Spark入门实战系列–5.Hive（上）–Hive介绍及部署详解大数据

【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介绍 1.1 Hive介绍

Hive是一个基于Hadoop的开源数据仓库工具，用于存储和处理海量结构化数据。它是Facebook 2008年8月开源的一个数据仓库框架，提供了类似于SQL语法的HQL语句作为数据访问接口，Hive有如下优缺点：

l  优点：

1.Hive 使用类SQL 查询语法, 最大限度的实现了和SQL标准的兼容，大大降低了传统数据分析人员学习的曲线；

2.使用JDBC 接口/ODBC接口，开发人员更易开发应用；

3.以MR 作为计算引擎、HDFS 作为存储系统，为超大数据集设计的计算/ 扩展能力；

4.统一的元数据管理（Derby、MySql等），并可与Pig 、Presto 等共享；

l  缺点：

1.Hive 的HQL 表达的能力有限，有些复杂运算用HQL 不易表达；

2.由于Hive自动生成MapReduce 作业， HQL 调优困难；

3.粒度较粗，可控性差

1.2  Hive运行架构

由上图可知，Hadoop的MapReduce是Hive架构的根基。Hive架构包括如下组件：CLI（Command Line Interface）、JDBC/ODBC、Thrift Server、WEB GUI、Metastore和Driver(Complier、Optimizer和Executor)，这些组件分为两大类：服务端组件和客户端组件。

服务端组件：

lDriver组件：该组件包括Complier、Optimizer和Executor，它的作用是将HiveQL（类SQL）语句进行解析、编译优化，生成执行计划，然后调用底层的MapReduce计算框架；

lMetastore组件：元数据服务组件，这个组件存储Hive的元数据，Hive的元数据存储在关系数据库里，Hive支持的关系数据库有Derby和Mysql。元数据对于Hive十分重要，因此Hive支持把Metastore服务独立出来，安装到远程的服务器集群里，从而解耦Hive服务和Metastore服务，保证Hive运行的健壮性；

lThrift服务：Thrift是Facebook开发的一个软件框架，它用来进行可扩展且跨语言的服务的开发，Hive集成了该服务，能让不同的编程语言调用Hive的接口。

 

客户端组件：

lCLI：Command Line Interface，命令行接口。

lThrift客户端：上面的架构图里没有写上Thrift客户端，但是Hive架构的许多客户端接口是建立在Thrift客户端之上，包括JDBC和ODBC接口。

lWEBGUI：Hive客户端提供了一种通过网页的方式访问Hive所提供的服务。这个接口对应Hive的HWI组件（Hive Web Interface），使用前要启动HWI服务。

 

Hive的执行流程

 

三种部署模式

1.单用户模式 此模式连接到一个In-Memory 的数据库Derby，一般用于Unit Test。

2.多用户模式 通过网络连接到一个数据库中，是最经常使用到的模式。

3.  远程服务器模式 用于非Java客户端访问元数据库，在服务器端启动MetaStoreServer，客户端利用Thrift协议通过MetaStoreServer访问元数据库。

1.3 Hive数据模型

Hive没有专门的数据存储格式，用户可以自由的组织Hive中的表，只需要在创建表的时候告诉Hive数据中的列分隔符和行分隔符，Hive就可以解析数据。Hive中所有的数据都存储在HDFS中，存储结构主要包括数据库、文件、表和视图。Hive中包含以下数据模型：Table内部表，External Table外部表，Partition分区，Bucket桶。Hive默认可以直接加载文本文件，还支持sequence file 、RCFile。

    1.Hive数据库

类似传统数据库的DataBase，在第三方数据库里实际是一张表

简单示例命令行： create database test_database;

   2.内部表

Hive的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tbInner，它在HDFS中的路径为/user/hive/warehouse/tbInner，其中/user/hive/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。内部表删除时，元数据与数据都会被删除。

内部表简单示例：

创建数据文件：test_inner_table.txt

创建表：create table test_inner_table (key string);

加载数据：LOAD DATA LOCAL INPATH filepath INTO TABLE test_inner_table;

