基于Hadoop的大數(shù)據(jù)的計算/擴(kuò)展能力

支持SQL like查詢語言

統(tǒng)一的元數(shù)據(jù)管理

簡單編程

?用戶接口，包括 CLI，JDBC/ODBC，WebUI

?元數(shù)據(jù)存儲，通常是存儲在關(guān)系數(shù)據(jù)庫如 mysql, derby 中

?解釋器、編譯器、優(yōu)化器、執(zhí)行器

?Hadoop：用 HDFS 進(jìn)行存儲，利用 MapReduce 進(jìn)行計算

用戶接口主要有三個：CLI，JDBC/ODBC和 WebUI

.CLI，即Shell命令行

.JDBC/ODBC是 Hive 的Java，與使用傳統(tǒng)數(shù)據(jù)庫JDBC的方式類似

.WebGUI是通過瀏覽器訪問 Hive

Hive 將元數(shù)據(jù)存儲在數(shù)據(jù)庫中(metastore)，目前只支持mysql、derby。Hive 中的元數(shù)據(jù)包括表的名字，表的列和分區(qū)及其屬性，表的屬性（是否為外部表等），表的數(shù)據(jù)所在目錄等

解釋器、編譯器、優(yōu)化器完成 HQL 查詢語句從詞法分析、語法分析、編譯、優(yōu)化以及查詢計劃（plan）的生成。生成的查詢計劃存儲在HDFS 中，并在隨后有 MapReduce 調(diào)用執(zhí)行

Hive 的數(shù)據(jù)存儲在 HDFS 中，大部分的查詢由 MapReduce 完成（包含 * 的查詢，比如 select * from table 不會生成 MapRedcue 任務(wù)）

metastore是hive元數(shù)據(jù)的集中存放地。metastore默認(rèn)使用內(nèi)嵌的derby數(shù)據(jù)庫作為存儲引擎

Derby引擎的缺點：一次只能打開一個會話

使用Mysql作為外置存儲引擎，多用戶同時訪問 

1、hive 命令行模式，直接輸入#/hive/bin/hive的執(zhí)行程序，或者輸入#hive --service cli

2、 hive web界面的 (端口號9999) 啟動方式

#hive --service hwi&

用于通過瀏覽器來訪問hive

http://hadoop0:9999/hwi/

3、 hive 遠(yuǎn)程服務(wù) (端口號10000) 啟動方式

#hive --service hiveserver&

查詢語言

HiveQL

SQL

數(shù)據(jù)存儲位置

HDFS

Raw  Device or 本地FS

數(shù)據(jù)格式

用戶定義

系統(tǒng)決定

數(shù)據(jù)更新

不支持

支持

索引

新版本有，但弱

有

執(zhí)行

MapReduce

Executor

執(zhí)行延遲

高

低

可擴(kuò)展性

高

低

數(shù)據(jù)規(guī)模

大

小

Hive的數(shù)據(jù)存儲基于Hadoop HDFS

Hive沒有專門的數(shù)據(jù)存儲格式

存儲結(jié)構(gòu)主要包括：數(shù)據(jù)庫、文件、表、視圖

Hive默認(rèn)可以直接加載文本文件（TextFile），還支持sequence file

創(chuàng)建表時，指定Hive數(shù)據(jù)的列分隔符與行分隔符，Hive即可解析數(shù)據(jù)

與數(shù)據(jù)庫中的 Table 在概念上是類似

每一個 Table 在 Hive 中都有一個相應(yīng)的目錄存儲數(shù)據(jù)。例如，一個表test，它在 HDFS 中的路徑為：/ warehouse/test。 warehouse是在hive-site.xml 中由 ${hive.metastore.warehouse.dir} 

指定的數(shù)據(jù)倉庫的目錄
 

所有的 Table 數(shù)據(jù)（不包括 External Table）都保存在這個目錄中。
 

刪除表時，元數(shù)據(jù)與數(shù)據(jù)都會被刪除
 

Partition 對應(yīng)于數(shù)據(jù)庫的 Partition 列的密集索引

在 Hive 中，表中的一個 Partition 對應(yīng)于表下的一個目錄，所有的 Partition 的數(shù)據(jù)都存儲在對應(yīng)的目錄中

例如：test表中包含 date 和 city 兩個 Partition，

?則對應(yīng)于date=20130201, city = bj 的HDFS 子目錄?：

/warehouse/test/date=20130201/city=bj

?對應(yīng)于date=20130202, city=sh 的HDFS 子目錄為；?

