Hive基础学习文档和入门教程

Hive基础学习文档和入门教程摘要：Hive 是建立在 Hadoop 上的数据仓库基础构架。它提供了一系列的工具，可以用来进行数据提取转化加载（ETL），这是一种可以存储、查询和分析存储在 Hadoop 中的大规模数据的机制。Hive 定义了简单的类 SQL 查询语言，称为 QL，它允许熟悉 SQL 的用户查询数据。同时，这个语言也允许熟悉 MapReduce 开发者的开发自定义的 mapper 和 reducer 来处理内建的 mapper 和 reducer 无法完成的复杂的分析工作。目录：

HIVE结构
1. HIVE架构
2. Hive
  和Hadoop 关系
3. Hive
  和普通关系数据库的异同
4. HIVE元数据库
  1. DERBY
  2. Mysql
5. HIVE的数据存储
6. 其它HIVE操作
HIVE 基本操作
1. createtable
  1. 总述
  2. 语法
  3. 基本例子
  4. 创建分区
  5. 其它例子
2. AlterTable
  1. AddPartitions
  2. DropPartitions
  3. RenameTable
  4. ChangeColumn
  5. AddReplaceColumns
3. CreateView
4. Show
5. Load
6. Insert
  1. Inserting data into HiveTables from queries
  2. Writing data intofilesystem from queries
7. Cli王黎3
  1. HiveCommand line Options
  2. Hiveinteractive Shell Command
  3. Hive Resources
  4. 调用pythonshell等语言
8. DROP
9. 其它
  1. Limit
  2. Top k
  3. REGEX Column Specification
10. Hive Select
  1. GroupBy
  2. OrderSort By
11. Hive Join
12. HIVE参数设置
13. HIVE UDF
  1. 基本函数
    1. 关系操作符
    2. 代数操作符
    3. 逻辑操作符
    4. 复杂类型操作符
    5. 内建函数
    6. 数学函数
    7. 集合函数
    8. 类型转换
    9. 日期函数
    10. 条件函数
    11. 字符串函数
  2. UDTF
    1. Explode
  3. HIVE 的MAPREDUCE
    1. JOIN
    2. GROUPBY
    3. DISTINCT
  4. 使用HIVE注意点
    1. 字符集
    2. 压缩
    3. countdistinct
    4. JOIN
    5. DML操作
    6. HAVING
    7. 子查询
    8. Join中处理null值的语义区别
    9. 分号字符
    10. Insert
      1. 新增数据
      2. 插入次序
      3. 初始值
    11. 优化
      1. HADOOP计算框架特性
      2. 优化的常用手段
      3. 全排序
        例1
        例2
      4. 怎样做笛卡尔积
      5. 怎样写existin子句
      6. 怎样决定reducer个数
      7. 合并MapReduce操作
      8. Bucket
        与sampling
      9. Partition
      10. JOIN
        JOIN原则
        Map Join
      11. 数据倾斜
        空值数据倾斜
        不同数据类型关联产生数据倾斜
        大表Join的数据偏斜
      12. 合并小文件
      13. GroupBy
    12. HIVE FAQ
    13. 常用参考资料路径

1. HIVE结构

Hive 是建立在 Hadoop 上的数据仓库基础构架。它提供了一系列的工具，可以用来进行数据提取转化加载（ETL），这是一种可以存储、查询和分析存储在 Hadoop 中的大规模数据的机制。Hive 定义了简单的类 SQL 查询语言，称为 QL，它允许熟悉 SQL 的用户查询数据。同时，这个语言也允许熟悉 MapReduce 开发者的开发自定义的 mapper 和 reducer 来处理内建的 mapper 和 reducer 无法完成的复杂的分析工作。

1.1 HIVE架构

Hive 的结构可以分为以下几部分：· 用户接口：包括 CLI, Client, WUI· 元数据存储。通常是存储在关系数据库如 mysql, derby 中· 解释器、编译器、优化器、执行器· Hadoop：用 HDFS 进行存储，利用MapReduce 进行计算1、用户接口主要有三个：CLI，Client和 WUI。其中最常用的是 CLI，Cli 启动的时候，会同时启动一个 Hive 副本。Client 是 Hive 的客户端，用户连接至 Hive Server。在启动 Client 模式的时候，需要指出 Hive Server 所在节点，并且在该节点启动 Hive Server。 WUI 是通过浏览器访问 Hive。2、 Hive 将元数据存储在数据库中，如 mysql、derby。Hive 中的元数据包括表的名字，表的列和分区及其属性，表的属性（是否为外部表等），表的数据所在目录等。3、解释器、编译器、优化器完成 HQL 查询语句从词法分析、语法分析、编译、优化以及查询计划的生成。生成的查询计划存储在 HDFS 中，并在随后有 MapReduce 调用执行。4、Hive 的数据存储在 HDFS 中，大部分的查询由 MapReduce 完成（包含 * 的查询，比如 select * from tbl 不会生成 MapRedcue 任务）。