查看数据：select * from test_inner_table;

删除表：drop table test_inner_table;

     3. 外部表

外部表指向已经在HDFS中存在的数据，并可以创建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分别独立完成，也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。而外部表只有一个过程，加载数据和创建表同时完成（CREATE EXTERNAL TABLE ……LOCATION），实际数据是存储在LOCATION后面指定的 HDFS 路径中，并不会移动到数据仓库目录中。当删除一个External Table时，仅删除该链接。

外部表简单示例：

创建数据文件：test_external_table.txt

创建表：create external table test_external_table (key string);

加载数据：LOAD DATA INPATH ‘filepath’ INTO TABLE test_inner_table;

查看数据：select * from test_external_table;

删除表：drop table test_external_table;

    4.分区

Partition对应于数据库中的Partition列的密集索引，但是Hive中Partition的组织方式和数据库中的很不相同。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pvs表中包含ds和city两个Partition，则对应于ds = 20090801, ctry = US 的HDFS子目录为/user/hive/warehouse/pvs/ds=20090801/ctry=US；对应于 ds = 20090801, ctry = CA 的HDFS子目录为/user/hive/warehouse/pvs/ds=20090801/ctry=CA。

分区表简单示例：

创建数据文件：test_partition_table.txt

创建表：create table test_partition_table (key string) partitioned by (dt string);

加载数据：LOAD DATA INPATH ‘filepath’ INTO TABLE test_partition_table partition (dt=‘2006’);

查看数据：select * from test_partition_table;

删除表：drop table test_partition_table;

    5.桶

Buckets是将表的列通过Hash算法进一步分解成不同的文件存储。它对指定列计算Hash，根据Hash值切分数据，目的是为了并行，每一个Bucket对应一个文件。例如将user列分散至32个bucket，首先对user列的值计算Hash，对应Hash值为0的HDFS目录为/user/hive/warehouse/pvs/ds=20090801/ctry=US/part-00000；Hash值为20的HDFS目录为/user/hive/warehouse/pvs/ds=20090801/ctry=US/part-00020。如果想应用很多的Map任务这样是不错的选择。

  桶的简单示例：

  创建数据文件：test_bucket_table.txt

创建表：create table test_bucket_table (key string) clustered by (key) into 20 buckets；

  加载数据：LOAD DATA INPATH ‘filepath’ INTO TABLE test_bucket_table；

  查看数据：select * from test_bucket_table;  set hive.enforce.bucketing = true;

    6.Hive的视图

视图与传统数据库的视图类似。视图是只读的，它基于的基本表，如果改变，数据增加不会影响视图的呈现；如果删除，会出现问题。如果不指定视图的列，会根据select语句后的生成。

  示例：create view test_view as select * from test；

1.4 Hive数据类型

Hive支持两种数据类型，一类叫原子数据类型，一类叫复杂数据类型。

l  原子数据类型包括数值型、布尔型和字符串类型，具体如下表所示：

由上表我们看到Hive不支持日期类型，在Hive里日期都是用字符串来表示的，而常用的日期格式转化操作则是通过自定义函数进行操作。

Hive是用Java开发的，Hive里的基本数据类型和java的基本数据类型也是一一对应的，除了String类型。有符号的整数类型：TINYINT、SMALLINT、INT和BIGINT分别等价于Java的Byte、Short、Int和Long原子类型，它们分别为1字节、2字节、4字节和8字节有符号整数。Hive的浮点数据类型FLOAT和DOUBLE,对应于Java的基本类型Float和Double类型。而Hive的BOOLEAN类型相当于Java的基本数据类型Boolean。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。

l  复杂数据类型包括数组（ARRAY）、映射（MAP）和结构体（STRUCT），具体如下所示：

1.5 Hive与关系数据库的区别

由于Hive采用了SQL的查询语言HQL，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。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。

  Hive和数据库的比较如下表：

2、Hive搭建过程 2.1 安装MySql数据库 2.1.1 下载MySql安装文件

下载地址：http://dev.mysql.com/downloads/mysql/#downloads，使用系统为CentOS选择 Red Hat Enterprise Linux/Oracle系列：

