内容简介:Hive最初由Facebook开发,最后贡献给Apache基金会,最后成为了Apache的顶级项目。Hadoop的出现虽然解决了海量数据的存储,并且提供了MR计算框架。但MR的使用门槛还是比较高,所以Facebook便开发了Hive,底层依旧使用HDFS存储数据,但操作数据却不用自己写MR程序,而是使用类似SQL的语法操作数据(在Hive里面称为HQL),后台自动转换为MapReduce,极大的降低了用户的使用难度。一句话概括就是:Hadoop提供了海量数据的存储、计算方案,而Hive使得该方案实施起来更
Hive最初由Facebook开发,最后贡献给Apache基金会,最后成为了Apache的顶级项目。Hadoop的出现虽然解决了海量数据的存储,并且提供了MR计算框架。但MR的使用门槛还是比较高,所以Facebook便开发了Hive,底层依旧使用HDFS存储数据,但操作数据却不用自己写MR程序,而是使用类似 SQL 的语法操作数据(在Hive里面称为HQL),后台自动转换为MapReduce,极大的降低了用户的使用难度。一句话概括就是:Hadoop提供了海量数据的存储、计算方案,而Hive使得该方案实施起来更加方便。
官方对于Hive的介绍如下:
The Apache Hive™ data warehouse software facilitates reading, writing, and managing large datasets residing in distributed storage and queried using SQL syntax.
对于Hive的总体介绍先到这里,我们先安装使用一下。
安装使用
Hive的安装也比较简单,和Hadoop那些类似,这里简单介绍一下步骤(本文使用的是Hive 2.3.3版本):
- 确保Hadoop已经正确安装,如果还没有,可参考我之前的文章《 大数据系列一——Hadoop安装部署 》。
-
下载二进制安装包并解压,然后设置
HIVE_HOME
和PATH
环境变量:export HIVE_HOME=$HOME/software/apache-hive-2.3.3-bin export PATH=$HIVE_HOME/bin:$PATH
-
在HDFS上面创建Hive需要的目录并设置权限:
$HADOOP_HOME/bin/hadoop fs -mkdir /tmp $HADOOP_HOME/bin/hadoop fs -mkdir /user/hive/warehouse $HADOOP_HOME/bin/hadoop fs -chmod g+w /tmp $HADOOP_HOME/bin/hadoop fs -chmod g+w /user/hive/warehouse
-
初始化Hive的Metastore:
$HIVE_HOME/bin/schematool -dbType derby -initSchema
-
为了后面能正常使用Hive自带的beeline,需要在$HADOOP_HOME/etc/hadoop/core-site.xml中增加如下设置(将里面的 allan 改为你自己的用户名):
<property> <name>hadoop.proxyuser.allan.groups</name> <value>*</value> </property> <property> <name>hadoop.proxyuser.allan.hosts</name> <value>*</value> </property>
同时,为了避免用户权限问题,在$HADOOP_HOME/etc/hadoop/hdfs-site.xml中关闭HDFS的权限校验:
<property> <name>dfs.permissions.enabled</name> <value>false</value> </property>
至此,一个最简单的Hive就安装完成了,我们可以通过Hive提供的CLI(Command Line Interface)访问Hive。Hive目前提供了两个CLI:HiveCLI(对应 hive
命令)和Beeline(对应 beeline
命令),前者现在已经废弃,不推荐使用;现在推荐使用Beeline。所以本文也就只介绍Beeline了。使用Beeline需要先启动 HiveServer2
(( 确保HDFS正常运行
)):
$HIVE_HOME/bin/hiveserver2`。
默认HiveServer2监听端口为10000,我们使用Beeline连接Hive:
cd $HIVE_HOME bin/beeline -u jdbc:hive2://localhost:10000
连接成功之后,我们可以执行一些HQL来感受一下Hive,后面部分再继续介绍涉及到的概念:
# 创建pokes表 0: jdbc:hive2://localhost:10000> CREATE TABLE pokes (foo INT, bar STRING); No rows affected (0.412 seconds) 0: jdbc:hive2://localhost:10000> desc pokes; +-----------+------------+----------+ | col_name | data_type | comment | +-----------+------------+----------+ | foo | int | | | bar | string | | +-----------+------------+----------+ 2 rows selected (0.195 