大数据学习之Hive

大数据学习之Hive

第一章 Hive的基本概念

1. 什么是Hive

hive简介

  • hive是由Facebook开源用于解决海量结构化日志的数据统计工具。

  • 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 SQL 查询功能。

  • hive的本质是将 SQL 转化成 MapReduce 程序
    大数据学习之Hive

    • Hive处理的数据存储在 HDFS
    • Hive分析数据底层的实现是 MapReduce
    • 执行程序运行在 Yarn 上
2. Hive的优缺点
  • 优点
    • 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）。
    • 避免了去写MapReduce，减少开发人员的学习成本。
    • 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。
    • 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。
    • 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
    • 迭代式算法无法表达
    • 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
    • Hive 自动生成的 MapReduce 作业，通常情况下不够智能化。
    • Hive 调优比较困难（粒度较粗）。
3. Hive的架构原理

大数据学习之Hive

  1. 用户接口：Client
    CLI（命令行）、JDBC/ODBC（JDBC）、WEBUI（WEB端）

  2. 元数据：Metastore
    元数据包括：表名、表所属的数据库（默认default）、表的拥有者、列/分区字段、表的类型（是否内外部表）、表的数据库所在目录等等
    默认存储在自带的 derby 数据库中，推荐使用 MySql 存储 Metastore

  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与运行的物理计划。对于来说就是MR/Spark。

    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

4. Hive和数据库的比较
  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. 数据库更新
    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。

第二章 Hive 数据类型

1. 基本数据类型（对应 Java 类型）
Hive基本数据类型 Java数据类型 长度 例
TINYINT byte 1byte 有符号整数 20
SMALLINT short 2byte 有符号整数 20
INT int 4byte 有符号整数 20
BIGINT long 8byte 有符号整数 20
BOOLEAN boolean 布尔类型，true或者false true/false
FLOAT float 单精度浮点数 3.141592
DOUBLE double 双精度浮点数 3.141592
STRING string 字符系列，可以指定字符集；可以使用单引号或者双引号 ‘good goog study’ “day day up”
TIMESTAMP 时间类型
BINARY 字节数组

对于 Hive 的 String 类型相当于数据库的 varchar 类型，该类型是一个可变的字符串，不过它不能申明其中最多能存储多少个字符，理论上它可以存储2GB的字符数。

2. 集合数据类型
数据类型 描述 语法示例
STRUCT 和c语言中的struct类似，都可以通过“点”符号访问元素内容。例如，如果某个列的数据类型是STRUCT{first STRING, last STRING},那么第1个元素可以通过字段.first来引用。 struct <street:string, city:string>
MAP MAP是一组键-值对元组集合，使用数组表示法可以访问数据。例如，如果某个列的数据类型是MAP，其中键->值对是’first’->’John’和’last’->’Doe’，那么可以通过字段名[‘last’]获取最后一个元素 map<string,int>
ARRAY 数组是一组具有相同类型和名称的变量的集合。这些变量称为数组的元素，每个数组元素都有一个编号，编号从零开始。例如，数组值为[‘John’, ‘Doe’]，那么第2个元素可以通过数组名[1]进行引用。 array< string >

Hive有三种复杂数据类型ARRAY、MAP 和 STRUCT。ARRAY和MAP与Java中的Array和Map类似，而STRUCT与C语言中的Struct类似，它封装了一个命名字段集合，复杂数据类型允许任意层次的嵌套。

3. 类型转化

Hive的原子数据类型是可以进行隐式转换的，类似于Java的类型转换，例如某表达式使用INT类型，TINYINT会自动转换为INT类型，但是Hive不会进行反向转化，例如，某表达式使用TINYINT类型，INT不会自动转换为TINYINT类型，它会返回错误，除非使用CAST操作。

  1. 隐式类型转换规则如下
  • 任何整数类型都可以隐式转换为一个范围更广的类型，如TINYINT可以转换成 INT，INT 可以转换成 BIGINT。
  • 所有整数类型、FLOAT 和 STRING 类型都可以隐式的转换成 DOUBLE。
  • TINYINT、SMALLINT、INT 都可以转换为 FOLOAT。
  • BOOLEAN 类型不可以转换为任何其它的类型。
  1. 可以使用 CAST 操作显示进行数据类型转换
    例如CAST(‘1’ AS INT)将把字符串’1’ 转换成整数1；如果强制类型转换失败，如执行CAST(‘X’ AS INT)，表达式返回空值 NULL。

