Hive学习笔记

hive简介

解释一：Hive是一个数据仓库基础工具在Hadoop中用来处理结构化数据。它架构在Hadoop之上，总归为大数据，并使得查询和分析方便。并提供简单的sql查询功能，可以将sql语句转换为MapReduce任务进行运行

解释二：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语句转译为M/R Job然后再Hadoop执行
• QL语句在底层被转化为相应的MapReduce操作
• Hive的表其实就是HDFS的目录，按表名把文件夹分开。如果是分区表，分区值是子文件夹，可以直接在M/R Job里使用这些数

通俗来讲就是传统mysql无法处理大数据，而大数据文件系统HDFS不能使用SQL，Hive就是一种可以用类SQL语句对大数据文件系统中的结构化数据进行操作的工具

Hive的系统架构

Hive系统架构图

（JobTracker是Hadoop1.x中的ResouceManager + AppMaster
TaskTracker相当于NodeManager + YarnChild）

• 用户接口，包括CLI，JDBC/ODBC，WebUI
• metastore，Hive将元数据存储在数据库中(metastore)，目前只支持 mysql、derby(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)。Hive 中的元数据包括表名、列、分区及其属性、表的属性（是否为外部表等）、表数据所在目录等
• Driver 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 tb不会生成MapReduce任务）

Hive和普通关系数据库的异同

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开发就很容易入手Hive开发。
2. 数据仓库位置。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. 数据格式。 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）、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。
4. 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中不支持对数据的改写和添加，所有的数据都是在加载的时候中确定好的。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。
5. 索引。Hive在加载数据的过程中不会对数据进行任何处理，甚至不会对数据进行扫描，因此也没有对数据中的某些Key建立索引。Hive要访问数据中满足条件的特定值时，需要暴力扫描整个数据，因此访问延迟较高。由于 MapReduce 的引入， Hive 可以并行访问数据，因此即使没有索引，对于大数据量的访问，Hive 仍然可以体现出优势。数据库中，通常会针对一个或者几个列建立索引，因此对于少量的特定条件的数据的访问，数据库可以有很高的效率，较低的延迟。由于数据的访问延迟较高，决定了 Hive 不适合在线数据查询。
6. 执行。Hive中大多数查询的执行是通过 Hadoop 提供的 MapReduce 来实现的（类似 select * from tbl的查询不需要MapReduce）。而数据库通常有自己的执行引擎。
7. 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。
8. 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。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。
9. 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。

Hive数据类型

在对Hive进行操作之前，首先要明白Hive数据类型有哪些。

• tinyint/smallint/int/bigint
• float/double
• boolean
• DECIMAL －用户可以指定范围和小数点位数
• STRING －在特定的字符集中的一个字符串序列
• VARCHAR －在特定的字符集中的一个有最大长度限制的字符串序列
• CHAR －在特定的字符集中的一个指定长度的字符串序列
• BINARY －一个二进制位序列
• 结构体类型（Stuct): 使用点（.)来访问类型内部的元素。例如，有一列c，它是一个结构体类型{a INT; b INT}，字段a可以使用表达式c.a来访问。
• Map(key-value键值对)：使用['元素名']来访问元素。例如，有一个MapM，包含'group'->gid的映射，则gid的值可以使用M['group']来访问。
• 数组：数组中的元素是相同的类型。可以使用[n]来访问数组元素，n是数组下标，以0开始。例如有一个数组A，有元素['a','b','c']，则A[1]返回'b'。

Hive实践操作

配置Hive

上一阶段配置CDH的时候就一起配置了Hive，也可以使用Apache Hadoop单独配置。
这里出现一个问题，hive启动不起来，一直等待在界面没反应，去master:10002查看了一下hive服务，发现无响应，说明hive没有启动起来，所以去管理界面查看情况，运行状态不良

想了一下，这个问题可能是有几次强制关机造成的，只有重新安装CDH。所以千万不能强制关掉CDH集群，因为这样会导致各种各样的玄学问题。。。

建立内表、外表

1. 在导入数据到外部表，数据并没有移动到自己的数据仓库目录下(如果指定了location的话)，也就是说外部表中的数据并不是由它自己来管理的！而内部表则不一样；
2. 在删除内部表的时候，Hive将会把属于表的元数据和数据全部删掉；而删除外部表的时候，Hive仅仅删除外部表的元数据，数据是不会删除的！
3. 在创建内部表或外部表时加上location 的效果是一样的，只不过表目录的位置不同而已，加上partition用法也一样，只不过表目录下会有分区目录而已，load data local inpath直接把本地文件系统的数据上传到hdfs上，有location上传到location指定的位置上，没有的话上传到hive默认配置的数据仓库中。

