hive 修改cluster by算法_Hive入门实战（一）概述与使用

一、Hive基本概念

1、概念

Hive：由Facebook开源用于解决海量结构化日志的数据统计。
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。

本质是：将HQL转化成MapReduce程序

HQL转化成MapReduce

（1）Hive处理的数据存储在HDFS

（2）Hive分析数据底层的实现是MapReduce

（3）执行程序运行在Yarn上

2、Hive的优缺点

优点

（1)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）。
（2)避免了去写MapReduce，减少开发人员的学习成本。
（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。

缺点

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。

Hive的效率比较低

（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

3、Hive架构原理

Hive架构原理

（1）用户接口：Client

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

（2）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

（3）Hadoop

使用HDFS进行存储，使用MapReduce进行计算。

（4）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。

4、Hive运行机制

Hive运行机制

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。

5、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）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。

（2）数据存储位置

Hive 是建立在 Hadoop 之上的，所有 Hive 的数据都是存储在 HDFS 中的。
而数据库则可以将数据保存在块设备或者本地文件系统中。

（3）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。

（4）执行

Hive中大多数查询的执行是通过 Hadoop 提供的 MapReduce 来实现的。而数据库通常有自己的执行引擎。

（5）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。

（6）可扩展性

由于Hive是建立在Hadoop之上的，因此Hive的可扩展性是和Hadoop的可扩展性是一致的（世界上最大的Hadoop 集群在Yahoo!，2009年的规模在4000 台节点左右）。而数据库由于 ACID 语义的严格限制，扩展行非常有限。目前最先进的并行数据库
Oracle 在理论上的扩展能力也只有100台左右。

（7）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、数据仓库 Hive安装配置

1、Hive安装地址

Hive官网地址：http://hive.apache.org/

文档查看地址：https://cwiki.apache.org/confluence/display/Hive/GettingStarted

下载地址：http://archive.apache.org/dist/hive/

github地址： https://github.com/apache/hive

2、Hive安装部署

2-1、Hive安装及配置

（1）把apache-hive-1.2.1-bin.tar.gz上传到linux的/opt/software目录下

（2）解压apache-hive-1.2.1-bin.tar.gz到/opt/module/目录下面

（3）修改apache-hive-1.2.1-bin.tar.gz的名称为hive

（4）配置/etc/profile文件

2-2、Hadoop集群配置

（1）必须启动hdfs和yarn

（2）拷贝复制hive-env.sh.template文件重名hive-env.sh

编辑进入

HADOOP_HOME

hive-env.sh

继续编辑

export

hive-env.sh

（3）启动hive

2-3、Hive基本操作

（1）查看数据库

hive

（2）打开默认数据库

hive

（3）显示default数据库中的表

hive

（4）创建一张表

hive

（5）显示数据库中有几张表

hive

（6）查看表的结构

hive

（7）向表中插入数据

hive

向表中插入数据，出现错误。

问题原因：全为0，因为权限问题没有正常启动datanode，需要启动datanode

启动之后再查看

（8）查询表中数据

hive

（10）退出hive

hive

2-4、将本地文件导入Hive案例

需求：将本地/opt/module/datas/student.txt这个目录下的数据导入到hive的student(id int, name string)表中。

2-4-1、数据准备

（1）在/usr/local/hadoop/module目录下创建datas

（2）在/usr/local/hadoop/module/datas目录下创建student.txt文件并添加数据

注意以tab键间隔

2-4-2、Hive实际操作

（1）启动hive

[root@hadoop101 bin]# hive
1

（2）显示数据库

hive>  show databases;
OK
default
Time taken: 1.036 seconds, Fetched: 1 row(s)

（3）使用default数据库

hive> use default;
OK
Time taken: 0.032 seconds

（4）显示default数据库中的表

hive> show tables;
OK
student
Time taken: 0.069 seconds, Fetched: 1 row(s)

（5）删已创建的student表

hive> drop table student;

（6）创建student表, 并声明文件分隔符’t’

hive

（7）加载/usr/local/hadoop/module/datas/student.txt 文件到student数据库表中。

hive

（8）Hive查询结果

select

注意：想要同时启动两个或两个以上的hive服务窗口，在本台的虚拟机必须需要安装mysql服务，否则，当开启第二个hive服务窗口就会报错！

由于自己的虚拟机是安装了mysql服务的所以启动二个hive服务窗口就不会报错，所以忽略过了！

mysql没安装配置可以操作自己的博客：https://zhuanlan.zhihu.com/p/134147967

3、配置Metastore到MySql

（1）在/usr/local/hadoop/module/hive-1.2.1/conf/目录下创建一个hive-site.xml

（2）根据官方文档配置参数，拷贝数据到hive-site.xml文件中

https://cwiki.apache.org/confluence/display/Hive/AdminManual+MetastoreAdmin

<?

