会话7 Hive数据仓库.pptVIP

第7讲 Hive数据仓库 ;数据分析者面临的问题 ;数据分析者期待的解决方案 ;Hive简介 ;Hive ; 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 HQL，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。;Hive现状 ;体系结构图;1、用户接口主要有三个：命令行(CLI)，客户端(Client) 和WEB界面( WUI)。其中最常用的是 CLI，Cli 启动的时候，会同时启动一个 Hive 服务。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、元数据存储。Hive 将元数据存储在数据库中，如 mysql、derby嵌入式数据库。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、执行。解释器、编译器、优化器完成 HiveQL 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、 HDFS 存储。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）。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： Single User Mode： 此模式连接到一个 In-memory 的数据库 Derby，一般用于 Unit Test。;Hive安装 ;内嵌模式安装 ;设置环境变量 （修改profile文件）;配置文件 ;hive-env.sh ;hive-site.xml ;启动hive ;简单建删表测试 ;一个常见错误 ;解决方法 ;Hive安装：独立模式 ;Hive的服务;HiveQL 查询语言;HiveQL 查询语言;HiveQL 查询语言;HiveQL 查询语言;HiveQL 查询语言;建表;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 EXIST 选项来忽略这个异常。 EXTERNAL 关键字可以让用户创建一个外部表，在建表的同时指定一个指向实际数据的路径（LOCATION），Hive 创建内部表时，会将数据移动到数据仓库指向的路径；若创建外部表，仅记录数据所在的路径，不对数据的位置做任何改变。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。 LIKE 允许用户复制现有的表结构，但是不复制数据。 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。 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 SEQUENCE 。 有分区的表可以在创建的时候使用 PARTITIONED BY 语句。一个表可以拥有一个或者多个分区，每一个分区单独存在一个目录下。而且，表和分区都可以对某个列进行 CLUSTERED BY 操作，将若干个列放入一个桶（bucket）中。也可以利用SORT BY 对数据进行排序。这样可以为特定应用提高性能。 表名和列名不区分大小写，SerDe 和属性名区分大小写。表和列的注释是字符串。;创建表 ;创建表 ;列类型;Hive中表的类型;加载数据;加载的目标可以是一个表或者分区。如果表包含分区，必须指定每一个分区的分区名。 filepath 可以引用一个文件（这种情况下，Hive 会将文件移动到表所对应的目录中）或者是一个目录（在这种情况下，Hive 会将目录中的所有文件移动至表所对应的目录中）。 如果指定了 LOCAL，那么： load 命令会去查找本地文件系统中的 filepath。如果发现是相对路径，则路径会被解释为相对于当前