Hive分布式SQL计算平台
一、Hive 概述
使用Hadoop MapReduce直接处理数据所面临的问题 ，人员学习成本太高 需要掌握java、Python等编程语言
MapReduce实现复杂查询逻辑开发难度太大
基于Hive为用户提供了分布式SQL计算的能力，写的是SQL、执行的是MapReduce
使用Hive处理数据的好处
- 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）
- 底层执行MapReduce，可以完成分布式海量数据的SQL处理
什么是分布式SQL计算？
以分布式的形式，执行SQL语句，进行数据统计分析。Apache Hive是做什么的？
将SQL语句翻译成MapReduce程序，从而提供用户分布式SQL计算的能力。
传统MapReduce开发：写MR代码->得到结果
使用Hive开发：写SQL->得到结果
底层都是MR在运行，但是使用层面上更加简单了。
二、Hive架构
元数据管理，称之为Metastore服务
SQL解析器（Driver驱动程序），完成SQL解析、执行优化、代码提交等功能
用户接口：提供用户和Hive交互的功能
元数据存储：通常是存储在关系数据库如 mysql/derby中。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。
Hive提供了 Metastore 服务进程提供元数据管理功能
Driver驱动程序：包括语法解析器、计划编译器、优化器、执行器：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，并在随后有执行引擎调用执行。
用户接口：包括 CLI、JDBC/ODBC、WebGUI。其中，CLI(command line interface)为shell命令行；Hive中的Thrift服务器允许外部客户端通过网络与Hive进行交互，类似于JDBC或ODBC协议。WebGUI是通过浏览器访问Hive。
Hive提供了 Hive Shell、 ThriftServer等服务进程向用户提供操作接口
三、Hive客户端
1、Hive有哪些客户端可以使用
执行：
bin/hive，这是Hive提供的Shell环境，可以直接写SQL执行启动HiveServer2，
bin/hive --service hiveserver2这是Hive的Thrift服务，对外提供接口（默认端口10000）可供其它客户端链接，如：bin/beeline（内置）、IntelliJ IDEA （第三方）DataGrip（第三方）、DBeaver（第三方） 等
Hive的客户端体系如下
启动：在hive安装的服务器上，首先启动metastore服务，然后启动hiveserver2服务。
# 先启动metastore服务 然后启动hiveserver2服务
# 后台运行，并将标准输出和标准错误输出重定向到 /dev/null，使其不再显示在终端上，如有需要可以将日志重定向在文件中
nohup hive --service metastore 1>/dev/null 2>&1 &
nohup hive --service hiveserver2 1>/dev/null 2>&1 &
通过beeline连接
beeline # 进入beeline
!connect jdbc:hive2://node1:10000 # 通过beeline连接hiveserver2
# 下面输入有hdfs权限的账号和密码，连接成功就可以操作了
# 连在一起可以通过-u参数直接连接
beeline -u jdbc:hive2://single01:10000
2、Hive第三方客户端
IntelliJ IDEA 连接 hive
- 打开Database窗口 (在IDEA中，点击菜单栏中的
View->Tool Windows->Database，打开Database工具窗口) - 在Database工具窗口中，点击上方的加号
+，选择Data Source->Apache Hive - 填写Hive数据库的连接信息，包括JDBC URL（如
jdbc:hive2://localhost:10000）、用户名和密码（如果Hive配置了认证）
连接需要驱动，点击可以下载驱动
连接成功后，你就可以在IDEA中通过SQL编辑器编写和执行HiveQL语句了。这些语句将直接发送到HiveServer2执行，并返回结果。
四、Hive使用语法
1、数据库操作
创建数据库
-- 语法：CREATE DATABASE [IF NOT EXISTS] db_name [LOCATION position];
create database if not exists myhive;
use myhive;
-- 查看数据库详细信息
desc database myhive;
-- 创建数据库并指定hdfs存储位置，使用location关键字，可以指定数据库在HDFS的存储路径。
create database myhive2 location '/myhive2';
删除数据库
-- 语法：DROP DATABASE db_name [CASCADE];
-- 删除一个空数据库，如果数据库下面有数据表，那么就会报错
drop database myhive;
-- 强制删除数据库，包含数据库下面的表一起删除
drop database myhive2 cascade;
数据库和HDFS的关系
- Hive的库在HDFS上就是一个以.db结尾的目录
- 默认存储在：
/user/hive/warehouse内 - 可以通过
LOCATION关键字在创建的时候指定存储目录
2、内部表，外部表
创建表的语法
CREATE [EXTERNAL] TABLE [IF NOT EXISTS] table_name
-- EXTERNAL: 可选，表示创建一个外部表。如果指定，则Hive不会管理表的数据文件，删除表时数据文件不会被删除。
[(col_name data_type [COMMENT col_comment], ...)]