（3）在/user/local/java/mysql的目录下创建my-libs文件夹

（4）把java驱动包：mysql-connector-java-5.1.27.tar.gz上传Linux

//上传到 /user/local/java/mysql/my-libs目录下，并进行解压

由于修改过配置文件，退出重新进入,先启动mysql服务

4、Hive常用交互命令

（1）Hive帮助命令

注意：如元数据有的数据的信息，会直接加载进去

常用交互命令

（1）“-e”不进入hive的交互窗口执行sql语句

（2）“-f”执行脚本中sql语句

//在/usr/local/hadoop/module/datas目录下创建hivef.sql文件

Hive其他命令操作

// 退出hive窗口

5、Hive常见属性配置

Hive数据仓库位置配置

（1）Default数据仓库的最原始位置是在hdfs上的/usr/local/hadoop/module/hive-1.2.1/conf

（2）在仓库目录下，没有对默认的数据库default创建文件夹。如果某张表属于default数据库，直接在数据仓库目录下创建一个文件夹。

（3）修改default数据仓库原始位置（将hive-default.xml.template如下配置信息拷贝到hive-site.xml文件中）。

hive-site.xml

配置完hive-site.xml文件之后，退出重新启动hive服务

hive

接下来，再进行查询student数据表

hive

从上面得知，数据表的id也同时被查询出来了

在hive的配置文件 hive-default.xml.template ，找到这个参数是指定文件路径的，默认的数据仓库路径如下：

6、Hive运行日志信息配置

（1）首先，我们进入hive安装目录下的conf文件，找到hive-log4j.properties.template文件，并拷贝一份并重命名为hive-log4j.properties

7、参数配置方式

（1）查看当前所有的配置信息

hive

（2）参数的配置三种方式

1、配置文件方式

默认配置文件：==hive-default.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。配置文件的设定对本机启动的所有Hive进程都有效。

2、命令行参数方式

启动Hive时，可以在命令行添加==-hiveconf param=value==来设定参数。

例如：

hive

（3）参数声明方式

可以在HQL中使用SET关键字设定参数

例如：

hive

注意：仅对本次hive启动有效。

//查看参数设置

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。

启动配置的参数：

//先把原有的hive服务关闭之后，再重新启动

这种启动方式优先级会更

三、Hive数据类型

1、基本数据类型

基本数据类型

对于Hive的String类型相当于数据库的varchar类型，该类型是一个可变的字符串，不过它不能声明其中最多能存储多少个字符，理论上它可以存储2GB的字符数

2、集合数据类型

集合数据类型

Hive有三种复杂数据类型ARRAY、MAP 和 STRUCT。ARRAY和MAP与Java中的Array和Map类似，而STRUCT与C语言中的Struct类似，它封装了一个命名字段集合，复杂数据类型允许任意层次的嵌套。

3、案例实操

（1）首先，Hive上创建测试表test

hive

（2）接着，在/usr/local/hadoop/module/datas目录下编辑一个test.txt空文件

（3）执行命令

（4）查询这个test数据是否绑定进来

hive

4、类型转化

Hive的原子数据类型是可以进行隐式转换的，类似于Java的类型转换，例如某表达式使用INT类型，TINYINT会自动转换为INT类型，但是Hive不会进行反向转化，例如，某表达式使用TINYINT类型，INT不会自动转换为TINYINT类型，它会返回错误，除非使用CAST操作。

4-1、隐式类型转换规则如下

（1）任何整数类型都可以隐式地转换为一个范围更广的类型，如TINYINT可以转换成INT，INT可以转换成BIGINT。
（2）所有整数类型、FLOAT和STRING类型都可以隐式地转换成DOUBLE。
（3）TINYINT、SMALLINT、INT都可以转换为FLOAT。
（4）BOOLEAN类型不可以转换为任何其它的类型。

4-2、可以使用CAST操作显示进行数据类型转换

例如CAST(‘1’ AS INT)将把字符串’1’ 转换成整数1；如果强制类型转换失败，如执行CAST(‘X’ AS INT)，表达式返回空值 NULL。