搜索
Hive是一个基于Hadoop的数据仓库平台。通过hive，我们可以方便地进行ETL的工作。hive定义了一个类似于SQL的查询语言：HQL，能够将用户编写的QL转化为相应的Mapreduce程序基于Hadoop执行。本文讲解如何搭建一个Hive平台。假设我们有3台机器：hadoop1,hadoop2,hadoop3。并且都安装好了Hadoop-0.19.2（hive支持的Hadoop版本很多），hosts文件配置正确。Hive部署在hadoop1机器上。最简单，最快速的部署方案在Hadoop-0.19.2中自带了hive的文件。版本为0.3.0。我们首先启动Hadoop：sh$HADOOP_HOME/bin/start-all.sh然后启动hive即可：sh$HADOOP_HOME/contrib/hive/bin/hive这个时候，我们的Hive的命令行接口就启动起来了，你可以直接输入命令来执行相应的hive应用了。这种部署方式使用derby的嵌入式模式，虽然简单快速，但是无法提供多用户同时访问，所以只能用于简单的测试，无法实际应用于生产环境。所以，我们要修改hive的默认配置，提高可用性。搭建多用户的，提供web界面的部署方案目前只用比较多hive版本是hive-0.4.1。我们将使用这个版本来搭建hive平台。首先，下载hive-0.4.1：svnco然后，修改下载文件里面的编译选项文件shims/ivy.xml，将其修改为如下内容（对应的Hadoop版本为0.19.2）ivy-moduleversion=2.0infoorganisation=org.apache.hadoop.hivemodule=shims/dependenciesdependencyorg=hadoopname=corerev=0.19.2artifactname=hadooptype=sourceext=tar.gz//dependencyconflictmanager=all//dependencies/ivy-module接下来，我们使用ant去编译hive:antpackage编译成功后，我们会发现在build/dist目录中就是编译成功的文件。将这个目录设为$HIVE_HOME修改conf/hive-default.xml文件，主要修改内容如下：propertynamejavax.jdo.option.ConnectionURL/namevaluejdbc:derby://hadoop1:1527/metastore_db;create=true/valuedescriptionJDBCconnectstringforaJDBCmetastore/description/propertypropertynamejavax.jdo.option.ConnectionDriverName/namevalueorg.apache.derby.jdbc.ClientDriver/valuedescriptionDriverclassnameforaJDBCmetastore/description/property在hadoop1机器上下载并安装apachederby数据库：wget解压derby后，设置$DERBY_HOME然后启动derby的networkServer：sh$DERBY_HOME/bin/startNetworkServer-h0.0.0.0接下来，将$DERBY_HOME/lib目录下的derbyclient.jar与derbytools.jar文件copy到$HIVE_HOME/lib目录下。启动Hadoop：sh$HADOOP_HOME/bin/start-all.sh最后，启动hive的web界面：sh$HIVE_HOME/bin/hive--servicehwi这样，我们的hive就部署完成了。我们可以直接在浏览器中输入:进行访问了（如果不行话，请将hadoop1替换为实际的ip地址，如：）。这种部署方式使用derby的c/s模式，允许多用户同时访问，同时提供web界面，方便使用。推荐使用这种部署方案。关注Hive的schema我们上面谈到的2中部署方案都是使用derby数据库来保存hive中的schema信息。我们也可以使用其他的数据库来保存schema信息，如mysql。可以参考这篇文章了解如果使用mysql来替换derby：我们也可以使用HDFS来保存schema信息，具体的做法是修改conf/hive-default.xml，修改内容如下：propertynamehive.metastore.rawstore.impl/namevalueorg.apache.hadoop.hive.metastore.FileStore/valuedescriptionNameoftheclassthatimplementsorg.apache.hadoop.hive.metastore.rawstoreinterface.Thisclassisusedtostoreandretrievalofrawmetadataobjectssuchastable,database/description/property主要分为以下几个部分：用户接口，包括CLI，Client，WUI。元数据存储，通常是存储在关系数据库如mysql,derby中。解释器、编译器、优化器、执行器。Hadoop：用HDFS进行存储，利用MapReduce进行计算。1.用户接口主要有三个：CLI，Client和WUI。其中最常用的是CLI，Cli启动的时候，会同时启动一个Hive副本。Client是Hive的客户端，用户连接至HiveServer。在启动Client模式的时候，需要指出HiveServer所在节点，并且在该节点启动HiveServer。WUI是通过浏览器访问Hive。2.Hive将元数据存储在数据库中，如mysql、derby。Hive中的元数据包括表的名字，表的列和分区及其属性，表的属性（是否为外部表等），表的数据所在目录等。3.解释器、编译器、优化器完成HQL查询语句从词法分析、语法分析、编译、优化以及查询计划的生成。生成的查询计划存储在HDFS中，并在随后有MapReduce调用执行。4.Hive的数据存储在HDFS中，大部分的查询由MapReduce完成（不包含*的查询，比如select*fromtbl不会生成MapRedcue任务）。Hive元数据存储Hive将元数据存储在RDBMS中，有三种模式可以连接到数据库：SingleUserMode：此模式连接到一个In-memory的数据库Derby，一般用于UnitTest。MultiUserMode：通过网络连接到一个数据库中，是最经常使用到的模式。RemoteServerMode：用于非Java客户端访问元数据库，在服务器端启动一个MetaStoreServer，客户端利用Thrift协议通过MetaStoreServer访问元数据库。Hive的数据存储首先，Hive没有专门的数据存储格式，也没有为数据建立索引，用户可以非常自由的组织Hive中的表，只需要在创建表的时候告诉Hive数据中的列分隔符和行分隔符，Hive就可以解析数据。其次，Hive中所有的数据都存储在HDFS中，Hive中包含以下数据模型：Table，ExternalTable，Partition，Bucket。1.Hive中的Table和数据库中的Table在概念上是类似的，每一个Table在Hive中都有一个相应的目录存储数据。例如，一个表pvs，它在HDFS中的路径为：/wh/pvs，其中，wh是在hive-site.xml中由${hive.metastore.warehouse.dir}指定的数据仓库的目录，所有的Table数据（不包括ExternalTable）都保存在这个目录中。2.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：pvs表中包含ds和city两个Partition，则对应于ds=20090801,ctry=US的HDFS子目录为：/wh/pvs/ds=20090801/ctry=US；对应于ds=20090801,ctry=CA的HDFS子目录为；/wh/pvs/ds=20090801/ctry=CA3.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：/wh/pvs/ds=20090801/ctry=US/part-00000；hash值为20的HDFS目录为：/wh/pvs/ds=20090801/ctry=US/part-000204.ExternalTable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。ExternalTable只有一个过程，加载数据和创建表同时完成（CREATEEXTERNALTABLE……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ExternalTable时，仅删除摘要：由于Hive采用了SQL的查询语言HQL，因此很容易将Hive理解为数据库。其实从结构上来看，Hive和数据库除了拥有类似的查询语言，再无类似之处。本文将从多个方面来阐述Hive和数据库的差异。数据库可以用在Online的应用中，但是Hive是为数据仓库而设计的，清楚这一点，有助于从应用角度理解Hive的特性。Hive和数据库的比较查询语言HQLSQL数据存储位置HDFSRawDevice或者LocalFS数据格式用户定义系统决定数据更新支持不支持索引无有执行MapRedcueExecutor执行延迟高低可扩展性高低数据规模大小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、”\t”、”\x00