Apache Hive基础

本节目标

• 了解Hive的作用和优势
• 了解Hive的基本架构
• 了解Hive的数据类型
• 了解Hive的数据库和表操作
• 理解Hive的数据分区
• 理解Hive的数据分桶

4.1 数据仓库

4.1.1 为什么要有数据仓库

在引入数据仓库之前，我们先来聊聊为什么回产生数据仓库？

数据的作用有两个：操作型记录的保存和分析型决策的制定

• 操作型记录的保存意味着企业通常不必维护历史数据，只需要修改数据以反映最新的状态；
• 分析型决策意味着企业需要保存历史的数据，从而可以更精准的来评估现有状况进行决策；

基于后者分析型决策的优化，需要高性能地完成用户的查询，因此引出了数据仓库的概念。

4.1.2 数据仓库概念

数据仓库是一个面向主题、集成的、非易失的、随时间变化的、用来支持管理人员决策的数据集合，数据仓库中包含了粒度化的企业数据。

数据仓库的主要特征是： 主题性 、 集成性 、 非易失性 、 时变性 。

数据仓库处理数据的流程：分析需求，确认数据源，ETL处理，汇总/整合，数据建模，分析展现

4.1.3 数据仓库的体系结构

数据仓库的体系结构通常包含4个层次：数据源、数据存储和管理、数据服务以及数据应用。

• 数据源： 数据仓库的数据来源，包括外部数据、现有业务系统和文档资料等。
• 数据存储和管理： 为数据提供的存储和管理，包括数据仓库、数据集市、数据仓库监视、运行与维护工具和元数据管理等。
• 数据服务： 为前端工具和应用提供数据服务，包括直接从数据仓库中获取数据提供给前端使用，或者通过OLAP服务器为前端应用提供更为复杂的数据服务。
• 数据应用： 直接面向最终用户，包括数据工具、自由报表工具、数据分析工具、数据挖掘工具和各类应用系统。

4.1.4 数据仓库解决的问题

1. 为业务部门提供准确及时的报表
2. 为管理人员提供更强的分析能力
3. 为数据挖掘和知识发现奠定基础

4.1.5 面临的挑战

随着大数据时代的全面到来，传统数据仓库也面临了如下挑战：

• 无法满足快速增长的海量数据存储需求
• 无法有效处理不同类型的数据
• 计算和处理能力不足

4.2 Hive基本概念

4.2.1 概述

Hive是建立在Hadoop之上的一种数仓工具。该工具的功能是将结构化、半结构化的数据文件映射为一张数据库表，基于数据库表，提供了一种类似SQL 的查询模型（HQL）,它具有最小的学习曲线，用于访问和分析存储在Hadoop文件中的大型数据集。

Hive本身并不具备存储功能，其核心是将HQL转换为MapReduce程序，然后将程序提交到Hadoop集群中执行。

特点：

1. 提供简单和优化的模型，编码少于MR（提供了类似SQL的查询语言HiveQL，两者都是基于SQL92标准,底层会自动转化为MapReduce）,使得精通SQL却不了解Java编程的人也能很好地进行大数据分析；
2. 灵活性高，可以自定义用户函数（UDF）和存储格式；
3. Hive支持在不同的计算框架上运行:mapreduce,tez(比MapReduce的性能快了50倍)，有超大的数据设计的计算和存储能力，集群扩展容易；
4. Hive支持在HDFS和HBase上进行临时查询数据。
5. 用于ETL和BI工具的成熟JDBC和ODBC驱动程序；
6. 统一的元数据管理，可以presto/impala/sparksql等共享数据；
7. 执行延迟高，不适合做数据的实时处理，但适合做海量数据的离线处理；