seconds) # 创建invites表,该表有一个分区 0: jdbc:hive2://localhost:10000> CREATE TABLE invites (foo INT, bar STRING) PARTITIONED BY (ds STRING); No rows affected (0.158 seconds) 0: jdbc:hive2://localhost:10000> desc invites; +--------------------------+-----------------------+-----------------------+ | col_name | data_type | comment | +--------------------------+-----------------------+-----------------------+ | foo | int | | | bar | string | | | ds | string | | | | NULL | NULL | | # Partition Information | NULL | NULL | | # col_name | data_type | comment | | | NULL | NULL | | ds | string | | +--------------------------+-----------------------+-----------------------+ 8 rows selected (0.234 seconds) # 往pokes表里面导入数据 0: jdbc:hive2://localhost:10000> LOAD DATA LOCAL INPATH './examples/files/kv1.txt' OVERWRITE INTO TABLE pokes; No rows affected (1.016 seconds) # 查看数据 0: jdbc:hive2://localhost:10000> select * from pokes limit 5; +------------+------------+ | pokes.foo | pokes.bar | +------------+------------+ | 238 | val_238 | | 86 | val_86 | | 311 | val_311 | | 27 | val_27 | | 165 | val_165 | +------------+------------+ 5 rows selected (3.1 seconds) # 往invites表里面导入数据,并指定分区 0: jdbc:hive2://localhost:10000> LOAD DATA LOCAL INPATH './examples/files/kv2.txt' OVERWRITE INTO TABLE invites PARTITION (ds='2008-08-15'); No rows affected (0.619 seconds) 0: jdbc:hive2://localhost:10000> LOAD DATA LOCAL INPATH './examples/files/kv3.txt' OVERWRITE INTO TABLE invites PARTITION (ds='2008-08-08'); No rows affected (0.619 seconds) 0: jdbc:hive2://localhost:10000> select * from invites limit 5; +--------------+--------------+-------------+ | invites.foo | invites.bar | invites.ds | +--------------+--------------+-------------+ | 238 | val_238 | 2008-08-08 | | NULL | | 2008-08-08 | | 311 | val_311 | 2008-08-08 | | NULL | val_27 | 2008-08-08 | | NULL | val_165 | 2008-08-08 | +--------------+--------------+-------------+ 5 rows selected (0.362 seconds) # 创建新db 0: jdbc:hive2://localhost:10000> create database new_db; No rows affected (0.547 seconds) 0: jdbc:hive2://localhost:10000> use new_db; No rows affected (0.192 seconds) 0: jdbc:hive2://localhost:10000> CREATE TABLE pokes1 (foo INT, bar STRING); No rows affected (0.216 seconds) 0: jdbc:hive2://localhost:10000> LOAD DATA LOCAL INPATH './examples/files/kv1.txt' OVERWRITE INTO TABLE pokes1; No rows affected (0.524 seconds)
可以看到HQL和SQL非常的类似,本文的重点不是介绍HQL,所以这里就先不细述了,有兴趣的请移步 LanguageManual .
