生成 MapRedcue 任务)
-
Hive的运行模式即任务的执行环境
-
分为本地与集群两种
-
我们可以通过mapred.job.tracker 来指明
设置方式: hive > SET mapred.job.tracker=local
-
-
1、hive 命令行模式,直接输入#/hive/bin/hive的执行程序,或者输入 #hive --service cli
-
2、 hive web界面的 (端口号9999) 启动方式
#hive --service hwi & 用于通过浏览器来访问hive http://hadoop0:9999/hwi/
-
3、 hive 远程服务 (端口号10000) 启动方式
#hive --service hiveserver &
查询语言 | HiveQL | SQL |
数据存储位置 | HDFS | Raw Device or 本地FS |
数据格式 | 用户定义 | 系统决定 |
数据更新 | 不支持 | 支持 |
索引 | 新版本有,但弱 | 有 |
执行 | MapReduce | Executor |
执行延迟 | 高 | 低 |
可扩展性 | 高 | 低 |
数据规模 | 大 | 小 |
-
基本数据类型
tinyint/smallint/int/bigint float/double boolean string
-
复杂数据类型
Array/Map/Struct 没有date/datetime
-
Hive的数据存储基于Hadoop HDFS
-
Hive没有专门的数据存储格式
-
存储结构主要包括:数据库、文件、表、视图
-
Hive默认可以直接加载文本文件(TextFile),还支持sequence file 、RC file
-
创建表时,指定Hive数据的列分隔符与行分隔符,Hive即可解析数据
-
类似传统数据库的DataBase
-
默认数据库"default"
- 使用#hive命令后,不使用hive>use <数据库名>,系统默认的数据库。可以显式使用hive> use default;
-
创建一个新库
hive > create database test_dw;
-
Table 内部表
-
Partition 分区表
-
External Table 外部表
-
Bucket Table 桶表
-
与数据库中的 Table 在概念上是类似
-
每一个 Table 在 Hive 中都有一个相应的目录存储数据。例如,一个表 test,它在 HDFS 中的路径为:/ warehouse/test。 warehouse是在 hive-site.xml 中由 ${hive.metastore.warehouse.dir} 指定的数据仓库的目录
-
所有的 Table 数据(不包括 External Table)都保存在这个目录中。
-
删除表时,元数据与数据都会被删除
-
内部表的使用
-
创建数据文件inner_table.dat
-
创建表
hive>create table inner_table (key string);
-
加载数据
hive>load data local inpath '/root/inner_table.dat' into table inner_table;
-
查看数据
select * from inner_table select count(*) from inner_table
-
删除表
drop table inner_table
-
-
Partition 对应于数据库的 Partition 列的密集索引
-
在 Hive 中,表中的一个 Partition 对应于表下的一个目录,所有的 Partition 的数据都存储在对应的目录中
例如:test表中包含 date 和 city 两个 Partition, 则对应于date=20180729, city = bj 的 HDFS 子目录为: /warehouse/test/date=20130201/city=bj 对应于date=20180729, city=sh 的HDFS 子目录为; /warehouse/test/date=20180729/city=sh
-
分区表
CREATE TABLE tmp_table #表名 ( title string, # 字段名称 字段类型 minimum_bid double, quantity bigint, have_invoice bigint )COMMENT '注释:XXX' #表注释 PARTITIONED BY(pt STRING) #分区表字段(如果你文件非常之大的话,采用分区表可以快过滤出按分区字段划分的数据) ROW FORMAT DELIMITED FIELDS TERMINATED BY '\001' # 字段是用什么分割开的 STORED AS SEQUENCEFILE; #用哪种方式存储数据,SEQUENCEFILE是hadoop自带的文件压缩格式
-
一些相关命令
SHOW TABLES; # 查看所有的表 SHOW TABLES '*TMP*'; #支持模糊查询 SHOW PARTITIONS TMP_TABLE; #查看表有哪些分区 DESCRIBE TMP_TABLE; #查看表结构
-
分区表的使用
-
创建数据文件partition_table.dat
-
创建表
create table partition_table(rectime string,msisdn string) partitioned by(daytime string,city string) row format delimited fields terminated by '\t' stored as TEXTFILE;
-
加载数据到分区
load data local inpath '/home/partition_table.dat' into table partition_table partition (daytime='2013-02-01',city='bj');
-
查看数据
select * from partition_table select count(*) from partition_table
-
删除表
drop table partition_table
-
通过load data 加载数据
alter table partition_table add partition (daytime='2018-07-29',city='bj');
-
元数据,数据文件删除,但目录daytime=2013-02-04还在
alter table partition_table drop partition (daytime='2018-07-29',city='bj')
-
-
桶表是对数据进行哈希取值,然后放到不同文件中存储。
-
创建表
create table bucket_table(id string) clustered by(id) into 4 buckets;
-
加载数据
set hive.enforce.bucketing = true; insert into table bucket_table select name from stu; insert overwrite table bucket_table select name from stu;
-
数据加载到桶表时,会对字段取hash值,然后与桶的数量取模。把数据放到对应的文件中。
-
抽样查询
select * from bucket_table tablesample(bucket 1 out of 4 on id);
-
指向已经在 HDFS 中存在的数据,可以创建 Partition
-
它和 内部表 在元数据的组织上是相同的,而实际数据的存储则有较大的差异
-
内部表 的创建过程和数据加载过程(这两个过程可以在同一个语句中完成),在加载数据的过程中,实际数据会被移动到数据仓库目录中;之后对数据对访问将会直接在数据仓库目录中完成。删除表时,表中的数据和元数据将会被同时删除
-
外部表 只有一个过程,加载数据和创建表同时完成,并不会移动到数据仓库目录中,只是与外部数据建立一个链接。当删除一个 外部表 时,仅删除该链接
-
外部表
CREATE EXTERNAL TABLE page_view ( viewTime INT, userid BIGINT, page_url STRING, referrer_url STRING, ip STRING COMMENT 'IP Address of the User', country STRING COMMENT 'country of origination‘ ) COMMENT 'This is the staging page view table' ROW FORMAT DELIMITED FIELDS TERMINATED BY '44' LINES TERMINATED BY '12' STORED AS TEXTFILE LOCATION 'hdfs://centos:9000/user/data/staging/page_view';
-
外部表的使用
-
创建数据文件external_table.dat
-
创建表
hive>create external table external_table1 (key string) ROW FORMAT DELIMITED FIELDS TERMINATED BY '\t' location '/home/external'; 在HDFS创建目录/home/external #hadoop fs -put /home/external_table.dat /home/external
-
加载数据
LOAD DATA INPATH '/home/external_table1.dat' INTO TABLE external_table1;
-
查看数据
select * from external_table select count(*) from external_table
-
删除表
drop table external_table
-
-
视图的创建
CREATE VIEW v1 AS select * from t1;
-
表的修改
alter table target_tab add columns (cols,string)
-
表的删除
drop table
-
当数据被加载至表中时,不会对数据进行任何转换。Load 操作只是将数据复制/移动至 Hive 表对应的位置。
LOAD DATA [LOCAL] INPATH 'filepath' [OVERWRITE] INTO TABLE tablename [PARTITION (partcol1=val1, partcol2=val2 ...)]