第三章 DDL 数据库定义

  1. 创建数据库
  • 创建一个数据库，数据库在HDFS上的默认存储路径是/user/hive/warehouse/*.db。
  • 避免要创建的数据库已经存在错误，增加if not exists判断 if not exists
  • 创建一个数据库，指定数据库在HDFS上存放的位置 location hdfs_path
    create database [if not exists] database_name [comment database_comment] [location hdfs_path] [with dbproperties (property_name=property_value, ...)];
  1. 查询数据库
  • 显示数据库
    show databases;(显示数据库)
    show databases like '过滤信息';（过滤显示查询的数据库）
  • 查看数据库详情
    desc database 库名;（显示数据库信息）
    desc database extended 库名;（显示数据库详细信息）
  • 切换当前数据库
    use 库名;
  1. 修改数据库
    用户可以使用ALTER DATABASE命令为某个数据库的DBPROPERTIES设置键-值对属性值，来描述这个数据库的属性信息。
    alter database 库名 set dbproperties('createtime'='20170830');
  2. 删除数据库
    drop database 库名;(删除空数据库)
    drop database if exists 库名;(删除前判断数据库是否存在)
    drop database 库名 cascade;(数据库非空，可采用cascade命令，强制删除)
  3. 创建表
    建表语法
    CREATE [EXTERNAL] TABLE [IF NOT EXISTS] table_name [(col_name data_type [COMMENT col_comment], ...)] [COMMENT table_comment] [PARTITIONED BY (col_name data_type [COMMENT col_comment], ...)] [CLUSTERED BY (col_name, col_name, ...) [SORTED BY (col_name [ASC|DESC], ...)] INTO num_buckets BUCKETS] [ROW FORMAT row_format] [STORED AS file_format] [LOCATION hdfs_path] [TBLPROPERTIES (property_name=property_value, ...)] [AS select_statement]
    字段解释：
    （1）CREATE TABLE 创建一个指定名字的表。如果相同名字的表已经存在，则抛出异常；用户可以用 IF NOT EXISTS 选项来忽略这个异常。
    （2）EXTERNAL关键字可以让用户创建一个外部表，在建表的同时可以指定一个指向实际数据的路径（LOCATION），在删除表的时候，内部表的元数据和数据会被一起删除，而外部表只删除元数据，不删除数据。
    （3）COMMENT：为表和列添加注释。
    （4）PARTITIONED BY创建分区表
    （5）CLUSTERED BY创建分桶表
    （6）SORTED BY不常用，对桶中的一个或多个列另外排序
    （7）ROW FORMAT
    DELIMITED [FIELDS TERMINATED BY char] [COLLECTION ITEMS TERMINATED BY char]
    [MAP KEYS TERMINATED BY char] [LINES TERMINATED BY char]
    | SERDE serde_name [WITH SERDEPROPERTIES (property_name=property_value, property_name=property_value, …)]
    用户在建表的时候可以自定义SerDe或者使用自带的SerDe。如果没有指定ROW FORMAT 或者ROW FORMAT DELIMITED，将会使用自带的SerDe。在建表的时候，用户还需要为表指定列，用户在指定表的列的同时也会指定自定义的SerDe，Hive通过SerDe确定表的具体的列的数据。
    SerDe是Serialize/Deserilize的简称， hive使用Serde进行行对象的序列与反序列化。
    （8）STORED AS指定存储文件类型
    常用的存储文件类型：SEQUENCEFILE（二进制序列文件）、TEXTFILE（文本）、RCFILE（列式存储格式文件）
    如果文件数据是纯文本，可以使用STORED AS TEXTFILE。如果数据需要压缩，使用 STORED AS SEQUENCEFILE。
    （9）LOCATION ：指定表在HDFS上的存储位置。
    （10）AS：后跟查询语句，根据查询结果创建表。
    （11）LIKE允许用户复制现有的表结构，但是不复制数据。
  • 管理表
    （1）普通创建表
    create table if not exists student(id int, name string) row format delimited fields terminated by '\t' stored as textfile location '/user/hive/warehouse/student';
    （2）根据查询结果创建表（查询的结果会添加到新创建的表中）
    create table if not exists student2 as select id, name from student;
    （3）根据已经存在的表结构创建表
    create table if not exists student3 like student;
    （4）查询表的类型
    hive (default)> desc formatted student2;
  • 外部表：
    因为表是外部表，所以Hive并非认为其完全拥有这份数据。删除该表并不会删除掉这份数据，不过描述表的元数据信息会被删除掉。
    应用场景：
    每天将收集到的网站日志定期流入HDFS文本文件。在外部表（原始日志表）的基础上做大量的统计分析，用到的中间表、结果表使用内部表存储，数据通过SELECT+INSERT进入内部表。
  • 管理表与外部表的互相转换
    （1）查询表的类型
    hive (default)> desc formatted student2;
    Table Type: MANAGED_TABLE
    （2）修改内部表student2为外部表
    alter table student2 set tblproperties('EXTERNAL'='TRUE');
    （3）查询表的类型
    hive (default)> desc formatted student2;
    Table Type: EXTERNAL_TABLE
    （4）修改外部表student2为内部表
    alter table student2 set tblproperties('EXTERNAL'='FALSE');
    （5）查询表的类型
    hive (default)> desc formatted student2;
    Table Type: MANAGED_TABLE
    Tips：(‘EXTERNAL’=‘TRUE’)和(‘EXTERNAL’=‘FALSE’)为固定写法，区分大小写！
  1. 修改表
  • 重命名表
    ALTER TABLE table_name RENAME TO new_table_name;
  • 增加/修改/替换列信息
    （1）更新列
    ALTER TABLE table_name CHANGE [COLUMN] col_old_name col_new_name column_type [COMMENT col_comment] [FIRST|AFTER column_name];
    （2）增加和替换列
    ALTER TABLE table_name ADD|REPLACE COLUMNS (col_name data_type [COMMENT col_comment], ...) ;
    Tips：ADD是代表新增一字段，字段位置在所有列后面(partition列前)，
    REPLACE则是表示替换表中所有字段。
  1. 删除表
    hive (default)> drop table dept;

