hive

简介

Hive：由Facebook开源用于解决海量结构化日志的数据统计工具

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

将HQL转化成MapReduce程序

（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


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

1）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

2）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


架构原理



1）用户接口：Client

CLI（command-line interface）、JDBC/ODBC(jdbc 访问 hive)、WEBUI（浏览器访问hive）

1.1 使用元数据服务的方式访问Hive

  • 在hive-site.xml文件中添加如下配置信息

    <!-- 指定存储元数据要连接的地址 -->
<property>
	<name>hive.metastore.uris</name>
	<value>thrift://hadoop101:9083</value>
</property>

  • 启动metastore

    hive --service metastore

1.2 使用 JDBC 方式访问Hive

  • 在hive-site.xml文件中添加如下配置信息

    <!-- 指定hiveserver2连接的host -->
<property>
	<name>hive.server2.thrift.bind.host</name>
	<value>hadoop101</value>
</property>

<!-- 指定hiveserver2连接的端口号 -->
<property>
	<name>hive.server2.thrift.port</name>
	<value>10000</value>
</property>

  • 启动hiveserver2

    bin/hive --service hiveserver2

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（可支持多窗口操作）

  1. 将MySQL的JDBC驱动拷贝到Hive的lib目录下

    cp /opt/software/mysql-connector-java-5.1.48.jar $HIVE_HOME/lib

  2. 配置Metastore到MySql

    vim $HIVE_HOME/conf/hive-site.xml

    <?xml version="1.0"?>
<?xml-stylesheet type="text/xsl" href="configuration.xsl"?>
<configuration>
    <!-- jdbc连接的URL -->
    <property>
        <name>javax.jdo.option.ConnectionURL</name>
        <value>jdbc:mysql://hadoop101:3306/metastore?useSSL=false</value>
	</property>

    <!-- jdbc连接的Driver-->
    <property>
        <name>javax.jdo.option.ConnectionDriverName</name>
        <value>com.mysql.jdbc.Driver</value>
	</property>

	<!-- jdbc连接的username-->
    <property>
        <name>javax.jdo.option.ConnectionUserName</name>
        <value>root</value>
    </property>

    <!-- jdbc连接的password -->
    <property>
        <name>javax.jdo.option.ConnectionPassword</name>
        <value>123456</value>
	</property>

    <!-- Hive默认在HDFS的工作目录 -->
    <property>
        <name>hive.metastore.warehouse.dir</name>
        <value>/user/hive/warehouse</value>
    </property>
    
   <!-- Hive元数据存储的验证 -->
    <property>
        <name>hive.metastore.schema.verification</name>
        <value>false</value>
    </property>
   
    <!-- 元数据存储授权  -->
    <property>
        <name>hive.metastore.event.db.notification.api.auth</name>
        <value>false</value>
    </property>
</configuration>

  3. 初始化元数据库

    • 登陆MySQL

    • 新建Hive元数据库

    • 初始化Hive元数据库

      schematool -initSchema -dbType mysql -verbose

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

整体流程：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


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

以下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

3.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

4.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


常用交互命令

  • -e 不进入hive的交互窗口执行sql语句

  • -f 执行脚本中sql语句

  • 退出hive窗口

    在新版的hive中没区别了，在以前的版本是有的：exit: 先隐性提交数据，再退出；quit: 不提交数据，退出；

  • 在 hive cli 命令窗口中如何查看 hdfs 文件系统

    hive(default)>dfs -ls /;

  • 查看在 hive 中输入的所有历史命令

    进入到当前用户的根目录/root 或 home目录下；查看 . hivehistory 文件


常见属性配置

  1. hive窗口打印默认库和表头

    <property>
    <name>hive.cli.print.header</name>
    <value>true</value>
</property>
<property>
    <name>hive.cli.print.current.db</name>
    <value>true</value>
</property>

  2. 运行日志信息配置

    • 修改 hive/conf/hive-log4j2.properties.template文件名称为 hive-log4j2.properties
    • 在hive-log4j.properties文件中修改log存放位置

  3. 参数配置方式

    • 查看当前所有的配置信息

      hive>set;

    • 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

      bin/hive -hiveconf mapred.reduce.tasks=10;

      ​ 注意：仅对本次hive启动有效

      ​ 查看参数设置：

      hive (default)> set mapred.reduce.tasks;

      3）参数声明方式

      ​ 可以在HQL中使用SET关键字设定参数

      hive (default)> set mapred.reduce.tasks=100;

      ​ 注意：仅对本次hive启动有效

      ​ 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


相关错误

1）hiveserver2 报错 OutOfMemoryError

a. 修改 hive 目录下的 conf/hive-env.sh 文件

export HADOOP_HEAPSIZE=1024

调大 HADOOP_HEAPSIZE 堆内存的大小

b. 增加虚机内存

c. 使用物理机，加大内存

d. 优化 sql

posted @ 2022-11-17 20:24  黄一洋  阅读(15)  评论(0)    收藏  举报