1.2 Hive
和Hadoop 关系

Hive构建在 Hadoop 之上，· HQL 中对查询语句的解释、优化、生成查询计划是由 Hive 完成的· 所有的数据都是存储在 Hadoop 中· 查询计划被转化为 MapReduce 任务，在 Hadoop 中执行（有些查询没有 MR 任务，如：select * from table）· Hadoop和Hive都是用UTF-8编码的

1.3 Hive
和普通关系数据库的异同

	Hive	RDBMS
查询语言	HQL	SQL
数据存储	HDFS	Raw Device or Local FS
索引	无	有
执行	MapReduce	Excutor
执行延迟	高	低
处理数据规模	大	小

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. 数据存储位置。Hive 是建立在Hadoop 之上的，所有 Hive 的数据都是存储在HDFS 中的。而数据库则可以将数据保存在块设备或者本地文件系统中。3. 数据格式。Hive 中没有定义专门的数据格式，数据格式可以由用户指定，用户定义数据格式需要指定三个属性：列分隔符（通常为空格、” ”、”x001″）、行分隔符（” ”）以及读取文件数据的方法（Hive 中默认有三个文件格式 TextFile，SequenceFile 以及 RCFile）。由于在加载数据的过程中，不需要从用户数据格式到 Hive 定义的数据格式的转换，因此，Hive 在加载的过程中不会对数据本身进行任何修改，而只是将数据内容复制或者移动到相应的 HDFS
目录中。而在数据库中，不同的数据库有不同的存储引擎，定义了自己的数据格式。所有数据都会按照一定的组织存储，因此，数据库加载数据的过程会比较耗时。4. 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 中不支持对数据的改写和添加，所有的数据都是在加载的时候中确定好的。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。5. 索引。之前已经说过，Hive 在加载数据的过程中不会对数据进行任何处理，甚至不会对数据进行扫描，因此也没有对数据中的某些 Key 建立索引。Hive 要访问数据中满足条件的特定值时，需要暴力扫描整个数据，因此访问延迟较高。由于 MapReduce 的引入， Hive 可以并行访问数据，因此即使没有索引，对于大数据量的访问，Hive 仍然可以体现出优势。数据库中，通常会针对一个或者几个列建立索引，因此对于少量的特定条件的数据的访问，数据库可以有很高的效率，较低的延迟。由于数据的访问延迟较高，决定了
Hive 不适合在线数据查询。6. 执行。Hive 中大多数查询的执行是通过 Hadoop 提供的 MapReduce 来实现的（类似 select * from tbl 的查询不需要 MapReduce）。而数据库通常有自己的执行引擎。7. 执行延迟。之前提到，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。8. 可扩展性。由于 Hive 是建立在 Hadoop 之上的，因此 Hive 的可扩展性是和 Hadoop 的可扩展性是一致的（世界上最大的 Hadoop 集群在 Yahoo！，2009年的规模在4000 台节点左右）。而数据库由于 ACID 语义的严格限制，扩展行非常有限。目前最先进的并行数据库 Oracle 在理论上的扩展能力也只有 100 台左右。9. 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。

1.4 HIVE元数据库

Hive 将元数据存储在 RDBMS 中,一般常用的有MYSQL和DERBY。

1.4.1 DERBY

启动HIVE的元数据库进入到hive的安装目录Eg:1、启动derby数据库/home/admin/caona/hive/build/dist/运行startNetworkServer -h 0.0.0.02、连接Derby数据库进行测试查看/home/admin/caona/hive/build/dist/conf/hive-default.xml。找到<property><name>javax.jdo.option.ConnectionURL</name><value>jdbc:derby://hadoop1:1527/metastore_db;create=true</value><description>JDBC connect string for a JDBCmetastore</description></property>进入derby安装目录/home/admin/caona/hive/build/dist/db-derby-10.4.1.3-bin/bin输入./ijConnect’jdbc:derby://hadoop1:1527/metastore_db;create=true’;3、元数据库数据字典

表名	说明	关联键
BUCKETING_COLS
COLUMNS	Hive表字段信息（字段注释，字段名，字段类型，字段序号）	SD_ID
DBS	元数据库信息，存放HDFS路径信息	DB_ID
PARTITION_KEYS	Hive分区表分区键	PART_ID
SDS	所有hive表、表分区所对应的hdfs数据目录和数据格式。	SD_ID,SERDE_ID
SD_PARAMS	序列化反序列化信息，如行分隔符、列分隔符、NULL的表示字符等	SERDE_ID
SEQUENCE_TABLE	SEQUENCE_TABLE表保存了hive对象的下一个可用ID，如’org.apache.hadoop.hive.metastore.model.MTable’, 21，则下一个新创建的hive表其TBL_ID就是21，同时SEQUENCE_TABLE表中271786被更新为26（这里每次都是+5？）。同样，COLUMN，PARTITION等都有相应的记录
SERDES
SERDE_PARAMS
SORT_COLS
TABLE_PARAMS	表级属性，如是否外部表，表注释等	TBL_ID
TBLS	所有hive表的基本信息	TBL_ID,SD_ID

