1、Hive入门
1.1 什么是Hive
1、Hive简介
Hive是由Facebook开源,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。
2、Hive本质
Hive是一个Hadoop客户端,用于将HQL(Hive SQL)转换为MapReduce程序。
(1)Hive每张表的数据都储存在HDFS
(2)Hive分析数据底层的实现是MapReduce(也可配置为Spark或Tez)
(3)执行程序运行在Yarn上
1.2 Hive架构原理
1、用户接口:Client
CLI(command-line Interface)、JDBC/ODBC
说明:JDBC和ODBC的区别
(1)JDBC的移植性比ODBC好;(通常情况下,安装完ODBC驱动程序之后,还需要经过确认的配置才能够应用。而不同的配置在不相同数据库服务之间不能够通用。所以,安装一次就需要配置一次。JDBC只需要选取适当的JDBC数据库驱动程序,就不需要额外的配置。在安装过程中,JDBC数据库驱动程序会自己完成有关的配置)
(2)两者使用的的语言不同,JDBC在Java编程时使用,ODBC一般在C/C++编程时使用。
2、元数据:Metastore
元数据包括:数据库(默认是default)、表名、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。
默认储存在自带的derby数据库中,由于derby数据库只支持单客户端访问,生产环境为了多人开发,推荐使用MySQL储存Metastore。
3、驱动器:Driver
(1)解析器(SQLParser):将SQL字符串转换成抽象语法树(AST)
(2)语法分析(Semantic Analyzer):将AST进一步划分成QueryBlock
(3)逻辑计划生成器(Logical Plan Gen):将语法树生成逻辑计划
(4)逻辑优化器(Logical Optimizer):对逻辑计划进行优化
(5)物理计划生成器(Physical Plan Gen):根据优化后的逻辑计划生成物理计划
(6)物理优化器(Physical Optimizer):对物理计划进行优化
(7)执行器(Execution):执行该计划,得到查询结果并返回给客户端
抽象语法树
逻辑计划与物理计划
4、Hadoop
使用HDFS进行储存,可以选择MapReduce/Tez/Spark进行计算。
2、Hive 安装
2.1 Hive安装地址
1、Hive官网地址
http://hive.apache.org/
2、文档查看地址
https://cwiki.apache.org/confluence/display/Hive/GettingStarted
3、下载地址
http://archive.apache.org/dist/hive/
4、github地址
https://github.com/apache/hive
5、hive-3.1.3
链接:https://pan.baidu.com/s/1Hcnn593Y-yRuFfGxmPg_eA
提取码:zhm6
2.2 Hive 安装部署
2.2.1 安装Hive
1、把apache-hive-3.1.3-bin.tar.gz上传到Linux的/opt/software目录下
2、解压apache-hive-3.1.3-bin.tar.gz到/opt/module/目录下面
tar -zxvf /opt/software/apache-hive-3.1.3-bin.tar.gz -C /opt/module/
3、修改apache-hive-3.1.3-bin.tar.gz的名称为hive-3.1.3
mv /opt/module/apache-hive-3.1.3-bin/ /opt/module/hive-3.1.3
4、修改/etc/profile.d/my_env.sh,添加环境变量
sudo vim /etc/profile.d/my_env.sh
(1)添加内容
#HIVE_HOME
export HIVE_HOME=/opt/module/hive
export PATH=$PATH:$HIVE_HOME/bin
(2)source一下
source /etc/profile.d/my_env.sh
5、初始化元数据库(默认是derby数据库)
bin/schematool -dbType derby -initSchema
2.2.2 启动并使用Hive
1、启动Hive
$HIVE_HOME/bin/hive
2、使用Hive
hive> show databases;
hive> show tables;
hive> create table stu(id int, name string);
hive> insert into stu values(1,"zhm");
hive> select * from stu;
观察HDFS路径/user/hive/warehouse/stu,体会Hive和Hadoop之间的关系。
Hive中的表在Hadoop中是目录;Hive的数据在Hadoop中是文件
3、在Xshell窗口中开启另一个窗口开启Hive,在/tmp/zhm目录下监控hive.log
tail -f hive.log
原因在于Hive默认使用的元数据库为derby。derby数据库的特点是同一时间只允许一个客户端访问。如果多个Hive客户端同时访问,就会报错。由于在企业开发中,都是多人协作开发,需要多客户端同时访问Hive,怎么解决呢?我们可以将Hive的元数据改为用MySQL存储,MySQL支持多客户端同时访问。
MySQL储存,MySQL支持多客户端同时访问