数据选择Sogou用户查询语料信息，下载之后由于编码有问题，还需要进行编码转为为utf8。
iconv -f gbk -t utf8 -c SogouQ.sample > SogouQ.sample2
因为外表建立需要明确行列分隔符，而数据当中存在列分隔符不一致的情况，需要利用sed命令进行转换。

替换前 使用命令cat SogouQ.sample2 | sed -e 's/ /\t/g' >>Sogou可以将空格替换为\t，替换规则为sed 's/要被取代的字串/新的字串/g'再配合管道和追加到Sogou文件中就完成了替换。
替换后

• 首先和mysql一样需要创建数据库

  
  

• 建立对应的外表

  
  
  

• 同时建立内表

  
  
  

这里指定了外部表的具体存储位置为/tmp/sogou文件夹，方便以后查看。由于原始数据里行分隔符为\t，所以创建时要匹配为\t。

• 导入数据到表
  load data local inpath '/usr/tmp/Sogou' into table sogou;这里的路径指的是本机上的文件路径。
  

• 查看导入数据情况

  
  外表
  内表

外表和内表都导入成功了，那么来看一下两个表在hdfs中存储位置有什么区别。

• 删除表

  
  
  

  可以看到内表的表信息和数据全部都被删除了。

  
  
  然而外部表的数据全部都还在。

hive sql

hive的大多数查询都会转化为MapReduce程序，可以导master:8088查看相应的MapReduce程序。

• group by
  group by和sql里面的使用方法相似，都是用于对某个或多个列的值进行分组查询。
  select rank,count(url) from sogou group by rank having rank < 10;用于查询排名前10的url个数
  

1. select后面的非聚合列必须出现在group by中(比如上面的rank)
2. 除了普通列就是一些聚合操作（比如上面的count(rank)）

• Order by
  Order by会对输入做全局排序，因此只有一个Reducer(多个Reducer无法保证全局有序)，然而只有一个Reducer，会导致当输入规模较大时，消耗较长的计算时间。
  Order by语法如下：

select col,col2...  
from tableName  
where condition  
order by col1,col2 [asc|desc] 

1. order by后面可以有多列进行排序，默认按字典排序。
2. order by为全局排序。
3. order by需要reduce操作，且只有一个reduce，无法配置(因为多个reduce无法完成全局排序)。
   select * from sogou order by rank desc limit 5;获取排名前5的所有信息
   

• sort by
  hive使用order by会默认设置reduce的个数=1，既然reducer的个数都是1了，结果自然全排序！但是reducer个数为1会导致效率非常的低，所以提供了一个新的排序方式sort by。
  它会保证每个reducer的输出文件是有序的，要想实现全排序，还得加一个order by的过程，就是对sort by的reduce输出结果再进行一次排序。要想用hive实现全排序：要么用order by，但这样默认了reducer个数为1，效率低下。要么用sort by+order by，sort by过程可以设置reducer个数（n），order by过程用n个reducer的输出文件进行一次全排序，得到最终的结果。
  select * from sogou sort by rank desc limit 5;这里是对rank进行排序，但是不是全局排序，而是对每一个reducer内部进行排序，那么怎样hive如何将所有数据划分给若干个reducer呢？这就要用到下面的distribute了。
• distribute by
  distribute by是控制map的输出在reducer是如何划分的。hive会根据distribute by后面列，对应reduce的个数进行分发，默认是采用hash算法。举个例子
  select * from sogou distribute by rank sort by rank,time desc limit 5;
  

表示将rank哈希后（这里并不是简单的把rank相同的数据划分为一个cluster，而是对rank值哈希后再对cluster个数进行求余）相同的数据全部送到一个reducer进行处理，这就是因为指定了distribute by rank，再配合sort by这样的话就可以统计出每个rank排名中所有数据的时间顺序了。这里需要注意的是distribute by必须要写在sort by之前。

• cluster by
  cluster by的功能就是distribute by和sort by相结合，如下2组语句是等价的：
  select * from sogou cluster by rank
select * from sogou cluster by distribute by rank sort by rank
  

注意被cluster by指定的列只能是升序，不能指定asc和desc。

Java、Python调用Hive

和下面Python调用一样，只需要下载相应的jar，跟着官方文档即可。

pyhive

首先安装连接hive需要的依赖

pip install sasl
pip install thrift
pip install thrift-sasl
pip install PyHive

然后就可以按照固定的格式开启连接了

from pyhive import hive

conn = hive.Connection(host='192.168.233.100',port=10000,username='root',database='mytest')
cursor = conn.cursor()
cursor.execute('select * from sogou limit 10')
for result in cursor.fetchall():
    print(result)

