hive 修改cluster by算法_Hive入门实战(一)概述与使用
![](http://p03.5ceimg.com/content/ab29d97d-ff0f-eb11-8da9-e4434bdf6706.png)
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
![](http://p03.5ceimg.com/content/b029d97d-ff0f-eb11-8da9-e4434bdf6706.png)
(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
![](http://p03.5ceimg.com/content/b529d97d-ff0f-eb11-8da9-e4434bdf6706.png)
(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
![](http://p04.5ceimg.com/content/b829d97d-ff0f-eb11-8da9-e4434bdf6706.png)
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
![](http://p01.5ceimg.com/content/bd29d97d-ff0f-eb11-8da9-e4434bdf6706.png)
(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
![](http://p03.5ceimg.com/content/c029d97d-ff0f-eb11-8da9-e4434bdf6706.png)
(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
[
![](http://p04.5ceimg.com/content/c329d97d-ff0f-eb11-8da9-e4434bdf6706.png)
编辑进入
HADOOP_HOME
![](http://p04.5ceimg.com/content/c529d97d-ff0f-eb11-8da9-e4434bdf6706.png)
继续编辑
export
![](http://p05.5ceimg.com/content/c929d97d-ff0f-eb11-8da9-e4434bdf6706.png)
(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
![](http://p03.5ceimg.com/content/cf29d97d-ff0f-eb11-8da9-e4434bdf6706.png)
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
![](http://p02.5ceimg.com/content/d329d97d-ff0f-eb11-8da9-e4434bdf6706.png)
(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)。
<
![](http://p04.5ceimg.com/content/d629d97d-ff0f-eb11-8da9-e4434bdf6706.png)
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
![](http://p02.5ceimg.com/content/d829d97d-ff0f-eb11-8da9-e4434bdf6706.png)
![](http://p03.5ceimg.com/content/da29d97d-ff0f-eb11-8da9-e4434bdf6706.png)
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
[
![](http://p04.5ceimg.com/content/dc29d97d-ff0f-eb11-8da9-e4434bdf6706.png)
![](http://p04.5ceimg.com/content/e029d97d-ff0f-eb11-8da9-e4434bdf6706.png)
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
![](http://p05.5ceimg.com/content/e329d97d-ff0f-eb11-8da9-e4434bdf6706.png)
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
![](http://p04.5ceimg.com/content/e529d97d-ff0f-eb11-8da9-e4434bdf6706.png)
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
[
![](http://p01.5ceimg.com/content/e629d97d-ff0f-eb11-8da9-e4434bdf6706.png)
(3)执行命令
[
![](http://p05.5ceimg.com/content/e729d97d-ff0f-eb11-8da9-e4434bdf6706.png)
(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。
hive 修改cluster by算法_Hive入门实战(一)概述与使用相关推荐
- hive 修改cluster by算法_Hive基础之导出数据
我们在hive中分析完数据后有时候需要将结果导出到本地文件以供其他用途.hive中提供了几种方式来导出结果,下面就详细介绍一些这几种导出数据的方法. 1.导出到本地文件目录 (default 查看一下 ...
- hive 修改cluster by算法_疯狂Hive之DML操作(四)
DML操作 Load 在将数据加载到表中时,Hive不会进行任何转换.加载操作是将数据文件移动到与Hive表对应的位置的纯复制.移动操作. 语法结构: load data [local] inpath ...
- hive 修改cluster by算法_spark、hive中窗口函数实现原理复盘
窗口函数在工作中经常用到,在面试中也会经常被问到,你知道它背后的实现原理吗? 这篇文章从一次业务中遇到的问题出发,深入聊了聊hsql中窗口函数的数据流转原理,在文章最后针对这个问题给出解决方案. 一. ...
- hive 修改cluster by算法_双重聚类cluster咋做? 线性, logit, tobit可以双聚类吗?
凡是搞计量经济的,都关注这个号了 邮箱:econometrics666@sina.cn 所有计量经济圈方法论丛的code程序, 宏微观数据库和各种软件都放在社群里.欢迎到计量经济圈社群交流访问. 上一 ...
- hive 分区表select全部数据_Hive分区表实战
1. Hive分区表Partition和Bucket,为了提升查询效率,前者是粗粒度的划分,后者是细粒度的划分. 建表语句中使用partitioned by指定分区字段 分区表有静态分区和动态分区两种 ...
- Spark入门实战系列--5.Hive(下)--Hive实战
[注]该系列文章以及使用到安装包/测试数据 可以在<倾情大奉送--Spark入门实战系列>获取 1.Hive操作演示 1.1 内部表 1.1.1 创建表并加载数据 第一步 启动HDFS ...
- Spark入门实战系列--6.SparkSQL(中)--深入了解SparkSQL运行计划及调优
[注]该系列文章以及使用到安装包/测试数据 可以在<倾情大奉送--Spark入门实战系列>获取 1.1 运行环境说明 1.1.1 硬软件环境 l 主机操作系统:Windows 64位, ...
- Spark入门实战系列--3.Spark编程模型(上)--编程模型及SparkShell实战
[注]该系列文章以及使用到安装包/测试数据 可以在<倾情大奉送--Spark入门实战系列>获取 1.Spark编程模型 1.1 术语定义 l应用程序(Application): 基于Spa ...
- Spark入门实战系列--6.SparkSQL(下)--Spark实战应用
[注]该系列文章以及使用到安装包/测试数据 可以在<倾情大奉送--Spark入门实战系列>获取 1.运行环境说明 1.1 硬软件环境 l 主机操作系统:Windows 64位,双核4线程 ...
最新文章
- MECAT: fast mapping,error correction, and de novo assembly for single-molecule sequencing reads
- 第十六周项目3:max带来的冲突
- [导入]silverlight 2.0希伯来语及阿拉伯语的support.zip(344.42 KB)
- java混合分页_坑,MySQL中 order by 与 limit 混用,分页会出现问题!
- git subtree 管理项目子模块
- 云计算实战系列十二(Linux系统优化)
- 【16】成对使用new和delete时要采取相同形式
- BZOJ 1067 降雨量(RMQ-ST+有毒的分类讨论)
- linux运行tomcat常见问题,linux – tomcat运行,但是8080端口没有响应
- 通过财务报表读懂美股
- PHP学习之GD库图像处理
- 帕丽斯·希尔顿,缺少
- [蓝桥杯解题报告]第九届蓝桥杯大赛省赛2018(软件类)真题C++A组 Apare_xzc
- 【强烈推荐收藏】坚持3个月爆肝华为机试108题C++全解(适合新手入门,就业必刷套题)
- 使用dnsmasq,实现本地的DNS服务
- 难倒刘强东的奥数题,京东智能供应链解开了
- 七个基本量纲_基本几何量纲定义
- 国企的设备管理工作如何做好?
- DCache搭建测试
- 教你使用Python制作酷炫二维码