基于Hive的日志数据统计实战Hive简介部署.PDFVIP

基于Hive 的日志数据统计实战 一、Hive 简介 Hive 是一个基于 hadoop 的开源数据仓库工具，用于存储和处理海量结构化数 据。 它把海量数据存储于 hadoop 文件系统，而不是数据库，但提供了一套类数据库 的数据存储和处理机制，并采用 HQL （类SQL ）语言对这些数据进行自动化管理和处 理。我们可以把 hive 中海量结构化数据看成一个个的表，而实际上这些数据是分布式存 储在 HDFS 中的。 Hive 经过对语句进行解析和转换，最终生成一系列基于 hadoop 的 map/reduce 任务，通过执行这些任务完成数据处理。 Hive 诞生于 facebook 的日志分析需求，面对海量的结构化数据， hive 以较低的 成本完成了以往需要大规模数据库才能完成的任务，并且学习门槛相对较低，应用开发灵活 而高效。 Hive 自 2009.4.29 发布第一个官方稳定版 0.3.0 至今，不过一年的时间，正在慢 慢完善，网上能找到的相关资料相当少，尤其中文资料更少，本文结合业务对 hive 的应 用做了一些探索，并把这些经验做一个总结，所谓前车之鉴，希望读者能少走一些弯路。 Hive 的官方 wiki 请参考这里 : /hadoop/Hive 官方主页在这里： /hive/ Hive-0.5.0 源码包和二进制发布包的下载地址 /apache-mirror/hadoop/hive/hive-0.5.0/ 二、部署 由于 Hive 是基于 hadoop 的工具，所以 hive 的部署需要一个正常运行的 hadoop 环境。以下介绍 hive 的简单部署和应用。 部署环境： 操作系统： Red Hat Enterprise Linux AS release 4 (Nahant Update 7) Hadoop ： hadoop-0.20.2 ，正常运行 部署步骤如下： 1、下载最新版本发布包 hive-0.5.0-dev.tar.gz ，传到 hadoop 的 namenode 节 点上，解压得到 hive 目录。假设路径为：/opt/hadoop/hive-0.5.0-bin 2、设置环境变量 HIVE_HOME ，指向 hive 根目录 /opt/hadoop/hive-0.5.0-bin 。 由于 hadoop 已运行，检查环境变量 JAVA_HOME 和 HADOOP_HOME 是否正确有效。 3、切换到 $HIVE_HOME 目录， hive 配置默认即可，运行 bin/hive 即可启动 hive ，如果正常启动，将会出现“ hive ”提示符。 4、在命令提示符中输入“ show tables; ”，如果正常运行，说明已部署成功，可供使 用。 常见问题： 1、执行“ show tables; ”命令提示“ FAILED: Error in metadata: java.lang.IllegalArgumentException: URI: does not have a scheme ”，这是由于 hive 找不到存放元数据库的数据库而导致的，修改 conf/ hive-default.xml 配置文件中 的 hive.metastore.local 为 true 即可。由于 hive 把结构化数据的元数据信息放在第 三方数据库，此处设置为 true ，hive 将在本地创建 derby 数据库用于存放元数据。当 然如果有需要也可以采用 mysql 等第三方数据库存放元数据，不过这时 hive.metastore.local 的配置值应为 false 。 2、如果你已有一套 nutch1.0 系统正在跑，而你不想单独再去部署一套 hadoop 环 境，你可以直接使用 nutch1.0 自带的 hadoop 环境，但这样的部署会导致 hive 不能 正常运行，提示找不到某些方法。这是由于 nutch1.0 使用了 commons-lang-2.1.jar 这个包，而 hive 需要的是 commons-lang-2.4.jar ，下载一个 2.4 版本的包替换掉 2.1 即可， nutch 和 hive 都能正常运行。 三、应用场景 本文主要讲述使用 hive 的实践，业务不是关键，简要介绍业务场景，本次的任务是对 搜索日志数据进行统计分析。