HIVE
HIVE
为什么要选择Hive
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
Hive:
Hive 可以对数据进行管理和查询。
在hadoop生态圈中属于数据仓库的角色。他能够管理hadoop中的数据，同时可以查询hadoop中的数据。
本质上讲，hive是一个SQL解析引擎。Hive可以把SQL查询转换为MapReduce中的job来运行。
hive有一套映射工具，可以把SQL转换为MapReduce中的job，可以把SQL中的表、字段转换为HDFS中的文件(夹)以及文件中的列。
这套映射工具称之为metastore，一般存放在derby、mysql中。
Hive在hdfs中的默认位置是/user/hive/warehouse ,是由配置文件hive-conf.xml中属性hive.metastore.warehouse.dir决定的
Derby 数据库在哪里运行hive 就会在哪里创建。这就说明不能在不同的地方运行，运行要用同样的数据库。Derby数据库只允许一个客户端打开。
Hive的体系结构：
用户接口主要有三个：CTL，JDBC/ODBC和WebGUI
CTL，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是用过浏览器访问Hive.
Hive将元数据存储在数据库中（metastore），目前只支持mysql、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，像select * from table不会生成MapReduce任务）
Hive安装
(1)解压缩、重命名、设置环境变量
(2)在目录$HIVE_HOME/conf/下，执行命令mv hive-default.xml.template hive-site.xml重命名
在目录$HIVE_HOME/conf/下，执行命令mv hive-env.sh.template hive-env.sh重命名
(3)修改hadoop的配置文件hadoop-env.sh，修改内容如下：
export HADOOP_CLASSPATH=.:$CLASSPATH:$HADOOP_CLASSPATH:$HADOOP_HOME/bin
否则启动hive会报找不到类的错误
(4)在目录$HIVE_HOME/bin下面，修改文件hive-config.sh，增加以下内容：
export JAVA_HOME=/usr/local/jdk
export HIVE_HOME=/usr/local/hive
export HADOOP_HOME=/usr/local/Hadoop
生产中，我们一般用MySQL。不用derby数据库存放metastore.
安装mysql
查看机器是否安了MySQL
rpm -qa | grep mysql
如果存在删除：
rpm -e mysql-libs-5.1.66-2.el6_3.i686
存在依赖可以强制删除
rpm -e mysql-libs-5.1.66-2.el6_3.i686 --nodeps
(1)删除linux上已经安装的mysql相关库信息。rpm -exxxxxxx --nodeps
执行命令rpm -qa |grep mysql 检查是否删除干净
(2)执行命令 rpm -i mysql-server-******** 安装mysql服务端
(3)启动mysql 服务端，执行命令 mysqld_safe &
(4)执行命令 rpm -i mysql-client-******** 安装mysql客户端
(5)执行命令mysql_secure_installation设置root用户密码
(6)登陆MySQL，mysql -uroot-padmin
使用mysql作为hive的metastore
metastore是hive元数据的集中存放地。metastore默认使用内嵌的derby数据库作为存储引擎
Derby引擎的缺点：一次只能打开一个会话
使用Mysql作为外置存储引擎，多用户同时访问
(1)把mysql的jdbc驱动放置到hive的lib目录下
(2)修改hive-site.xml文件，修改内容如下：
<property>
<name>javax.jdo.option.ConnectionURL</name>
<value>jdbc:mysql://hadoop:3306/hive?createDatabaseIfNotExist=true</value>
</property>
<property>
<name>javax.jdo.option.ConnectionDriverName</name>
<value>com.mysql.jdbc.Driver</value>
</property>
<property>
<name>javax.jdo.option.ConnectionUserName</name>
<value>root</value>
</property>
<property>
<name>javax.jdo.option.ConnectionPassword</name>
<value>admin</value>
</property>
Mysql 不允许远程连接，如何让其远程连接：
授权所有权限在hive表上给root用户（任何地方的root），密码是admin。
grant all on hive.* to 'root'@'%' identified by 'admin';
之后刷新下：flush privileges;
启动hive:
#hive
hive>show tables;
hive>create table test(id int,name string);
hive>quit;
Hive运行模式
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
Hive的启动方式
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://hadoop:9999/hwi/
3、 hive 远程服务 (端口号10000) 启动方式
#hive --service hiveserver &
Hive与传统数据库对比
Hive中没有定义专门的数据格式，数据格式可以由用户指定，用户定义数据格式需要指定三个属性：列分隔符（通常为空格、”\t”、”\x001″）、行分隔符 （”\n”）以及读取文件数据的方法（Hive 中默认有三个文件格式 TextFile，SequenceFile 以及 RCFile）。由于在加载数据的过程中，不需要从用用户数据格式到 Hive 定义的数据格式的转换，因此，Hive 在加载的过程中不会对数据本身进行任何修改，而只是将数据内容复制或者移动到相应的 HDFS 目录中。而在数据库中，不同的数据库有不同的存储引擎，定义了自己的数据格式。所有数据