4、首先退出HIve客户端。然后在Hive的安装目录下将derby.log和metastore_db删除,顺便将HDFS上目录删除。
hive> quit;
rm -rf derby.log metastore_db
hadoop fs -rm -r /user
5、删除HDFS中/user/hive/warehouse/stu中数据
2.3 MySQL安装
2.3.1 安装MySQL
0、资料获取
链接:https://pan.baidu.com/s/1Hcnn593Y-yRuFfGxmPg_eA
提取码:zhm6
1、上传MySQL安装包以及MySQL驱动包
mysql-5.7.28-1.el7.x86_64.rpm-bundle.tar
mysql-connector-java-5.1.37.jar
2、解压MySQL安装包
mkdir mysql_lib
tar -xf mysql-5.7.28-1.el7.x86_64.rpm-bundle.tar -C mysql_lib/
3、卸载系统自带的mariadb
sudo rpm -qa | grep mariadb | xargs sudo rpm -e --nodeps
4、安装MySQL依赖
cd mysql_lib
sudo rpm -ivh mysql-community-common-5.7.28-1.el7.x86_64.rpm
sudo rpm -ivh mysql-community-libs-5.7.28-1.el7.x86_64.rpm
sudo rpm -ivh mysql-community-libs-compat-5.7.28-1.el7.x86_64.rpm
5、安装MySQL-client
sudo rpm -ivh mysql-community-client-5.7.28-1.el7.x86_64.rpm
6、安装MySQL-server
sudo rpm -ivh mysql-community-server-5.7.28-1.el7.x86_64.rpm
7、启动MySQL
sudo systemctl start mysqld
8、查看MySQL密码
sudo cat /var/log/mysqld.log | grep password
2.3.2 配置MySQL
配置主要是root用户+密码,在任何主机上都能登录MySQL数据库。
1、用刚刚查到的密码进入MySQL(如果报错,给密码加单引号)
mysql -uroot -p'password'
2、设置复杂密码(由于MySQL密码策略,此密码必须足够复杂)
mysql> set password=password("Qs23=zs32");
3、更改MySQL密码策略
mysql> set global validate_password_policy=0;
mysql> set global validate_password_length=4;
4、设置简单好记的密码
mysql> set password=password("123456");
5、进入MySQL库
mysql> use mysql
6、查询user表
mysql> select user, host from user;
7、修改user表,把Host表内容修改为%
mysql> update user set host="%" where user="root";
8、刷新
mysql> flush privileges;
9、退出
mysql> quit;
2.3.3 卸载MySQL说明
若因为安装失败或者其他原因,MySQL需要卸载重装,可以参考一下内容
1、清空原有数据
(1)通过/etc/my.cnf查看MySQL数据的存储位置
(2)去往/var/lib/mysql路径需要root权限
2、卸载卸载MySQL相关包
(1)查看安装过的MySQL相关包
sudo rpm -qa | grep -i -E mysql
(2)一键卸载命令
rpm -qa | grep -i -E mysql\|mariadb | xargs -n1 sudo rpm -e --nodeps
2.4 配置Hive元数据储存到MySQL
2.4.1 配置元数据到MySQL
1、新建Hive元数据库
#登录MySQL
mysql -uroot -p123456
#创建Hive元数据库
mysql> create database metastore;
mysql> quit;
2、将MySQL的JDBC驱动拷贝到Hive的lib目录下。
cp /opt/software/mysql-connector-java-5.1.37.jar $HIVE_HOME/lib
3、在$HIVE_HOME/cong目录下新建hive-site.xml文件
vim $HIVE_HOME/conf/hive-site.xml
添加如下内容:
<?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://hadoop102:3306/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>
</configuration>
4、初始化Hive元数据库(修改为采用MySQL存储元数据)
bin/schematool -dbType mysql -initSchema -verbose
2.4.2 验证元数据是否配置成功
1、再次启动Hive
$HIVE_HOME/bin/hive
2、使用Hive
hive> show databases;
hive> show tables;
hive> create table stu(id int, name string);
hive> insert into stu values(1,"zhm");
