hive是由谁开发的（什么是HiveHive应用）

为什么要有Hive？

在使用Hadoop的过程中，大家都会感觉每次都要写MR程序才能操作到HDFS的文件，太麻烦了，而且如果项目又赶，项目人员不会写MR程序，还要花费大量的时间去学，但是我是知道文件内容，是用什么分割的，分割后的每一列是什么意思，感觉好像关系型数据库。

于是有群人就有了个想法，既然我知道了这些数据分割后的每一列数据的意义，那么能不能把关系型数据库的SQL解析器搬过来呢？

并把这个解析的映射改为MR程序的映射，用户只要按照定义好的语法去写，我就给你解析成对应的MR程序去运行。

什么是Hive？

Hive是基于Hadoop的数据仓库工具，将结构化的数据映射成一张数据库表，并提供类似SQL查询功能，称为hql，本质就是封装MR程序。

数据库和数据仓库区别(概念)

假设商店场景，数据库是存储小物品，而且还是归类好的物品，并且是库存不够的时候就可以很快的就拿到了。

数据仓库是存储了一堆的东西，包括已经过期，准备回收的商品，而且很大，并且还可以存储和数据库存储的东西，所相关的东西，比如牛奶卖出去了，这个大的牛奶盒子这些。

数据库就是存储存储定向的数据，如商品的最新信息，毕竟商品的价格每天都会变。

数据仓库存储类似历史数据或主题数据，如，订单相关的物流信息，商品的历史价格这些，而且和业务系统不一定完全一样，主要用于统计、数据分析等

元数据是什么？

元数据就是一个东西的描述信息，比如衣柜，衣柜的外观、大小、材质、容量、衣柜的哪一格存放了什么东西等等，这些就是元数据。

特点

可扩展性：Hive可以自由的扩展集群规模，一般情况下不需要重启服务。

延展性：支持用户自定义函数。

容错性：节点出问题了，HQL依然可以完成。

组成用户接口

CLI：shell命令行

JDBC/ODBC：Hive的Java实现

WebGUI：浏览器访问

元数据存储

Hive将元数据存储在数据库中，Hive中的元数据包括表的名称、列、分区、属性、是否是外部表、所在目录等等

解析

解析器、编译器、优化器完成HQL查询语句到词法解析、语法解析，编译、优化、查询计划生成，查询计划是存储在HDFS，之后调用MR执行。

hive与传统数据库对比

	Hive	传统数据库
查询语言	HQL	SQL
数据存储	HDFS	Raw Device or LocalFS
执行	MR	Executor
执行延迟	高	低
数据量	多	少
索引	0.8版本(位图索引)	复杂

Hive数据存储

DB(数据库)：HDFS下的/user/hive/warehouse文件夹

Table(内部表)：HDFS下/user/hive/warehouse/数据库/表，表删除后对应的文件夹也删除

External Table(外部表)：类似Table，就是数据存放位置可以任意指定路径，删除后，位于HDFS中的文件不会给删除。

Partition(分区)：HDFS下/user/hive/warehouse/数据库/表/区。

分区是一种逻辑性和物理上的优化，以空间换取时间，把一个表的数据切分成两个进行存储，这个切分可能是按照时间做切割，后面再查询的时候，内部会根据条件去判断要到哪个文件夹去找数据。

Bucket：在HDFS中同一个表目录下根据Hash散列后的不同文件，类似10%2=0，存储到文件1，=1存储到文件2，=2存储到文件3…

使用

bin/hive：本地客户端

bin/hive -e "select * from 库名.表名;"：执行执行

bin/hive -e "use 库名;select * from表名;"：直接执行

bin/hive -f 文件.hql：将复杂的hql语句放到文件内，并执行

bin/hiveserver2：开启远程服务

其他机器启动：bin/beeline

其他机器连接：!connect jdbc:hive2://hadoop-s01.levi.com:10000

cat ./hivehistory：使用过的历史HQL命令

配置文件常用项(hive-site.xml)

<property>

<name>javax.jdo.option.ConnectionURL</name>

<value>jdbc:mysql://localhost:3306/metastore?createDatabaseIfNotExist=true</value>

</property>

<property>

<name>javax.jdo.option.ConnectionDriverName</name>

<value>com.mysql.jdbc.Driver</value>

</property>

<property>

<name>javax.jdo.option.ConnectionUserName</name>

<value>root</value>

</property>

<property>

<name>javax.jdo.option.ConnectionPassword</name>

<value>root</value>

</property>

<property>

<name>hive.cli.print.header</name>

<value>true</value>

</property>

<property>

<name>hive.cli.print.current.db</name>

<value>true</value>

</property>

<!-- 简单的查询不走mapreduce -->

<property>

<name>hive.fetch.task.conversion</name>

<value>more</value>

</property>

<property>

<name>hive.server2.thrift.port</name>

<value>10000</value>

</property>

<property>

<name>hive.server2.thrift.bind.host</name>

<value>localhost</value>

</property>

<property>

<name>hive.server2.long.polling.timeout</name>

<value>5000</value>

</property>

Hive函数

​

数据类型数值

类型	支持范围
TINYINT	1字节带符号整数，从-128到127
SMALLINT	2字节带符号整数，从-32,768到32,767
INT/INTEGER	4字节带符号整数，从-2,147,483,648到2,147,483,647
BIGINT	8字节带符号整数，从-9,223,372,036,854,775,808到9,223,372,036,854,775,807
FLOAT	4字节单精度浮点数
DOUBLE	8字节双精度浮点数
DOUBLE	精度
DECIMAL	十进制数据类型在Hive 0.11.0 (Hive -2693)中引入，在Hive 0.13.0 (Hive -3976)中进行了修改。