从上面几张表的内容来看，hive整个创建表的过程已经比较清楚了

解析用户提交hive语句，对其进行解析，分解为表、字段、分区等hive对象
根据解析到的信息构建对应的表、字段、分区等对象，从SEQUENCE_TABLE中获取构建对象的最新ID，与构建对象信息（名称，类型等）一同通过DAO方法写入到元数据表中去，成功后将SEQUENCE_TABLE中对应的最新ID+5。

实际上我们常见的RDBMS都是通过这种方法进行组织的，典型的如postgresql，其系统表中和hive元数据一样裸露了这些id信息（oid,cid等）,而Oracle等商业化的系统则隐藏了这些具体的ID。通过这些元数据我们可以很容易的读到数据诸如创建一个表的数据字典信息，比如导出建表语名等。导出建表语句的shell脚本见附一待完成

1.4.2 Mysql

将存放元数据的Derby数据库迁移到Mysql数据库步骤：

1.5 HIVE的数据存储

首先，Hive 没有专门的数据存储格式，也没有为数据建立索引，用户可以非常自由的组织 Hive 中的表，只需要在创建表的时候告诉 Hive 数据中的列分隔符和行分隔符，Hive 就可以解析数据。其次，Hive 中所有的数据都存储在 HDFS 中，Hive 中包含以下数据模型：Table，External Table，Partition，Bucket。

Hive 中的 Table 和数据库中的 Table 在概念上是类似的，每一个 Table 在 Hive 中都有一个相应的目录存储数据。例如，一个表 xiaojun，它在 HDFS 中的路径为：/ warehouse /xiaojun，其中，wh 是在 hive-site.xml 中由 ${hive.metastore.warehouse.dir} 指定的数据仓库的目录，所有的 Table 数据（不包括 External Table）都保存在这个目录中。
Partition 对应于数据库中的 Partition 列的密集索引，但是 Hive 中 Partition 的组织方式和数据库中的很不相同。在 Hive 中，表中的一个 Partition 对应于表下的一个目录，所有的 Partition 的数据都存储在对应的目录中。例如：xiaojun 表中包含 dt 和 city 两个 Partition，则对应于 dt = 20100801, ctry = US 的 HDFS 子目录为：/ warehouse /xiaojun/dt=20100801/ctry=US；对应于
dt = 20100801, ctry = CA 的 HDFS 子目录为；/ warehouse /xiaojun/dt=20100801/ctry=CA
Buckets 对指定列计算 hash，根据 hash 值切分数据，目的是为了并行，每一个 Bucket 对应一个文件。将 user 列分散至 32 个 bucket，首先对 user 列的值计算 hash，对应 hash 值为 0 的 HDFS 目录为：/ warehouse /xiaojun/dt =20100801/ctry=US/part-00000；hash 值为 20 的 HDFS 目录为：/ warehouse /xiaojun/dt =20100801/ctry=US/part-00020
External Table 指向已经在 HDFS 中存在的数据，可以创建 Partition。它和 Table 在元数据的组织上是相同的，而实际数据的存储则有较大的差异。

Table 的创建过程和数据加载过程（这两个过程可以在同一个语句中完成），在加载数据的过程中，实际数据会被移动到数据仓库目录中；之后对数据对访问将会直接在数据仓库目录中完成。删除表时，表中的数据和元数据将会被同时删除。
External Table 只有一个过程，加载数据和创建表同时完成（CREATE EXTERNAL TABLE ……LOCATION），实际数据是存储在 LOCATION 后面指定的 HDFS 路径中，并不会移动到数据仓库目录中。当删除一个 External Table 时，仅删除

更多详情见请继续阅读下一页的精彩内容： http://www.linuxidc.com/Linux/2013-10/91575p2.htmHive 的详细介绍：请点这里
Hive 的下载地址：请点这里相关阅读：基于Hadoop集群的Hive安装 http://www.linuxidc.com/Linux/2013-07/87952.htmHive内表和外表的区别 http://www.linuxidc.com/Linux/2013-07/87313.htmHadoop + Hive + Map +reduce 集群安装部署 http://www.linuxidc.com/Linux/2013-07/86959.htmHive本地独立模式安装 http://www.linuxidc.com/Linux/2013-06/86104.htmHive学习之WordCount单词统计 http://www.linuxidc.com/Linux/2013-04/82874.htm

Hive RCFile的高效存储结构Oracle DBlink的创建相关资讯 Hive Hive入门 Hive教程

Hive 简明教程 PDF （今 09:40）
Apache Hive v2.1.0-rc1 发布下载（06月04日）
在 Apache Hive 中轻松生存的12个（04月07日）

Apache Hive v2.1.0 发布下载（06月22日）
SparkSQL读取Hive中的数据（05月20日）
Apache Hive 2.0.0 发布下载，数据（02月17日）

本文评论查看全部评论（0）