-- 表的列定义，包括列名、数据类型和可选的列注释。可以定义多列，列之间用逗号分隔。
[COMMENT table_comment]
-- 可选，为整个表添加注释。
[PARTITIONED BY (col_name data_type [COMMENT col_comment], ...) ]
-- 可选，定义表的分区列。分区列用于将数据分割成不同的部分，以提高查询性能。分区列也是表的一部分，但具有特殊的意义。
[CLUSTERED BY (col_name, col_name,...)
[SORTED BY (col_name [ASC|DESC], ...)] INTO num_buckets BUCKETS]
-- 可选，定义表的分桶策略。分桶通常与排序（SORTED BY）一起使用，但不是必须的。分桶可以提高某些查询的性能，特别是当进行抽样或需要局部排序时。
[ROW FORMAT row_format]
-- 可选，定义行的格式。常见的格式包括Delimited（分隔符分隔的字段）和SerDe（序列化/反序列化）。
-- 对于Delimited，通常还需要指定字段分隔符、集合元素分隔符等。
[STORED AS file_format]
-- 指定表数据的存储格式。Hive支持多种存储格式，如TEXTFILE、SEQUENCEFILE、ORC、PARQUET等。
-- 这些格式在压缩、性能、兼容性等方面有所不同。
[LOCATION hdfs_path]
-- 可选，指定表数据在HDFS上的存储位置。对于外部表来说，这个选项特别有用，因为它允许你指定表数据已经存在的位置。
-- 对于内部表，如果不指定LOCATION，Hive将在默认的仓库目录中为表创建一个目录。
关键词：EXTERNAL，创建外部表、PARTITIONED BY， 分区表、CLUSTERED BY，分桶表、STORED AS，存储格式、LOCATION，存储位置
数据类型
| 分类 | 类型 | 描述 | 字面量示例 |
|---|---|---|---|
| 原始类型 | BOOLEAN | true/false | TRUE |
| TINYINT | 1字节的有符号整数-128~127 | 1Y | |
| SMALLINT | 2个字节的有符号整数， -32768~32767 | 1S | |
INT |
4个字节的带符号整数 | 1 | |
| BIGINT | 8字节带符号整数 | 1L | |
| FLOAT | 4字节单精度浮点数 | 1.0 | |
DOUBLE |
8字节双精度浮点数 | 1.0 | |
| DEICIMAL | 任意精度的带符号小数 | 1.0 | |
STRING |
字符串，变长 | “a" ‘b’ | |
VARCHAR |
变长字符串 | “a", ‘b’ | |
| CHAR | 固定长度字符串 | “a", ‘b’ | |
| BINARY | 字节数组 | ||
TIMESTAMP |
时间戳，毫秒值精度 | 122327493795 | |
DATE |
日期 | ‘2016-03-29’ | |
| 时间频率间隔 | |||
| 复杂类型 | ARRAY | 有序的的同类型的集合 | array(1,2) |
| MAP | key-value,key必须为原始类型, value可以任意类型 | map(‘a’,1,‘b’,2) | |
| STRUCT | 字段集合,类型可以不同 | struct(‘1’,1,1.0), named_stract(‘col1’,‘1’,‘col2’,1, ‘clo3’,1.0) | |
| UNION | 在有限取值范围内的一个值 | create_union(1,‘a’ ,63) |
Hive中可以创建的表有好几种类型， 分别是：内部表、外部表、分区表、分桶表
内部表（CREATE TABLE table_name …）
- 未被external关键字修饰的即是内部表， 即普通表。 内部表又称管理表,内部表数据存储的位置由hive.metastore.warehouse.dir参数决定（默认：/user/hive/warehouse），删除内部表会直接删除元数据（metadata）及存储数据，因此内部表不适合和其他工具共享数据。
外部表（CREATE EXTERNAL TABLE table_name …LOCATION…）
- 被external关键字修饰的即是外部表， 即关联表。
- 外部表是指表数据可以在任何位置，通过LOCATION关键字指定。 数据存储的不同也代表了这个表在理念是并不是Hive内部管理的，而是可以随意临时链接到外部数据上的。
- 在删除外部表的时候， 仅仅是删除元数据（表的信息），不会删除数据本身。
| 创建 | 存储位置 | 删除数据 | 理念 | |
|---|---|---|---|---|
| 内部表 | CREATE TABLE … | Hive管理，默认/user/hive/warehouse | 删除 元数据（表信息）删除 数据 | Hive管理表持久使用 |
| 外部表 | CREATE EXTERNAL TABLE … | 随意，LOCATION关键字指定 | 仅删除 元数据（表信息）保留 数据 | 临时链接外部数据用 |