hive> select * from stu;
3、在Xshell窗口中开启另一个窗口开启Hive(两个窗口都可以操作Hive,没有出现异常)
hive> show databases;
hive> show tables;
hive> select * from stu;
2.4.3 查看MySQL元数据
1、登录MySQL
mysql -uroot -p123456
2、查看元数据库metastore
mysql> show databases;
mysql> use metastore;
mysql> show tables;
(1)查看元数据库中存储的库信息
(2)查看元数据中储存的表信息
(3)查看元数据中储存的表中列相关信息
2.5 Hive服务部署
2.5.1 hiveserver2 服务
HIve的hiveserver2服务的作用是提供jdbc/odbc接口,为用户 提供远程访问Hive数据的功能,例如用户期望在个人电脑中访问远程服务中的Hive数据,就需要用到Hiveserver2。
1、用户说明
在远程访问Hive数据时,客户端并未直接访问Hadoop集群,而是由Hivesever2代理访问。由于Hadoop集群中的数据具备访问权限控制,所以此时需考虑一个问题:那就是访问Hadoop集群的用户身份是谁?是Hiveserver2的启动用户?还是客户端的登录用户?
答案是都有可能,具体是谁,由Hiveserver2的hive.server2.enable.doAs参数决定,该参数的含义是是否启用Hiveserver2用户模拟的功能。若启用,则Hiveserver2会模拟成客户端的登录用户去访问Hadoop集群的数据,不启用,则Hivesever2会直接使用启动用户访问Hadoop集群数据。模拟用户的功能,默认是开启的。
具体逻辑如下:
未开启用户模拟功能:
开启用户模拟功能:
生产环境,推荐开启用户模拟功能,因为开启后才能保证各用户之间的权限隔离。
2、hiveserver2部署
(1)Hadoop端配置
hiveserver2的模拟用户功能,依赖与hadoop提供的proxy user(代理用户功能),只有hadoop中的代理用户才能模拟其他用户的身份访问hadoop集群。因此,需要将hiveserver2的启动用户设置为hadoop的代理用户,配置方式如下:
修改配置文件core-site.xml,然后记得分发三台机器
增加如下配置:
<!--配置所有节点的zhm用户都可作为代理用户-->
<property>
<name>hadoop.proxyuser.zhm.hosts</name>
<value>*</value>
</property>
<!--配置zhm用户能够代理的用户组为任意组-->
<property>
<name>hadoop.proxyuser.zhm.groups</name>
<value>*</value>
</property>
<!--配置zhm用户能够代理的用户为任意用户-->
<property>
<name>hadoop.proxyuser.zhm.users</name>
<value>*</value>
</property>
(2)Hive端配置
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>hadoop102</value>
</property>
<!-- 指定hiveserver2连接的端口号 -->
<property>
<name>hive.server2.thrift.port</name>
<value>10000</value>
</property>
3、测试
(1)启动hiveserver2
bin/hive --service hiveserver2
(2)使用命令客户端beeline进行远程访问
启动beeline客户端
bin/beeline -u jdbc:hive2://hadoop102:10000 -n zhm
看到如下界面
Connecting to jdbc:hive2://hadoop102:10000
Connected to: Apache Hive (version 3.1.3)
Driver: Hive JDBC (version 3.1.3)
Transaction isolation: TRANSACTION_REPEATABLE_READ
Beeline version 3.1.3 by Apache Hive
0: jdbc:hive2://hadoop102:10000>
(3)配置DataGrip图形化客户端进行远程访问
4、配置DataGrip连接
(1)创建连接
(2)配置连接属性
所有属性配置,和Hive的beeline客户端配置一致即可。初次使用,配置过程会提示缺少JDBC驱动,按照提示下载即可。
(3)界面介绍
2.5.2 metastore服务
Hive的metastore服务的作用是位Hive CLI或者Hiveserver2提供元数据访问接口。
1、metastore运行模式
metastore有两种运行模式,分别为嵌入式模式和独立服务模式。下面分别对两种模式进行说明:
(1)嵌入式模式
(2)独立服务模式
生产模式下,不推荐使用嵌入模式。因为其存在以下两个问题:
(1)嵌入式模式下,每个Hive CLI都需要直接连接元数据库,当Hive CLI较多时,数据库压力会比较大。
(2)每个客户端都需要用户元数据库的读写权限,元数据库的安全得不到很好的保证。
2、metastore部署
(1)嵌入式模式
嵌入式模式下,只需保证Hiveserver2和每个Hive CLI的配置文件hive-site.xml中包含连接元数据库所需要的以下参数即可:
<!-- jdbc连接的URL -->
<property>