都会按照一定的组织存储，因此，数据库加载数据的过程会比较耗时。
Hive的数据类型
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
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
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
Hive的数据模型-数据库
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;
Hive的数据模型-表
Table 内部表
Partition分区表
External Table 外部表
BucketTable 桶表
内部表
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
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
注意：删除表时可能报错max key length is 1000 bytes
把mysql的数据库字符类型改为latin1
CREATE TABLE t1(id int);
Hive 里没有insert 操作，插入数据方法如下：
LOAD DATA LOCAL INPATH '/root/id' INTO TABLE t1;
这种方式跟hadoop fs –put 命令的方式都可以加载数据，hive 查询识别。
如果去掉local,加载的数据是从hdfs 里加载的。
CREATE TABLE t2(id int, name string) ROW FORMAT DELIMITED FIELDS TERMINATED BY '\t';
通过制表符区分字段。
分区表
分区表就是按照不同的字段把文件划分为不同的标准。
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=20130201, city = bj 的 HDFS 子目录为：
/warehouse/test/date=20130201/city=bj
对应于date=20130202, city=sh 的HDFS 子目录为；
/warehouse/test/date=20130202/city=sh
CREATE TABLE tmp_table #表名
(
titlestring, # 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
CREATE TABLE t3(id int) PARTITIONED BY (day int);
LOAD DATA LOCAL INPATH '/root/id' INTO TABLE t3 PARTITION (day=22);
多了一个目录，我们可以按照每天的方式来加载数据。
查的话：
select * from t3 where day=22;
桶表
桶表不常用。
create table t4(id int) clustered by(id) into 4 buckets;
set hive.enforce.bucketing = true;
insert into table t4 select id from t3;
用桶表加载数据要经过MapReduce 计算，不能用load data 方式加载。
值通过哈希编码分到不同的桶中。分到同一桶中的数据很可能相同。
使用场景：作表连接的时候用。
使用文件进行划分，这点与分区表通过文件夹划分不同。
外部表
create external table t5(id int) location '/external';
drop table t5; 好处：删除的时候只删除表定义，数据本身不删除。
前面三个表是受控表。Drop 表时数据就不存在了。
其他
视图：
跟普通sql 没有什么区别,视图可以屏蔽掉复杂的操作，还可以进行权限的控制，表的操作。
视图创建：
CREATE VIEW v1 AS select * from t1;
表的操作：
表的修改：alter table target_tab add columns(cols,string)
表的删除：drop table
Hive 里可以使用limit 操作：
select * from t1 limit 5; 返回5行记录。
ORDERBY 是所有的数据都送到一个reduce 里进行去全排序。
SORT BY col_list是多个reduce 执行，在每个reduce 内部进行排序。
DISTRIBUTE BY col_list 把数据分成不同的区发给不同的reduce 去执行。
CLUSTER BY col_list将两种操作合并到一起，相当于sort by 和distribute by一起操作。
表连接：
Java 客户端
Hive 可以编写java程序访问，访问时要先启动hive 远程服务：
hive --servicehiveserver >/dev/null2>/dev/null &
在eclipe 里增加hive jar 包 也必须有hadoop jar包否则运行不成功
package hive;
import java.sql.Connection;
import java.sql.DriverManager;
import java.sql.ResultSet;
import java.sql.Statement;
public class App {
public static void main(String[] args) throws Exception {
Class.forName("org.apache.hadoop.hive.jdbc.HiveDriver");
Connection con = DriverManager.getConnection("jdbc:hive://hadoop:10000/default","","");
Statement stmt = con.createStatement();
String sql = "SELECT * FROMdefault.t1";
ResultSet res = stmt.executeQuery(sql);
while(res.next()){
System.out.println(res.getInt(1));
}
}
}
Tab键会把关键字显示出来 ，里面带小括号的表示函数
显示所有的函数：
show functions;
函数怎么用，可以：
describefunction pi;
查看具体函数的操作。
这里我们统计id的和，使用sum函数
select sum(id) from t1;