/warehouse/test/date=20130202/city=sh

CREATE TABLE tmp_table #表名

(

title   string, #字段名稱 字段類型

minimum_bid     double,

quantity        bigint,

have_invoice    bigint

)COMMENT'注釋：XXX' #表注釋

 PARTITIONED BY(ptSTRING) #分區(qū)表字段（如果你文件非常之大的話，采用分區(qū)表可以快過濾出按分區(qū)字段劃分的數(shù)據(jù)）

 ROW FORMAT DELIMITED

   FIELDSTERMINATED BY '\001'   # 字段是用什么分割開的

STOREDAS SEQUENCEFILE; #用哪種方式存儲數(shù)據(jù)，SEQUENCEFILE是hadoop自帶的文件壓縮格式

一些相關(guān)命令

SHOW TABLES; #查看所有的表

SHOW TABLES '*TMP*'; #支持模糊查詢

SHOWPARTITIONS TMP_TABLE; #查看表有哪些分區(qū)

DESCRIBE TMP_TABLE; #查看表結(jié)構(gòu)

創(chuàng)建數(shù)據(jù)文件partition_table.dat

創(chuàng)建表

create table partition_table(rectime string,msisDNString) partitioned by(daytime string,citystring) row format delimited fields terminated by '\t' stored as TEXTFILE;

加載數(shù)據(jù)到分區(qū)

load data local inpath'/home/partition_table.dat' into table partition_tablepartition (daytime='2013-02-01',city='bj');

查看數(shù)據(jù)

select * from partition_table

select count(*) from partition_table

刪除表 drop table partition_table

桶表是對數(shù)據(jù)進(jìn)行哈希取值，然后放到不同文件中存儲。

創(chuàng)建表create table bucket_table(id string) clustered by(id) into 4 buckets; 加載數(shù)據(jù)set hive.enforce.bucketing = true;

insert into table bucket_table select name from stu; 

insert overwrite table bucket_table select name from stu;

數(shù)據(jù)加載到桶表時，會對字段取hash值，然后與桶的數(shù)量取模。把數(shù)據(jù)放到對應(yīng)的文件中。

抽樣查詢

select * from bucket_table tablesample(bucket 1 out of 4 on id);

指向已經(jīng)在 HDFS 中存在的數(shù)據(jù)，可以創(chuàng)建 Partition

它和 內(nèi)部表 在元數(shù)據(jù)的組織上是相同的，而實際數(shù)據(jù)的存儲則有較大的差異

內(nèi)部表 的創(chuàng)建過程和數(shù)據(jù)加載過程（這兩個過程可以在同一個語句中完成），在加載數(shù)據(jù)的過程中，實際數(shù)據(jù)會被移動到數(shù)據(jù)

倉庫目錄中；之后對數(shù)據(jù)對訪問將會直接在數(shù)據(jù)倉庫目錄中完成。刪除表時，表中的數(shù)據(jù)和元數(shù)據(jù)將會被同時刪除

外部表只有一個過程，加載數(shù)據(jù)和創(chuàng)建表同時完成，并不會移動到數(shù)據(jù)倉庫目錄中,只是與外部數(shù)據(jù)建立一個鏈接。當(dāng)刪除一個外部表時，僅刪除鏈接

CREATEEXTERNAL TABLE page_view


( viewTimeINT,

  useridBIGINT,

  page_urlSTRING,  

  referrer_urlSTRING,  

  ipSTRING COMMENT 'IP Address of the User',

  country STRING COMMENT 'country of origination‘

)
   
    COMMENT 'This is the staging page view table'


    ROW FORMAT DELIMITED FIELDSTERMINATED BY '44' LINES   TERMINATED BY '12'

    STORED ASTEXTFILE

    LOCATION 'hdfs://centos:9000/user/data/staging/page_view';

創(chuàng)建數(shù)據(jù)文件external_table.dat

創(chuàng)建表

hive>create external table external_table1 (key string) ROW FORM   AT  DELIMITED FIELDS TERMINATED BY '\t' location '/home/external';