<name>javax.jdo.option.ConnectionURL</name>
<value>jdbc:mysql://hadoop102:3306/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>
(2)独立服务模式
独立服务模式需做以下配置:
首先,保证metastore服务的配置文件hive-site.xml中包含连接元数据库所需的以下参数:
<!-- jdbc连接的URL -->
<property>
<name>javax.jdo.option.ConnectionURL</name>
<value>jdbc:mysql://hadoop102:3306/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>
其次,保证Hiveserver2和每个Hive CLI的配置文件hive-site.xml中包含访问metastore服务所需的以下参数:
<!-- 指定metastore服务的地址 -->
<property>
<name>hive.metastore.uris</name>
<value>thrift://hadoop102:9083</value>
</property>
注意:主机名需要改为metastore服务所在节点,端口号无需修改,metastore服务的默认端口就是9083。
3、测试
此时启动Hive CLI,执行shou databases语句,会出现一下错误提示信息:
这是因为我们在Hive CLI的配置文件中配置了hive.metastore.uris参数,此时Hive CLI会去请求我们执行的metastore服务地址,所以必须启动metastore服务才能正常使用。
metastore服务的启动命令如下:
hive --service metastore
2.5.3 编写Hive服务启动脚本
1、前台启动的方式导致需要打开多个Xshell窗口,可以使用如下方式后台方式启动
(1)nohup:放在命令开头,表示不挂起,也就是关闭终端进程也继续保持运行状态。
(2)/dev/null:是Linux文件系统中的一个文件,被称为黑洞,所有写入该文件的内容都会被自动丢弃。
(3)2>&1:表示将错误重定向到标准输出上
(4)&:放在命令结尾,表示后台运行
一般会组合使用:nohup [xxx命令操作]> file 2>&1 &,表示将xxx命令运行的结果输出到file中,并保持命令启动的进程在后台运行。
2、为了方便使用,可以直接编写脚本来管理服务的启动和关闭。
vim $HIVE_HOME/bin/hiveservices.sh
填入以下内容
#!/bin/bash
HIVE_LOG_DIR=$HIVE_HOME/logs
if [ ! -d $HIVE_LOG_DIR ]
then
mkdir -p $HIVE_LOG_DIR
fi
#检查进程是否运行正常,参数1为进程名,参数2为进程端口
function check_process()
{
pid=$(ps -ef 2>/dev/null | grep -v grep | grep -i $1 | awk '{print $2}')
ppid=$(netstat -nltp 2>/dev/null | grep $2 | awk '{print $7}' | cut -d '/' -f 1)
echo $pid
[[ "$pid" =~ "$ppid" ]] && [ "$ppid" ] && return 0 || return 1
}
function hive_start()
{
metapid=$(check_process HiveMetastore 9083)
cmd="nohup hive --service metastore >$HIVE_LOG_DIR/metastore.log 2>&1 &"
[ -z "$metapid" ] && eval $cmd || echo "Metastroe服务已启动"
server2pid=$(check_process HiveServer2 10000)
cmd="nohup hive --service hiveserver2 >$HIVE_LOG_DIR/hiveServer2.log 2>&1 &"
[ -z "$server2pid" ] && eval $cmd || echo "HiveServer2服务已启动"
}
function hive_stop()
{
metapid=$(check_process HiveMetastore 9083)
[ "$metapid" ] && kill $metapid || echo "Metastore服务未启动"
server2pid=$(check_process HiveServer2 10000)
[ "$server2pid" ] && kill $server2pid || echo "HiveServer2服务未启动"
}
case $1 in
"start")
hive_start
;;
"stop")
hive_stop
;;
"restart")
hive_stop
sleep 2
hive_start
;;
"status")
check_process HiveMetastore 9083 >/dev/null && echo "Metastore服务运行正常" || echo "Metastore服务运行异常"
check_process HiveServer2 10000 >/dev/null && echo "HiveServer2服务运行正常" || echo "HiveServer2服务运行异常"
;;
*)
echo Invalid Args!