-
把一个Hive表导入到另一个已建Hive表
INSERT OVERWRITE TABLE tablename [PARTITION (partcol1=val1, partcol2=val2 ...)] select_statement FROM from_statement
-
CTAS
CREATE [EXTERNAL] TABLE [IF NOT EXISTS] table_name (col_name data_type, ...) … AS SELECT …
-
例:create table new_external_test as select * from external_table1;
SELECT [ALL | DISTINCT] select_expr, select_expr, ...
FROM table_reference
[WHERE where_condition]
[GROUP BY col_list]
[ CLUSTER BY col_list | [DISTRIBUTE BY col_list] [SORT BY col_list] | [ORDER BY col_list] ]
[LIMIT number]
-
注:DISTRIBUTE BY 指定分发器(Partitioner),多Reducer可用
-
基于Partition的查询
-
一般 SELECT 查询是全表扫描。但如果是分区表,查询就可以利用分区剪枝(input pruning)的特性,类似“分区索引“”,只扫描一个表中它关心的那一部分。Hive 当前的实现是,只有分区断言(Partitioned by)出现在离 FROM 子句最近的那个WHERE 子句中,才会启用分区剪枝。例如,如果 page_views 表(按天分区)使用 date 列分区,以下语句只会读取分区为‘2018-03-01’的数据。
SELECT page_views.* FROM page_views WHERE page_views.date >= '2018-03-01' AND page_views.date <= '2018-03-01'
-
-
LIMIT Clause
-
Limit 可以限制查询的记录数。查询的结果是随机选择的。下面的查询语句从 t1 表中随机查询5条记录:
SELECT * FROM t1 LIMIT 5
-
-
Top N查询
-
下面的查询语句查询销售记录最大的 5 个销售代表。
SET mapred.reduce.tasks = 1 SELECT * FROM sales SORT BY amount DESC LIMIT 5
-
-
导入ac信息表
hive> create table acinfo (name string,acip string) row format delimited fields terminated by '\t' stored as TEXTFILE; hive> load data local inpath '/home/acinfo/ac.dat' into table acinfo;
-
内连接
select b.name,a.* from dim_ac a join acinfo b on (a.ac=b.acip) limit 10;
-
左外连接
select b.name,a.* from dim_ac a left outer join acinfo b on a.ac=b.acip limit 10;
-
Hive远程服务启动#hive --service hiveserver >/dev/null 2>/dev/null &
-
JAVA客户端相关代码
Class.forName("org.apache.hadoop.hive.jdbc.HiveDriver"); Connection con = DriverManager.getConnection("jdbc:hive://192.168.1.102:10000/wlan_dw", "", ""); Statement stmt = con.createStatement(); String querySQL="SELECT * FROM wlan_dw.dim_m order by flux desc limit 10"; ResultSet res = stmt.executeQuery(querySQL); while (res.next()) { System.out.println(res.getString(1) +"\t" +res.getLong(2)+"\t" + res.getLong(3)+"\t" +res.getLong(4)+"\t" +res.getLong(5)); }
-
1、UDF函数可以直接应用于select语句,对查询结构做格式化处理后,再输出内容。
-
2、编写UDF函数的时候需要注意一下几点:
-
a)自定义UDF需要继承org.apache.hadoop.hive.ql.UDF。
-
b)需要实现evaluate函数,evaluate函数支持重载。
-
-
3、步骤
-
a)把程序打包放到目标机器上去;
-
b)进入hive客户端,添加jar包:hive>add jar /run/jar/udf_test.jar;
-
c)创建临时函数:hive>CREATE TEMPORARY FUNCTION add_example AS 'hive.udf.Add';
-
d)查询HQL语句:
SELECT add_example(8, 9) FROM scores; SELECT add_example(scores.math, scores.art) FROM scores; SELECT add_example(6, 7, 8, 6.8) FROM scores;
-
e)销毁临时函数:hive> DROP TEMPORARY FUNCTION add_example;
-
-
注:UDF只能实现一进一出的操作,如果需要实现多进一出,则需要实现UDAF
-
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
-
MapReduce程序计算KPI
-
HBASE详单查询
-
HIVE数据仓库多维分析