操作系统为64位，选择对应安装包进行下载：

下载在本地目录如下图：

2.1.2 上传MySql安装文件

把下载的mysql安装包，使用SSH Secure File Transfer工具（参见《Spark编译与部署（上） 基础环境搭建》1.3.1介绍）上传到/home/hadoop/upload 目录下，如下图所示：

2.1.3 卸载旧的MySql

（1）查找以前是否安装有mysql

使用命令查看是否已经安装过mysql：

$rpm -qa | grep -i mysql

可以看到如下图的所示：

说明之前安装了：

MySQL-client-5.6.21-1.el6.x86_64

MySQL-server-5.6.21-1.el6.x86_64

MySQL-devel-5.6.21-1.el6.x86_64

如果没有结果，可以进行mysql数据库安装

（2）停止mysql服务、删除之前安装的mysql

停止mysql服务、删除之前安装的mysql删除命令：rpm -e –nodeps 包名

$sudo rpm -ev MySQL-server-5.6.21-1.el6.x86_64

$sudo rpm -ev MySQL-devel-5.6.21-1.el6.x86_64

$sudo rpm -ev MySQL-client-5.6.21-1.el6.x86_64

如果存在CentOS自带mysql-libs-5.1.71-1.el6.x86_64使用下面的命令卸载即可

$sudo rpm -ev nodeps mysql-libs-5.1.71-1.el6.x86_64

（3）查找之前老版本mysql的目录并且删除老版本mysql的文件和库

$sudo find / -name mysql

删除对应的mysql目录

$sudo rm -rf /usr/lib64/mysql

$sudo rm -rf /var/lib/mysql

（4）再次查找机器是否安装mysql

$sudo rpm -qa | grep -i mysql

无结果，说明已经卸载彻底、接下来直接安装mysql即可

2.1.4 安装MySql

进入安装文件的目录，安装mysql服务端

$cd /home/hadoop/upload

$sudo rpm -ivh MySQL-server-5.6.21-1.el6.x86_64.rpm

安装mysql客户端、mysql-devel

$sudo rpm -ivh MySQL-client-5.6.21-1.el6.x86_64.rpm

$sudo rpm -ivh MySQL-devel-5.6.21-1.el6.x86_64.rpm

2.1.5 设置root密码

在CentOS6.5下安装mysql设置root密码时，出现如下错误：

/usr/bin/mysqladmin: connect to server at localhost failed

error: Access denied for user root @ localhost (using password: NO)

可以进入安全模式进行设置root密码

（1）停止mysql服务

使用如下命令停止mysql服务：

$sudo service mysql stop

$sudo service mysql status

（2）跳过验证启动mysql

使用如下命令验证启动mysql，由于 结尾是后台运行进程，运行该命令可以再打开命令窗口或者Ctr+C继续进行下步操作，由于mysql启动时间会长点，需要等待几分钟再查看启动状态：

$sudo mysqld_safe skip-grant-tables

$sudo service mysql status

（3）跳过验证启动MySQL

验证mysql服务已经在后台运行后，执行如下语句，其中后面三条命令是在mysql语句：

mysql -u root

mysql use mysql;

mysql update user set password = password( root ) where user = root

mysql flush privileges;

mysql quit;

（4）跳过验证启动MySQL

重启mysql服务并查看状态

$sudo service mysql stop

$sudo service mysql start

$sudo service mysql status

2.1.6 设置Hive用户

进入mysql命令行，创建Hive用户并赋予所有权限：

mysql -uroot -proot

mysql set password=password( root );

mysql create user hive identified by hive

mysql grant all on *.* TO hive @ % with grant option;

mysql flush privileges;

mysql quit;

（注意：如果是root第一次登录数据库，需要重新设置一下密码，所报异常信息如下：ERROR 1820 (HY000): You must SET PASSWORD before executing this statement）

2.1.7 创建Hive数据库

使用hive用户登录，创建Hive数据库：

mysql -uhive -phive

mysql create database hive;

mysql show databases;