数据模型
上一节我们看到Hive与传统的RDBMS非常的像,在Hive的数据模型里面主要包含如下一些概念:
-
数据库(Database):和RDBMS里面的数据库、HBase里面的Namespace作用类似,主要用来做资源隔离,避免一些名字冲突。同时也可以用来做权限管理。Hive里面内置了一个默认的数据库叫
default
。 - 表(Tables):和RDBMS里面的表类似,用于存放格式一样的数据。
-
分区(Partitions):每个表可以有多个分区列,用于决定数据如何存储,以及提高查询效率。分区列是一个虚拟列,并不是表中的某一列。实际使用中最常用的是使用时间列,比如上面的
invites
表中有一个分区列ds
,里面存储的是时间,这样当我们根据时间查询的时候,就可以只查询某些分区。需要注意的是: 分区列名为2008-08-08并不代表里面所有的数据都是这一天的,这个要应用程序自己去保证 。 - 桶(Buckets):有时也称作Clusters。对于每个分区里面的数据,我们可以根据哈希函数或者表中的某一列数据再分桶。
注意:分区和桶都是可选的,一个表可以没有分区和桶。
前面提到过,Hive的数据是存储在HDFS上的(存储目录由 hive.metastore.warehouse.dir
指定,默认值为 /user/hive/warehouse
),所以不同于RDBMS,Hive数据模型中的这些概念对应到后台实质就是一些目录(bucket可能是文件)。比如,我们看一下上一节中我们建的数据库、表以及数据是如何存储的:
➜ hadoop fs -ls -R /user/hive/warehouse drwxrwxr-x - anonymous supergroup 0 2018-09-12 14:58 /user/hive/warehouse/invites drwxrwxr-x - anonymous supergroup 0 2018-09-12 14:58 /user/hive/warehouse/invites/ds=2008-08-08 -rwxrwxr-x 1 anonymous supergroup 216 2018-09-12 14:58 /user/hive/warehouse/invites/ds=2008-08-08/kv3.txt drwxrwxr-x - anonymous supergroup 0 2018-09-12 14:58 /user/hive/warehouse/invites/ds=2008-08-15 -rwxrwxr-x 1 anonymous supergroup 5791 2018-09-12 14:58 /user/hive/warehouse/invites/ds=2008-08-15/kv2.txt drwxrwxr-x - anonymous supergroup 0 2018-09-12 15:13 /user/hive/warehouse/new_db.db drwxrwxr-x - anonymous supergroup 0 2018-09-12 15:13 /user/hive/warehouse/new_db.db/pokes1 -rwxrwxr-x 1 anonymous supergroup 5812 2018-09-12 15:13 /user/hive/warehouse/new_db.db/pokes1/kv1.txt drwxrwxr-x - anonymous supergroup 0 2018-09-12 14:57 /user/hive/warehouse/pokes -rwxrwxr-x 1 anonymous supergroup 5812 2018-09-12 14:57 /user/hive/warehouse/pokes/kv1.txt
可以看到:
-
一个数据库对应一个目录,目录名格式为: 数据库名.db
,加后缀是为了和表名区分。因为内置的数据库
defalut
里面的表对应的目录和其它的数据库目录是平级的。而其它数据库里面的表则在数据库目录之下。 - 一个表名对应一个目录,目录名即表名;
- 一个分区对应一个目录,目录名即分区名,多个分区列的话就是多级目录。
- 数据以文件的方式存储在HDFS上面。
如果我们删掉数据库、表或者分区,对应的目录也会删除(外部表例外,以后再介绍)。
本文主要介绍了Hive的安装和基本使用,以及Hive的数据模型,可以说是非常粗的从“外面”介绍了一下Hive,旨在对Hive有一个直观的感受。下一篇文章会从“里面”介绍一下Hive,有兴趣的可以关注一下。
References:
以上就是本文的全部内容,希望对大家的学习有所帮助,也希望大家多多支持 码农网
猜你喜欢:本站部分资源来源于网络,本站转载出于传递更多信息之目的,版权归原作者或者来源机构所有,如转载稿涉及版权问题,请联系我们。
编程算法新手自学手册
管西京 / 机械工业 / 2012-1 / 69.80元
《编程算法新手自学手册》主要内容简介:算法是指在有限步骤内求解某一问题所使用的一组定义明确的规则。程序员都会看重数据结构和算法的作用,水平越高,就越能理解算法的重要性。算法不仅是运算工具,更是程序的灵魂。《编程算法新手自学手册》循序渐进、由浅入深地详细讲解了基于C语言算法的核心技术,并通过具体实例的实现过程演练了各个知识点的具体使用流程。全书共11章,分为4篇。1~2章是基础篇,介绍算法开发所必需......一起来看看 《编程算法新手自学手册》 这本书的介绍吧!
JS 压缩/解压工具
在线压缩/解压 JS 代码
RGB CMYK 转换工具
RGB CMYK 互转工具