日期

类型	支持版本
TIMESTAMP	注意:只能从Hive 0.8.0开始使用
DATE	注意:只能从Hive 0.12.0开始使用
INTERVAL	注意:只能从Hive 1.2.0开始使用

其他

类型		支持版本
arrays	ARRAY(data_type)	注:Hive0.14允许负值和非常量表达式。
maps	MAP(primitive_type, data_type)	注:Hive0.14允许负值和非常量表达式。
STRUCTs	STRUCTcol_name : data_type [COMMENT col_comment], …)
union	UNIONTYPE(data_type, data_type, …)	注意:只能从Hive 0.7.0开始使用。
string	字符串

ARRAY：ARRAY类型是由一系列相同数据类型的元素组成，这些元素可以通过下标来访问。比如有一个ARRAY类型的变量fruits，它是由['apple','orange','mango']组成，那么我们可以通过fruits[1]来访问元素orange，因为ARRAY类型的下标是从0开始的

MAP：MAP包含key->value键值对，可以通过key来访问元素。比如”userlist”是一个map类型，其中username是key，password是value；那么我们可以通过userlist['username']来得到这个用户对应的password；

STRUCT：STRUCT可以包含不同数据类型的元素。这些元素可以通过”点语法”的方式来得到所需要的元素，比如user是一个STRUCT类型，那么可以通过user.address得到这个用户的地址。

UNION：UNIONTYPE，他是从Hive 0.7.0开始支持的。

常用HQL

创建数据库：CREATE DATABASE IF NOT EXISTS levi;

设置变量临时生效：set hive.cli.print.header=false

创建表：create table if not exists test(id string,name string,sex string) row format delimited fields terminated by '\t';

创建表：create table newtb as select * from db.tname

创建表：create table newtb like db.tname

创建外部表：create external table test2(id int,name string) row format delimited fields terminated by '\t'

创建表(分区)：create table if not exists levi.t_partition(id string,

name string)partitioned by (date string,hour string)

row format delimited fields terminated by '\t';

创建表(分桶)：create table people(id string,name string)clustered by(id) sorted by (id) into 3 buckets row format delimited fields terminated by '\t';

创建表(正则)：

create table IF NOT EXISTS test (

id string,

name string

)

ROW FORMAT SERDE 'org.apache.hadoop.hive.serde2.regexSerDe'

WITH SERDEPROPERTIES (

"input.regex" = "(\"[^ ]*\") (\"-|[^ ]*\") (\"[^\]]*\") (\"[^\"]*\") (\"[0-9]*\") (\"[0-9]*\") (-|[^ ]*) (\"[^ ]*\") (\"[^\"]*\") (-|[^ ]*) (\"[^ ]*\")"

)

STORED AS TEXTFILE;

查看表信息：desc formatted tbname

导入数据(本地)：load data local inpath '/local_path/file' into table 表名;

导入数据(本地)(覆盖)：load data local inpath '/local_path/file' overwrite into table 表名;

导入数据(HDFS)：load data inpath '/local_path/file' into table 表名;

导入数据：insert into table 表名 select * from tbname;

导入数据：insert overwrite into table 表名 select * from tbname;

导入数据(分区)：load data local inpath '/opt/module/hive-hql/1999092919' into table levi.t_partition partition(date='19990929',hour='19');

导出(本地)：insert overwrite local directory "/opt/module/hive-hql/data_dir/"row format delimited fields terminated by '\t' select * from levi.tname;

导出(HDFS)：insert overwrite directory "path/" select * from levi.tbname;

自定义UDF函数：

public class ToLowerCase extends UDF { public Text evaluate(Text str) { if(null == str) { return null; } if(null != str && str.toString().length() <= 0) { return null; } return new Text(str.toString().toLowerCase()); } }

添加到hive的classpath：add jar /opt/lowercase.jar

添加到Hive函数列表：create temporary function 函数名 as '包名.类名'

运行函数：select 函数名(name) from student;

排序

order by：全局排序，会强行的把reducer改为一个，就算分桶了，还是查询所有数据。

sort by：数据进入reducer前完成排序，因此使用sort by排序，并设置mapred.reduce.tasks>1，则sort by保证每个reducer输出有序，不保证全局有序，就算是对每一个reduce内部数据进行排序。

distribute by：根据ditribute by指定的字段，将数据分发不同reducer，而且分发算法是hash散列算法。

cluster by：就是sort by distribute by。

​

,