2.2 安装Hive 2.2.1 下载Hive安装文件

可以到Apache基金hive官网http://hive.apache.org/downloads.html，选择镜像下载地址：http://mirrors.cnnic.cn/apache/hive/下载一个稳定版本，这里选择下载apache-hive-0.13.1-bin.tar.gz文件，如下图所示：

2.2.2 下载MySql驱动

到mysql官网进入下载页面：http://dev.mysql.com/downloads/connector/j/，默认情况下是Windows安装包，这里需要选择Platform Independent版本下载zip格式的文件

2.2.3 上传Hive安装文件和MySql驱动

把下载的hive安装包和mysql驱动包，使用SSH Secure File Transfer工具（参见《Spark编译与部署（上） 基础环境搭建》1.3.1介绍）上传到/home/hadoop/upload 目录下，如下图所示：

2.2.4 解压缩

到上传目录下，用如下命令解压缩hive安装文件：

cd /home/hadoop/upload

tar -zxf hive-0.13.1-bin.tar.gz

改名并迁移到/app/hadoop目录下：

sudo mv apache-hive-0.13.1-bin /app/hadoop/hive-0.13.1

ll /app/hadoop

2.2.5 把MySql驱动放到Hive的lib目录下

把下载的hive安装包和mysql驱动包，使用

cd /home/hadoop/upload

cp mysql-connector-java-5.1.34-bin.jar /app/hadoop/hive-0.13.1/lib

2.2.6 配置/etc/profile环境变量

使用如下命令打开/etc/profile文件：

sudo vi /etc/profile

设置如下参数：

export HIVE_HOME=/app/hadoop/hive-0.13.1

export PATH=$PATH:$HIVE_HOME/bin

export CLASSPATH=$CLASSPATH:$HIVE_HOME/bin

使配置文件生效：

source /etc/profile

2.2.7 设置hive-env.sh配置文件

进入hive-0.13.1/conf目录，复制hive-env.sh.templaete为hive-env.sh：

cd /app/hadoop/hive-0.13.1/conf

cp hive-env.sh.template hive-env.sh

ls

使用如下命令边界配置文件

sudo vi hive-env.sh

分别设置HADOOP_HOME和HIVE_CONF_DIR两个值：

# Set HADOOP_HOME to point to a specific hadoop install directory

export HADOOP_HOME=/app/hadoop/hadoop-2.2.0

 

# Hive Configuration Directory can be controlled by:

export HIVE_CONF_DIR=/app/hadoop/hive-0.13.1/conf

2.2.8 设置hive-site.xml配置文件

复制hive-default.xml.templaete为hive-site.xml

cp hive-default.xml.template hive-site.xml

sudo vi hive-site.xml

（1）加入配置项

默认metastore在本地，添加配置改为非本地

property

  name hive.metastore.local /name

  value false /value

/property

（2）修改配置项

hive默认为derby数据库，derby数据只运行单个用户进行连接，这里需要调整为mysql数据库

property

  name hive.metastore.uris /name

  value thrift://hadoop1:9083 /value

  description Thrift URI for the remote metastore. /description

/property

property

  name javax.jdo.option.ConnectionURL /name

  value jdbc:mysql://hadoop1:3306/hive?=createDatabaseIfNotExist=true /value

  description JDBC connect string for a JDBC metastore /description

/property

property

  name javax.jdo.option.ConnectionDriverName /name

  value com.mysql.jdbc.Driver /value

  description Driver class name for a JDBC metastore /description

/property

.

property

  name javax.jdo.option.ConnectionUserName /name

  value hive /value

  description username to use against metastore database /description

/property

property

  name javax.jdo.option.ConnectionPassword /name

  value hive /value

  description password to use against metastore database /description

/property

把hive.metastore.schema.verification配置项值修改为false

property

  name hive.metastore.schema.verification /name

  value false /value

  desc .

