Hadoop学习之Hive学习指南

• Hive介绍
• Hive安装
• Hive的技术架构
• Hive和关系型数据的区别

Hive介绍

1. Hive是基于Hadoop的数据仓库工具，可以将结构化的数据文件映射成一张数据库表，并提供完整的sql查询功能，可以将SQL语句转换为MapReduce任务进行运行，其优点是学习成本低，可以通过SQL语句快速实现简单的MapReduce统计，不必开发新的MapReduce应用，十分适合数据仓库的统计分析。
2. Hive是建立在Hadoop上的数据仓库基础架构。它提供了一系列的工具，可以用来对数据进行提取转换加载（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定义了简单的数据库查询语言，叫做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的开发者开发自定义的Map和Reduce来处理内建的Map和Reduce无法完成的复杂的分析工作。

Hive的安装

1. 官方文档提供两种下载Hive的方法，一种直接下载安装包，另外一种方式是下载源文件，并编译。这里我用的是第一种方法，简单方便，有兴趣学习源码的童鞋可以采用第二种方法。
2. 下载完成之后，解压安装包，这里以apache-hive-2.1.0为例，并设置Hive的环境变量，即配置HIVE_HOME，确保HADOOP_HOME已经设置好（Linux系统下配置环境变量的方法就不在此累述了）。

3. 然后在HDFS创建目录来保存数据。

   hadoop fs -mkdir /tmp
   hadoop fs -mkdir /user/hive/warehouse
   hadoop fs -chmod g+w /tmp
   hadoop fs -chmod g+w /user/hive/warehouse

4. 在启动hive之前，首先要启动hdfs。
   新版本的HiveServer2已经代替了之前的HiveServer2，现在我们用HiveServer2来启动hive。

   • 先用schematool工具来配置数据库schematool，如果使用mysql进行配置，拷贝MySQL驱动文件到hive的lib目录下，修改hive-site.xml文件如下

     <property>
     <name>javax.jdo.option.ConnectionURL</name>
     <value>jdbc:mysql://localhost:3306/mysql?createDatabaseIfNotExist=
     true</value>
     <description>JDBC connect string for a JDBC metastore
     </description>
     </property>
     <property>
     <name>javax.jdo.option.ConnectionDriverName</name>
     <value>com.mysql.jdbc.Driver</value>
     </description>
     </property>
     <property>
     <name>javax.jdo.option.ConnectionUserName</name>
     <value>hive</value>
     <description>username to use against metastore database
     </description>
     </property>
     <property>
     <name>javax.jdo.option.ConnectionPassword</name>
     <value>hive</value>
     </description>
     </property>

     bin/schematool -dbType derby -initSchema或
     bin/schematool -dbType mysql -initSchema

   • HiveServer2拥有自己的CLI叫做Beeline。使用Beeline运行Hive如下

     bin/hiveserver2
     bin/beeline -ujdbc:hive2://$HS2_HOST:$HS2_PORT
     测试可用bin/beeline -u jdbc:hive2://
     注意启动hive之前，先把HIVE_HOME下jdbc目录下的jar放到lib目录下。

   • 启动Hcatalogserver

     $HIVE_HOME/hcatalog/sbin/hcat_server.sh

     使用Hcatalog

     $HIVE_HOME/hcatalog/bin/hcat

     运行网页版

     $HIVE_HOME/hcatalog/sbin/webhcat_server.sh

Hive的技术架构

首先我们来看一下架构图：

Hive架构包括以下组件：
1. Driver组件：该组件包括Complier、Optimizer和Executor，它们的作用是将我们写的HQL进行解析、编译优化、生成执行计划，然后调用底层的mapreduce计算框架。
2. MetaStore组件：元数据服务组件，Hive的元数据存储在关系型数据库里，Hive支持的关系型数据库有Derby、MySql。元数据对Hive非常重要，因此Hive支持把MetaStore服务独立出来，安装到远程的服务器集群里，从而解耦Hive服务和MetaStore服务，保证Hive运行的健壮性。
3. 解释器、编译器和优化器完成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，并在随后由MapReduce调用执行。
4. Thrift服务组件：thrift是facebook开发的一个软件架构，它用来进行可扩展且跨语言的服务开发，Hive集成了该服务，能让不同的编程语言调用Hive接口。
5. CLI组件：command line interface命令行接口。
6. Thrift客户端组件：上面的架构图没有写Thrift客户端，但是Hive的许多客户端是建立在Thrift客户端基础上的，包括ODBC、JDBC接口。
7. WEBGUI组件：Hive提供了一种通过网页的方式访问Hive所提供的服务。这个接口对应Hive的hwi组件（Hive web interface）,使用之前要启动hwi。
重点介绍一下MetaStore，MetaStore包括两个部分：MetaStore服务和后台数据的存储，后台数据存储的介质就是关系型数据库，例如Hive默认的嵌入式磁盘数据库是Derby，还有MySql。MetaStore服务是建立在后台数据介质之上，并且可以和Hive服务进行交互的服务组件，默认情况下，默认情况下MetaStore服务和Hive服务是安装在一起的，运行在同一个进程中，也可以把MetaStore服务剥离出来，独立安装在一个集群里，Hive远程调用MetaStore服务，这样我们就可以把元数据放到防火墙之后，客户端访问Hive服务，就可以连接到元数据这层，从而提供了更好的管理性和安全保障。使用远程MetaStore服务可以让Hive服务和MetaStore服务运行在不同的进程里，保障了Hive的稳定性以及以及提成了服务的效率。参考下图：

Hive和关系型数据库的区别

1. Hive和关系型数据库存储的文件系统不同，Hive使用的是Hadoop的HDFS，关系型数据库则是服务器本地的文件系统。
2. Hive使用的模型是MapReduce，而关系型数据库是自己设计的计算模型。
3. 关系型数据库都是为实时查询的业务设计的，而Hive则是为海量数据进行数据挖据设计的，实时性很差。
4. Hive很容易扩展自己的存储能力和计算能力，这个是继承Hadoop的，而关系型数据库就差很多。