echo 'Usage: '$(basename $0)' start|stop|restart|status'
;;
esac
3、添加执行权限
chmod +x $HIVE_HOME/bin/hiveservices.sh
4、启动Hive后台服务
hiveservices.sh start
2.6 Hive使用技巧
2.6.1 Hive常用交互命令
bin/hive -help
1、“-e”不进入hive的交互窗口执行hql语句
bin/hive -e "select id from student;"
2、“-f”执行脚本中的hql语句
bin/hive -f /opt/module/hive/datas/hivef.sql
3、执行文件中的hql语句并将结果写入文件中
bin/hive -f /opt/module/hive/datas/hivef.sql > /opt/module/hive/datas/hive_result.txt
2.6.2 Hive参数配置方式
1、查看当前所以配置信息
hive>set;
2、参数的配置三种方式
(1)配置文件方式
- 默认配置文件:hive-default.xml
- 用户自定义配置文件:hive-site.xml
注意:用户自定义配置会覆盖默认配置。另外,Hive也会读入Hadoop的配置,因为Hive是作为Hadoop的客户端启动的,Hive的配置会覆盖Hadoop的配置。配置文件的设定对本机启动的所有Hive进程都有效。
(2)命令行参数
①启动Hive时,可以在命令行添加-hiveconf param=value来设定参数。例如:
bin/hive -hiveconf mapreduce.job.reduces=10;
#注意:仅对本次Hive启动有效
查看参数设置
hive (default)> set mapreduce.job.reduces;
(3)参数声明方式
可以在HQL中使用SET关键字设定参数,例如:
#注意:仅对本次Hive启动有效
hive(default)> set mapreduce.job.reduces=10;
上述三种设定方式的优先级依次递增。即配置文件 < 命令行参数 < 参数声明。注意某些系统级的参数,例如log4j相关的设定,必须用前两种方式设定,因为那些参数的读取在会话建立以前已经完成了。
2.6.3 Hive常见属性配置
1、Hive客户端显示当前库和表头
(1)在hive-site.xml中加入如下两个配置:
<property>
<name>hive.cli.print.header</name>
<value>true</value>
<description>Whether to print the names of the columns in query output.</description>
</property>
<property>
<name>hive.cli.print.current.db</name>
<value>true</value>
<description>Whether to include the current database in the Hive prompt.</description>
</property>
2、Hive运行日志路径配置
(1)Hive的log默认存放在/tmp/zhm/hive.log目录下(当前用户名下)
(2)修改Hive的log存放日志到/opt/module/hive/logs
- 修改$HIVE_HOME/conf/hive-log4j2.properties.template文件名称为hive-log4j2.properties
- 在hive-log4j2.properties文件中修改log存放位置
- 修改配置:property.hive.log.dir=/opt/module/hive/logs
3、Hive的JVM堆内存设置
新版本的Hive启动的时候,默认申请的JVM堆内存大小为256M,JVM堆内存申请的太小,导致后期开启本地模式,执行复杂的SQL时经常会报错:java.lang.OutOfMemoryError: Java heap space,因此最好提前调整一下HADOOP_HEAPSIZE这个参数。
(1)修改$HIVE_HOME/conf下的hive-env.sh.template为hive-env.sh
(2)将hive-env.sh其中的参数 export HADOOP_HEAPSIZE修改为2048,重启Hive
4、关闭Hadoop虚拟内存检查
在yarn-site.xml中关闭虚拟内存检查(虚拟内存校验,如果已经关闭了,就不需要配了)。
(1)yarn-site.xml添加如下配置
<property>
<name>yarn.nodemanager.vmem-check-enabled</name>
<value>false</value>
</property>
(2)修改完后记得分发yarn-site.xml,并重启yarn。