第四章 DML 数据操作

  1. 数据导入
    向表中装载数据（Load）
    load data [local] inpath '数据的path' [overwrite] into table table_name [partition (partcoll=vall,...)];
    字段解释：
  • load data：表示加载数据
  • local：表示从本地加载数据到hive表；否则从 HDFS 加载数据到 hive 表
  • inpath：表示加载数据的路径
  • overwrite：表示覆盖表中已有数据，否则表示追加
  • into table：表示加载到哪张表
  • table_name：表示具体的表
  • partition：表示上传到指定分区
  1. 通过查询语句向表中插入数据（Insert）
  • 创建一张表
    create table table_name(字段名1 字段类型1，字段名2 字段类型2，...) row format delimited dields terminated by '\t';
  • 基本插入数据
    insert into table table_name values(字段1，字段2),(字段1，字段2);
  • 基本模式插入（根据单张表查询结果）
    insert overwrite table table_name select 字段名1,字段名2 from table_name where 判断条件;
    字段解释：
    insert into：以追加数据的方式插入到表或分区，原数据不会删除
    insert overwrite：会覆盖表中已存在的数据
    Tips：insert 不支持插入部分字段
  • 多表（多分区）插入模式（根据多张表查询结果）
    from student insert overwrite table student partition(month='201707') select id, name where month='201709' insert overwrite table student partition(month='201706') select id, name where month='201709';

相关文章：

猜你喜欢
相关资源
相似解决方案
热门标签
Java Python linux javascript Mysql C# Docker 算法 前端 SpringBoot Redis Vue spring 设计模式 .net core .net kubernetes c++ 数据库 数据结构 大数据 js 机器学习 微服务 Android Go 程序员 面试 JVM ASP.net core 云原生 人工智能 后端 PHP git CSS golang k8s Nginx Django mybatis 深度学习 多线程 React 架构 devops 爬虫 云计算 Spring Boot LeetCode