数据分隔符
- 默认是特殊字符: ‘\001’ （^A soh)
- 可以通过row format delimited fields terminated by在创建表的时候修改
其它创建内部表的形式
-- CREATE TABLE table_name as，基于查询结果建表
create table stu3 as select * from stu2;
-- CREATE TABLE table_name like，基于已存在的表结构建表
create table stu4 like stu2;
-- DESC FORMATTED table_name，查看表类型和详情
DESC FORMATTED stu2;
外部表的创建
- 可以先有表，然后把数据移动到表指定的LOCATION中
- 也可以先有数据，然后创建表通过LOCATION指向数据
-- 首先检查：hdfs dfs -ls /tmp，确认不存在/tmp/test_ext1目录
create external table test_ext1(
id int,
name string
)
row format delimited fields terminated by '\t' -- 分隔符
location '/tmp/test_ext1'; -- 可以看到，目录/tmp/test_ext1被创建
-- 上传数据： hadoop fs -put test_external.txt /tmp/test_ext1/
-- select * from test_ext1; 即可看到数据结果
-- 先存在数据，后创建外部表，同理
内部表外部表转换
talbename set tblproperties('EXTERNAL'='TRUE') -- 注意大写
talbename set tblproperties('EXTERNAL'='FALSE')
3、数据的导入与导出
1)数据加载
1、使用 LOAD 语法，从外部将数据加载到Hive内（不会走MapReduce 小文件速度快）
--加载数据 数据路径 被加载的内部表
LOAD DATA [LOCAL] INPATH 'filepath' [OVERWRITE] INTO TABLE tablename;
- 使用
local，数据不在HDFS，可以使用file://协议指定路径 - 不使用
local，数据在HDFS，可以使用HDFS://协议指定路径 - 加
OVERWRITE代表覆盖已有数据
注意：基于HDFS进行load加载数据，源数据文件会消失（本质是被移动到表所在的目录中）
2、可以通过SQL语句，从其它表中加载数据
-- 是否覆盖
INSERT [OVERWRITE | INTO] TABLE tablename1 [PARTITION (partcol1=val1, partcol2=val2 ...) [IF NOT EXISTS]] select_statement1 FROM from_statement;
--示例
INSERT INTO TABLE tbl1 SELECT * FROM tbl2;
INSERT OVERWRITE TABLE tbl1 SELECT * FROM tbl2;
注意：走MapReduct少了数据时不如直接导入
2)数据导出
1、将查询的结果导出
-- 将查询的结果导出到本地 - 使用默认列分隔符
insert overwrite local directory '/home/hadoop/export1' select * from test_load;
-- 将查询的结果导出到本地 - 指定列分隔符
insert overwrite local directory '/home/hadoop/export2' row format delimited fields terminated by '\t' select * from test_load;
-- 将查询的结果导出到HDFS上(不带local关键字)
insert overwrite directory '/tmp/export' row format delimited fields terminated by '\t' select * from test_load;
2、hive表数据导出 - hive shell
-- 基本语法：（hive -f/-e 执行语句或者脚本 > file）
hive -e "select * from myhive.test_load;" > /home/hadoop/export3/export4.txt
hive -f export.sql > /home/hadoop/export4/export4.txt
4、分区表
可以选择字段作为表分区
分区其实就是HDFS上的不同文件夹
分区表可以极大的提高特定场景下Hive的操作性能
分区表的分区列，在partitioned by 中定义，不在普通列中定义
左侧单分区表 右侧多分区表(三级分区)
分区表的使用
1、创建分区表，加载数据
-- 基本语法
create table tablename(...) partitioned by (分区列 列类型, ......)