4.2.2 产生背景

Hive的产生背景主要有两个：

- 使用成本高： 使用MapReduce直接处理数据时，需要掌握Java等编程语言，学习成本较高，而且使用MapReduce不容易实现复杂查询；

- 建立分析型数仓的需求：Hive支持类SQL的查询以及支持自定义函数，可以作为数据仓库的工具。

Hive利用 HDFS存储数据，使用MapReduce查询分析数据。将SQL转换为MapReduce程序，从而完成对数据的分析决策。

4.2.3 当前Hive的主流版本

选择任何技术的版本要考虑哪些方面：功能，稳定性，可维护性，兼容性

• 策略：靠考虑不新不九的稳定版本
• 当前Hive的主流版本有两个
  • hive-1.x 其中使用比较多的是hive-1.2.x的版本，最后一个稳定版本是hive-1.2.2,如果使用这个版本，你的hive将来没法集成spark.
  • hive-2.x 现行主流的hive使用版本，现行稳定的hive-2.x版本中，我们选择使用hive-2.3.6
  • HDP（商业版大数据环境）2.6.3内置的hive为1.2.1

4.2.5 Hive 元数据管理

• 为了支持schema和数据分区等功能，Hive将元数据保存在关系型数据库中。
• 默认情况下，hive将元数据保存在关系型数据库中。
  • 基于缺省Derby的非常适合测试
  • 用户之间不共享架构，因为每个用户都有自己的嵌入式Derby实例
  • 存储在metastore_db目录中，该目录位于启动配置单元的目录中
• 可以轻松切换另一个sql安装，如MySQL,Oracle。
• 作为Hive的一部分的HCatalog将Hive元数据暴露给其他生态系统。
• Hive3.0以上的版本，元数据是默认保存在Hbase里面，解决了HA的问题。

4.2.6 Hive体系架构

Note：解释一下经常遇到的hiveServer1、hiveServer2?早期版本的hiveServer(即hiveServer1)因使用Thrift接口的限制，不能处理多于一个客户端的并发请求，在hive-0.11.0版本中重写了hiveServer代码(hiveServer2)，支持了多客户端的并发和认证，并且为开放API客户端如JDBC、ODBC提供了更好的支持。

• 用户结构主要有三个：CLI(command line interface)命令行，JDBC和Web UI,CLI是开发过程中常用的接口，在hive server2 提供新的命令beeline,使用sqlline语法
• metaStore:hive的元数据结构描述信息库，可选用不同的关系型数据库来存储，通过配置文件修改、查看数据库配置信息。
• Driver:解释器、编译器、优化器完成HQL查询语句从语法分析、词法分析、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，并在随后由MapReduce调用执行。
• Hive的数据存储在HDFS中，大部分的查询，计算由MapReduce完成
  • select * from emp;->操作不会执行mapreduce
  • select count(*) from emp; -> 执行mapreduce操作

Hive Interface - CLI 和 Beeline模式的区别

• 有两种工具：Beeline和命令行(CLI)
• 有两种模式：命令行模式和交互模式

Purpose HiveServer2 Beeline HiveServer1 CLI

熟悉HDP-Hive环境

1.  
   Hive Interface – 其他使用环境
2.  
    
3.  
   Hive Web Interface (As part of Apache Hive)
4.  
    
5.  
   --进入Hive cli
6.  
    
7.  
   hive -e ：执行指定的SQL语句
8.  
    
9.  
   hive -f ：执行指定的SQL脚本
10.  
     
11.  
    hive -e "show databases”
12.  
     
13.  
    echo "show databases" > demo.sql && hive -f demo.sql && rm -f demo.sql
14.  
     
15.  
    --进入hive beeline
16.  
     
17.  
    hive --service hiveserver2 开启服务
18.  
     
19.  
    beeline -u jdbc:hive2://hadoop5:10000/db10 -n root -- 使用beeline连接hive

Copy to clipboardErrorCopied

Hive Interface - 其他使用环境

• Hive Web Interface(As part of Apache Hive)
• Hue(Cloudera)
• Ambari Hive View(hortonworks)
• Zeppelin - Hive
• JDBC/ODBC (ETL工具，商业智能工具，集成开发环境)

这篇好文章是转载于：学新通技术网