在HDFS創(chuàng)建目錄/home/external

#hadoop fs -put /home/external_table.dat /home/external

加載數(shù)據(jù)

LOAD DATA INPATH '/home/external_table1.dat' INTO TABLE external_table1;

查看數(shù)據(jù)

select * from external_table

select count(*) from external_table

刪除表
 

drop table external_table

?當(dāng)數(shù)據(jù)被加載至表中時，不會對數(shù)據(jù)進(jìn)行任何轉(zhuǎn)換。Load 操作只是將數(shù)據(jù)復(fù)制/移動至 Hive 表對應(yīng)的位置。

 LOAD DATA [LOCAL] INPATH 'filepath' [OVERWRITE]
    INTO TABLE tablename
    [PARTITION (partcol1=val1, partcol2=val2 ...)]

?把一個Hive表導(dǎo)入到另一個已建Hive表

 INSERT OVERWRITE TABLE tablename[PARTITION (partcol1=val1, partcol2=val2 ...)] select_statementFROM from_statement

?CTAS

CREATE [EXTERNAL] TABLE [IF NOT EXISTS] table_name

  (col_namedata_type, ...)  …

  AS SELECT …

?基于Partition的查詢 

一般 SELECT查詢是全表掃描。但如果是分區(qū)表，查詢就可以利用分區(qū)剪枝（input pruning）的特性，類似“分區(qū)索引“”，只掃描一個表中它關(guān)心的那一部分。Hive當(dāng)前的實現(xiàn)是，只有分區(qū)斷言（Partitioned by）出現(xiàn)在離FROM子句最近的那個WHERE子句中，才會啟用分區(qū)剪枝。例如，如果page_views表（按天分區(qū)）使用date列分區(qū)，以下語句只會讀取分區(qū)為‘2008-03-01’的數(shù)據(jù)。

 SELECT page_views.*    FROM page_views    WHERE page_views.date>= '2013-03-01' AND page_views.date<= '2013-03-01'

?LIMIT Clause

Limit可以限制查詢的記錄數(shù)。查詢的結(jié)果是隨機(jī)選擇的。下面的查詢語句從t1表中隨機(jī)查詢5條記錄：

SELECT * FROM t1 LIMIT 5

?Top N查詢

下面的查詢語句查詢銷售記錄最大的5個銷售代表。

SETmapred.reduce.tasks= 1
SELECT * FROM sales SORT BY amount DESC LIMIT 5

導(dǎo)入ac信息表

hive> create table acinfo(name string,acipstring)  row format delimited fields terminated by '\t' stored as TEXTFILE;

hive> load data local inpath'/home/acinfo/ac.dat' into table acinfo;

內(nèi)連接

select b.name,a.* from dim_aca join acinfo b on (a.ac=b.acip) limit 10;

左外連接

select b.name,a.* from dim_ac a left outer join acinfo b on a.ac=b.acip limit 10;

1、UDF函數(shù)可以直接應(yīng)用于select語句，對查詢結(jié)構(gòu)做格式化處理后，再輸出內(nèi)容。

2、編寫UDF函數(shù)的時候需要注意一下幾點：

a）自定義UDF需要繼承org.apache.hadoop.hive.ql.UDF。

b）需要實現(xiàn)evaluate函數(shù)，evaluate函數(shù)支持重載。

4、步驟

a）把程序打包放到目標(biāo)機(jī)器上去；

b）進(jìn)入hive客戶端，添加jar包：hive>add jar /run/jar/udf_test.jar;

c）創(chuàng)建臨時函數(shù)：hive>CREATE TEMPORARY FUNCTION add_example AS 'hive.udf.Add';

d）查詢HQL語句：

SELECT add_example(8, 9) FROM scores;

SELECT add_example(scores.math, scores.art) FROM scores;

SELECT add_example(6, 7, 8, 6.8) FROM scores;

e）銷毀臨時函數(shù)：hive> DROP TEMPORARY FUNCTION add_example;

注：UDF只能實現(xiàn)一進(jìn)一出的操作，如果需要實現(xiàn)多進(jìn)一出，則需要實現(xiàn)UDAF