row format delimited fields terminated by '';
-- 创建分区表 按照月分区
create table score(id string, cid string, score int) partitioned by (month string)
row format delimited fields terminated by '\t';
-- 向202006分区插入数据
load data local inpath '/root/data/score.txt' into table score partition(month = '202006');
-- 多级分区
create table score2(id string, cid string, score int) partitioned by (year string, month string, day string)
row format delimited fields terminated by '\t';
-- 多级分区加载数据
load data local inpath '/root/data/score.txt' into table score2 partition(year="2024", month="05", day="20");
2、查看，修改，删除分区
-- 查看分区
show partitions score;
-- 添加一个分区
alter table score add partition(month='202007');
-- 同时添加多个分区
alter table score add partition(month='202303') partition(month='202407');
-- 修改分区值
ALTER TABLE tablename PARTITION (month='202005') RENAME TO PARTITION (month='201105');
-- 删除分区
alter table score drop partition(month='202006');
-- 修复表，如果数据已按分区目录导入hdfs，可以修复表一键导入分区
msck repair table score;
其余属性可参见 LanguageManual DDL - Apache Hive - Apache Software Foundation
5、分桶表
分桶和分区一样，也是一种通过改变表的存储模式，从而完成对表优化的一种调优方式
但和分区不同，分区是将表拆分到不同的子文件夹中进行存储，而分桶是将表拆分到固定数量的不同文件中进行存储。
分桶表创建
-- 开启分桶的自动优化（自动匹配reduce task数量和桶数量一致）
set hive.enforce.bucketing=true;
-- 创建分桶表
create table course (c_id string,c_name string,t_id string)
clustered by(c_id) into 3 buckets -- 设置 分桶列c_id, 分三个桶
row format delimited fields terminated by '\t';
分桶表加载数据
桶表的数据加载，由于桶表的数据加载通过load data无法执行，只能通过insert select.
-- 1. 创建一个临时表中转表（外部表或内部表均可），通过load data加载数据进入表
create table course_common(c_id string, c_name string, t_id string)
row format delimited fields terminated by '\t';
-- 普通表中加载数据
load data local inpath '/root/data/course.txt' into table course_common;
-- 通过insert overwrite 给桶中加载数据
insert overwrite table course select * from course_common cluster by(c_id);
为什么不可以用load data，必须用insert select插入数据
- 一旦有了分桶设置，比如分桶数量为3，那么，表内文件或分区内数据文件的数量就限定为3
- 当数据插入的时候，需要一分为3，进入三个桶文件内。
- 数据的三份划分基于分桶列的值进行Hash取模来决定
- 由于load data不会触发MapReduce，也就是没有计算过程（无法执行Hash算法），只是简单的移动数据而已
所以无法用于分桶表数据插入。
什么是Hash取模？
- 基于Hash算法，对值进行计算，同一个值得到同样的结果
- 对结果进行取模（除以桶数量得到余数），确认当前数据应该去哪一个桶文件
- 同样key（分桶列的值）的数据，会在同一个桶中。
分桶表的性能提升
分区表的性能提升是：在指定分区列的前提下，减少被操作的数据量，从而提升性能。
分桶表的性能提升就是：基于分桶列的特定操作，如：过滤、JOIN、分组，均可带来性能提升。
- 基于分桶列，过滤单个值：根据Hash值
- 基于分桶列，进行双表JOIN：桶文件对桶文件
- 基于分桶列，group by 分组：自动归并为各个组了
6、复杂类型操作
array类型
array类型，主要存储：数组格式
保存一堆同类型的元素，如：1, 2, 3, 4, 5定义格式：
array<类型>
数组元素之间的分隔符：collection items terminated by ‘分隔符’在查询中使用
数组[数字序号]，可以取出指定需要元素（从0开始）
size(数组)，可以统计数组元素个数
array_contains(数组, 数据)，可以查看指定数据是否在数组中存在
示例数据 和 代码
zhangsan beijing,shanghai,tianjin,hangzhou
wangwu changchun,chengdu,wuhan,beijin
create table myhive.test_array(name string, work_locations array<string>)
row format delimited fields terminated by '\t' -- 表示列分隔符是\t
COLLECTION ITEMS TERMINATED BY ','; -- 表示集合（array）元素的分隔符是逗号
-- 序号从0开始，取出第一位
select name, work_locations[0] from test_array;
-- 查询array类型中的元素个数
select name, size(work_locations) location from myhive.test_array;
-- 查询location数组中包含tianjin的信息
select * from test_array where array_contains(work_locations, 'tianjin');
-- 加载上述数据
load data local inpath '/root/data/data_for_array_type.txt' into table test_array;
map类型
- map类型，主要存储：K-V键值对类型数据