但是报错了
thrift.transport.TTransport.TTransportException: Could not start SASL: b'Error in sasl_client_start (-4) SASL(-4): no mechanism available: Unable to find a callback: 2'
查看hive的日志
java.lang.RuntimeException: org.apache.thrift.transport.TSaslTransportException: No data or no sasl data in the stream
网上找了一下也没什么好的解决方案，看这个报错信息应该是windows系统底层的问题，所以换到centos里执行刚刚的python程序。
成功连接hive并得到查询结果。

Java Hive

UDF、UDAF、UDTF

Hive中，除了提供丰富的内置函数之外，还允许用户使用Java开发自定义的UDF函数。UDF有几种：

• （普通）UDF：操作作用于单个数据行，且产生一个数据行作为输出。
• 用户自定义聚合函数（UDAF）：接受多个输入数据行，并产生一个输出数据行。
• 用户自定义生表函数（UDTF）：接受一个数据行，然后返回产生多个数据行

开发自定义UDF函数有两种方式
继承org.apache.hadoop.hive.ql.exec.UDF
继承org.apache.hadoop.hive.ql.udf.generic.GenericUDF；
如果是针对简单的数据类型（比如String、Integer等）可以使用UDF，如果是针对复杂的数据类型（比如Array、Map、Struct等），可以使用GenericUDF，另外，GenericUDF还可以在函数开始之前和结束之后做一些初始化和关闭的处理操作。

UDF

使用自定义UDF时，只需要继承org.apache.hadoop.hive.ql.exec.UDF，并定义public Object evaluate(Object args) {} 方法即可。例如：

package li;


import org.apache.hadoop.hive.ql.exec.UDF;
import java.security.MessageDigest;
import java.security.NoSuchAlgorithmException;

public class HashMd5 {
    public String evaluate(String password) {
        try {
            // 得到一个信息摘要器
            MessageDigest digest = MessageDigest.getInstance("md5");
            byte[] result = digest.digest(password.getBytes());
            StringBuffer buffer = new StringBuffer();
            // 把每一个byte 做一个与运算 0xff;
            for (byte b : result) {
                // 与运算
                int number = b & 0xff;// 加盐
                String str = Integer.toHexString(number);
                if (str.length() == 1) {
                    buffer.append("0");
                }
                buffer.append(str);
            }

            // 标准的md5加密后的结果
            return buffer.toString();
        } catch (NoSuchAlgorithmException e) {
            e.printStackTrace();
            return "";
        }

    }
}

evaluate方法就是要进行处理的函数内容。这个函数的意思是将输入的内容转为它的MD5值。
用IDEA把刚刚写好的Java文件打成jar包(这里特别需要注意编译成jar包的环境JDK要和hive平台的JDK一致，所以我把JDK变为了1.6)

然后就可以在hive交互界面使用命令add jar /usr/tmp/myudf.jar
这里的路径是把jar包存放在linux文件下的路径。
接着生成函数方法
create temporary function md5 as 'li.HashMd5';
因为我只是为了测试，所以用的temporary，表示该方法的作用时间只是这次session，as后面跟着的是你写入自定义函数的类的完整类名
随后就可以写测试hive sql来看看是否成功了。
select rank,md5(rank) from sogou limit 10;
这里第一次报错了
Permission denied: user=root, access=WRITE, inode="/user":hdfs:supergroup:dr
错误显示想要访问/user下的内容，但是权限不够，因为我是在root用户下进入的hive交互界面，所以有些文件不能执行操作，所以切换至hdfs用户就可以了。

这里可以看到同样的值得到了同样的MD5值，所以验证成功。

UDAF

UDAF 接受多个输入数据行，并产生一个输出数据行。
一个计算函数必须实现以下5个方法：

• init()： 该方法负责初始化计算函数并重设它的内部状态 。
• iterate()： 每次对一个新值进行聚合计算时会调用该方法。
• terminatePartial()： Hive需要部分聚合结果时会调用该方法。
• merge()： Hive需要将部分聚合结果和另外部分聚合结果合并时会调用该方法。

• terminate()： 需要最终结果时会调用该方法

  
  
  

  和上面自定义UDF的方法类似，也是编写代码后台添加功能。

package li;


import org.apache.hadoop.hive.ql.exec.UDAF;
import org.apache.hadoop.hive.ql.exec.UDAFEvaluator;
import org.apache.hadoop.io.FloatWritable;