/property

2.3 启动并验证Hive 2.3.1 启动Hive

实际使用时，一般通过后台启动metastore和hiveserver实现服务，命令如下：

hive service metastore

hive service hiveserver

启动用通过jps命令可以看到两个进行运行在后台

2.3.2 在Hive中操作

登录hive，在hive创建表并查看该表，命令如下：

hive

hive create table test(a string, b int);

hive show tables;

hive desc test;

登录mysql，在TBLS表中查看新增test表：

mysql -uhive -phive

mysql use hive;

mysql select TBL_ID, CREATE_TIME, DB_ID, OWNER, TBL_NAME,TBL_TYPE from TBLS;

3、问题解决 3.1 设置MySql数据库root用户密码报错

在CentOS6.5下安装mysql设置root密码时，出现如下错误：

/usr/bin/mysqladmin: connect to server at localhost failed

error: Access denied for user root @ localhost (using password: NO)

（1）停止mysql服务

使用如下命令停止mysql服务：

sudo service mysql stop

sudo service mysql status

（2）跳过验证启动mysql

使用如下命令验证启动mysql，由于 结尾是后台运行进程，运行该命令可以再打开命令窗口或者Ctr+C继续进行下步操作：

mysqld_safe skip-grant-tables

sudo service mysql status

（3）跳过验证启动MySQL

验证mysql服务已经在后台运行后，执行如下语句，其中后面三条命令是在mysql语句：

mysql -u root

mysql use mysql;

mysql update user set password = password( root ) where user = root

mysql flush privileges;

（4）跳过验证启动MySQL

重启mysql服务并查看状态

sudo service mysql stop

sudo service mysql start

sudo service mysql status

3.2 Hive启动，报CommandNeedRetryException异常

启动Hive时，出现CommandNeedRetryException异常，具体信息如下：

Exception in thread main java.lang.NoClassDefFoundError:org/apache/hadoop/hive/ql/CommandNeedRetryException

  at java.lang.Class.forName0(Native Method)

  at java.lang.Class.forName(Class.java:270)

  at org.apache.hadoop.util.RunJar.main(RunJar.java:149)

Caused by: java.lang.ClassNotFoundException: org.apache.hadoop.hive.ql.CommandNeedRetryException

  at java.net.URLClassLoader$1.run(URLClassLoader.java:366)

  at java.net.URLClassLoader$1.run(URLClassLoader.java:355)

  at java.security.AccessController.doPrivileged(Native Method)

  at java.net.URLClassLoader.findClass(URLClassLoader.java:354)

  at java.lang.ClassLoader.loadClass(ClassLoader.java:425)

  at java.lang.ClassLoader.loadClass(ClassLoader.java:358)

由于以前使用hadoop时，修改hadoop-env.sh的HADOOP_CLASSPATH配置项，由以前的：

export HADOOP_CLASSPATH=/usr/local/hadoop-1.1.2/myclass

修改为：

export HADOOP_CLASSPATH=$HADOOP_CLASSPATH:/usr/local/hadoop-1.1.2/myclass

 

3.3 在Hive中使用操作语言

启动Hive后，使用HSQL出现异常，需要启动metastore和hiveserver

FAILED: Execution Error, return code 1 from org.apache.hadoop.hive.ql.exec.DDLTask. java.lang.RuntimeException: Unable to instantiate org.apache.hadoop.hive.metastore.HiveMetaStoreClient

在使用hive之前需要启动metastore和hiveserver服务，通过如下命令启用：

hive service metastore

hive service hiveserver

启动用通过jps命令可以看到两个进行运行在后台

 

参考资料：

（1）《Hive体系结构》 http://blog.csdn.net/zhoudaxia/article/details/8855937

（2）《大数据时代的技术hive：hive的数据类型和数据模型》http://www.cnblogs.com/sharpxiajun/archive/2013/06/03/3114560.html

原创文章，作者：ItWorker，如若转载，请注明出处：https://blog.ytso.com/8669.html

分布式文件系统，分布式数据库区块链并行处理（MPP）数据库，数据挖掘开源大数据平台数据中台数据分析数据开发数据治理数据湖数据采集