保存一堆同类型的键值对，如：“a”:1, “b”: 2, “c”: 3- 定义格式：
map<key类型, value类型>
不同键值对之间：COLLECTION ITEMS TERMINATED BY ‘分隔符’ 分隔
一个键值对内，使用： MAP KEYS TERMINATED BY ‘分隔符’ 分隔K-V
如：father:xiaoming#mother:xiaohuang#brother:xiaoxu
不同KV之间使用#分隔，同一个KV内用:分隔K和V- 在查询中使用
map[key]来获取指定key的值
map_keys(map)取到全部的key作为array返回，map_values(map)取到全部values
size(map)可以统计K-V对的个数
array_contains(map_values(map), 数据) 可以统计map是否包含指定数据
示例数据 和 代码
1,林杰均,father:林大明#mother:小甜甜#brother:小甜,28
2,周杰伦,father:马小云#mother:黄大奕#brother:小天,22
3,王葱,father:王林#mother:如花#sister:潇潇,29
4,马大云,father:周街轮#mother:美美,26
create table test_map(
id int, name string, member map<string, string>, age int
)
row format delimited
fields terminated by ','
collection items terminated by '#' -- 每个键值对间的分隔符
MAP KEYS TERMINATED BY ':'; -- 单个键值对内部，键和值的分隔符
alter table test_map change member members map<string, string>;
load data local inpath '/root/data/data_for_map_type.txt' into table test_map;
select * from test_map;
-- 查看成员中，每个成员的父亲,母亲是谁
select id, name, members['father'], members['mother'] from test_map;
-- 取出map中全部key，返回类型为array
select map_keys(members) from test_map;
-- size 查看map的元素 (K-V对)的个数
select size(members) from test_map;
-- array_contains 去查看指定的数据是否包含在map中，看看谁有王林这个value
select * from test_map where array_contains(map_values(members), '王林');
struct类型
- struct类型，主要存储：复合格式
可以包含多个二级列，二级列支持列名和类型，如
“a”: 1, “b”: “foo”, “c”: “2000-01-01”- 定义格式：
struct<name:string, age:int>
struct的分隔符只需要：COLLECTION ITEMS TERMINATED BY ‘分隔符’ 只需要分隔数据即可（数据中不记录key，key是建表定义的固定的）- 在查询中使用
struct.key 即可取得对应的value
示例数据 和 代码
1#周杰轮:11
2#林均杰:16
3#刘德滑:21
4#张学油:26
5#蔡依临:23
create table myhive.test_struct(
id int,
info struct<name: string, age:int>
)
row format delimited
fields terminated by '#'
collection items terminated by ':'; -- 表示struct中二级列的数据之间的分割符
load data local inpath '/root/data/data_for_struct_type.txt' into table test_struct;
select * from test_struct;
-- 查询内容
select id, info.name, info.age from test_struct;
7、数据抽样
大数据体系下，表内容一般偏大，小操作也要很久，所以如果想要简单看看数据，可以通过抽样快速查看
桶抽样方式，
TABLESAMPLE(BUCKET x OUT OF y ON(colname | rand()))，推荐，完全随机，速度略慢块抽样，使用分桶表可以加速-- 10个抽3份 orderId Hash取模, 其他条件不变的话运行结果一致 select * from orders tablesample (bucket 3 out of 10 on orderId); -- 完全随机，分10个桶随机抽3个 select * from orders tablesample (bucket 3 out of 10 on rand());块抽样方式，
TABLESAMPLE(num ROWS | num PERCENT | num(K|M|G))，速度快于桶抽样方式，但不随机，只是按照数据顺序从前向后取。select * from orders tablesample (100 rows); -- 抽取前100条 select * from orders tablesample (10 percent); -- 抽取前10% select * from orders tablesample (1K); -- 抽取前1KB
8、Virtual Columns 虚拟列
虚拟列是Hive内置的可以在查询语句中使用的特殊标记，可以查询数据本身的详细参数。
-- 虚拟列
-- INPUT__FILE__NAME -- 显示数据行所在的具体文件
-- BLOCK__OFFSET__INSIDE__FILE -- 显示数据行所在的偏移量
-- ROW__OFFSET__INSIDE__BLOCK -- 显示数据所在HDFS块的偏移量, 设置 set hive.exec.rowoffset=true 才可使用
set hive.exec.rowoffset=true;
select orderId, userName, INPUT__FILE__NAME, BLOCK__OFFSET__INSIDE__FILE, ROW__OFFSET__INSIDE__BLOCK from orders;
-- (分区 分桶 表) 查看每个文件有多少条数据
select INPUT__FILE__NAME, count(*) FROM orders GROUP BY INPUT__FILE__NAME;
虚拟列的作用
- 查看行级别的数据详细参数
- 可以用于WHERE、GROUP BY等各类统计计算中
- 可以协助进行错误排查工作
9、Hive函数
Hive的函数分为两大类：内置函数（Built-in Functions）、用户定义函数UDF（User-Defined Functions）：
具体可查看：官方文档
show functions;
describe function extended funcname; -- 来查看函数的使用方式。