@SuppressWarnings("deprecation")
public class Mean extends UDAF {
    public static class MeanFloatUDAFEvaluator implements UDAFEvaluator {
        public static class PartialResult {
            float sum;
            long count;
        }

        private PartialResult partialresult;

        @Override
        public void init() {
            // TODO Auto-generated method stub
            partialresult = null;
        }

        public boolean iterate(FloatWritable value) {
            if (value == null) {
                return true;
            }
            if (partialresult == null) {
                partialresult = new PartialResult();
            }

            partialresult.sum += value.get();
            ++partialresult.count;
            return true;
        }

        public PartialResult terminatePartial() {
            return partialresult;
        }

        public boolean merge(PartialResult other) {
            if (other == null) {
                return true;
            }
            if (partialresult == null) {
                partialresult = new PartialResult();
            }

            partialresult.sum += other.sum;
            partialresult.count += other.count;

            return true;
        }

        public FloatWritable terminate() {
            if (partialresult == null) {
                return null;
            }
            return new FloatWritable(partialresult.sum / partialresult.count);
        }
    }
}

然后添加jar和临时方法
add jar /usr/tmp/myudf.jar
create temporary function my_mean as 'li.Mean';
可以再show functions里面看到自己的方法了。

分区、分桶

Hive使用select语句进行查询的时候一般会扫描整个表内容，会消耗很多时间做没必要的工作。Hive可以在创建表的时候指定分区空间，这样在做查询的时候就可以很好的提高查询的效率。
Hive中的每个分区对应数据库中相应分区列的一个索引，每个分区对应着表下的一个目录，在HDFS上的表现形式与表在HDFS上的表现形式相同，都是以子目录的形式存在。

• 创建分区表

 create table t1(
    > id int,
    > name string
    > )
    > partitioned by (pt varchar(8))
    > ;

这里表示将字段pt作为分区的目标字段

• 装载数据进分区表
  首先创建测试数据data

1,a
2,b
3,c

load data local inpath '/usr/tmp/data' overwrite into table t1 partition (pt='001');
所有数据都被装载到分区001中去了；再次将数据装载进分区002中去。
load data local inpath '/usr/tmp/data' overwrite into table t1 partition (pt='002');

通过这里可以看出成功将数据装载进了不同的分区，下面再看一下在HDFS中分区是如何实现的。
进入到hive默认存储地址/user/hive/warehouse

在这里我们可以清晰的看到hive首先为这个数据库创建了一个文件夹，然后为每一个分区创建一个子目录，将属于各自分区的数据就存放在各自分区的目录下。

也可以查看有哪些分区和删除指定分区（会同时删除分区中数据）

hive>partitions t1;
OK
pt=001
pt=002

hive> alter table t1 drop partition(pt=001);
Dropped the partition pt=001
OK

对于每一个表或者是分区，Hive可以进一步组织成桶，也就是说桶是更为细粒度的数据范围划分。Hive是针对某一列进行分桶。Hive采用对列值哈希，然后除以桶的个数求余的方式决定该条记录存放在哪个桶中。分桶的好处是可以获得更高的查询处理效率。使取样更高效。分桶比分区，更高的查询效率。

• 建立桶表

create table bucket_test(
     id int,
     name string
     )
     clustered by(id) into 4 buckets
     row format delimited fields terminated by '\t'
     sorted as textfile;

装入数据
load data local inpath '/usr/tmp/data' overwrite into table bucket_test;

数据成功装入后，就去目录中看一看桶的结构。发现分桶没有成功。查了一下资料，说是设置hive分桶为true
set hive.enforce.bucketing = true;
但是还是不行。仔细思考了一下，应该是导入数据的方式有问题，我这里用load导入数据使得hive可能不会逐一检索数据并根据哈希值存入桶，应该用insert方式导入数据，hive才会逐一根据数据指定列的哈希值存入不同的桶。

insert overwrite table bucketed_user
    > select id,name from t1;

这样就将数据库分为了4个桶。仔细观察会发现每个桶不是文件夹，而是文件，这点和分区不一样。当从桶表中进行查询时，hive会根据分桶的字段进行计算分析出数据存放的桶中，然后直接到对应的桶中去取数据，这样做就很好的提高了效率。

• 索引和分区最大的区别就是索引不分割数据库，分区分割数据库。
• 分区和分桶最大的区别就是分桶随机分割数据库，分区是非随机分割数据库。
• 其次两者的另一个区别就是分桶是对应不同的文件（细粒度），分区是对应不同的文件夹（粗粒度）。