1 Hive基础知识

1.1 简介

什么是Hive
Hive是基于Hadoop的一个数据仓库工具，可以将结构化的数据文件映射为一张数据库表，并提供类SQL查询功能。

为什么使用Hive

• 直接使用Hadoop所面临的问题

  • 学习成本高
  • 一般项目周期要求短
  • MapReduce实现复杂的查询呢逻辑开发难度较大

• 为什么要使用Hive

  • 操作接口采用类SQL语法，可以快速开发
  • 避免编写MR，减少学习成本
  • 扩展功能很方便

Hive的特点

• 可扩展： 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： Hive支持用户自定义函数，用户可以根据自己的需求来实现自己的函数
• 容错： 良好的容错性，节点出现问题SQL仍然可以完成执行

1.2 架构

JobTracker是Hadoop1.x中的ResouceManager + AppMaster
TaskTracker相当于NodeManager + YarnChild

1.2.1 基本组成

• 用户接口：CLI、JDBC/ODBC、WebGUI
  • CLI是SHELL命令行
  • JDBC、ODBC是Hive的Java实现，与传统的JDBC类似
  • WebGUI是通过浏览器访问Hive
• 元数据存储：Mysql、Derby等
  • Hive将元数据存储在数据库中。Hive中的元数据包括表名、列、分区及其属性、表的属性（是否为外部表等）、表数据所在目录等。
• 解释器、编译器、优化器、执行器
  • 完成HQL查询语句 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。

1.3 Hive与Hadoop的关系

Hive利用HDFS存储数据，利用MapReduce查询数据

1.4 Hive与传统数据库对比

Hive具有SQL数据库的外表，但应用应用场景完全不同，Hive只适合用来做批量的数据统计分析

1.5 Hive的数据存储

1. Hive中所有的数据都存储在HDFS中，没有专门的数据存储格式（可支持Text，SequenceFile，ParquetFile，RCFILE等）
2. 只需要在创建表的时候告诉Hive数据中的列分隔符和行分隔符，Hive就可以解析数据。
3. Hive中包含以下数据模型：DB、Table、External Table、Partition、Bucket
   • DB：在HDFS中表现为 ${hive.metastore.warehouse.dir} 目录下的文件夹
   • Table：在HDFS中表现所属DB目录下的文件夹
   • External Table：外部表，与Table类似，不过其数据存放的位置可以在任意指定路径。
     • Table表：删除表后，HDFS上的文件都删除了
     • External外部表：删除表后，HDFS上的文件没有删除，只是把表删除了
       • Partition：在HDFS中表现为Table目录下的子目录
       • Bucket：桶，在HDFS中表现为同一个表目录下根据Hash散列之后的多个文件，会根据不同的文件把数据放到不同的文件夹中

1.6 Hive的安装的部署

1.6.1 准备工作

1. 安装mysql
2. 下载、解压Hive
3. 修改hive-site.xml，配置mysql

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25

<configuration>
<property>
<name>javax.jdo.option.ConnectionURL</name>
<value>jdbc:mysql://localhost:3306/hive?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>Driver class name for a JDBC metastore</description>
</property>
<property>
<name>javax.jdo.option.ConnectionUserName</name>
<value>root</value>
<description>username to use against metastore database</description>
</property>
<property>
<name>javax.jdo.option.ConnectionPassword</name>
<value>MYSQL的密码</value>
<description>password to use against metastore database</description>
</property>
</configuration>

1.6.2 使用Hive

• Hive的Shell交互模式
  • bin/hive 启动hive （与mysql操作方式一样）
• Hive Thrift服务
  • 在安装有hive的主机上后台启动 nohup ./hiveserver2 1> hiverserver.log 2>&1 &
  • 在任意子hadoop子节点上用beeline连接hiveserver
    • 方式1
      • ./beeline
      • !connect jdbc:hive2://hadoop1:10000 NikoBelic
    • 方式2
      • ./beeline -u jdbc:hive2://hadoop1:10000 -n NikoBelic
• 使用sql语句疯狂输出吧

2 Hive基本操作

2.1 DDL操作

2.1.1 创建表

建表语法

1
2
3
4
5
6
7
8
9

CREATE [EXTERNAL] TABLE [IF NOT EXISTS] table_name 
   [(col_name data_type [COMMENT col_comment], ...)] 
   [COMMENT table_comment] 
   [PARTITIONED BY (col_name data_type [COMMENT col_comment], ...)] 
   [CLUSTERED BY (col_name, col_name, ...) 
   [SORTED BY (col_name [ASC|DESC], ...)] INTO num_buckets BUCKETS] 
   [ROW FORMAT row_format] 
   [STORED AS file_format] 
   [LOCATION hdfs_path]

说明：

1. 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 EXISTS 选项来忽略这个异常。

2. 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。

3. PARTITIONED 表示根据某一个key(不在create table里面)对数据进行分区，体现在HDFS上就是 table目录下有n个不同的分区文件夹(country=China,country=USA)

4. ROW FORMAT
   DELIMITED [FIELDS TERMINATED BY char] [COLLECTION ITEMS TERMINATED BY char]
   [MAP KEYS TERMINATED BY char] [LINES TERMINATED BY char]
   | SERDE serde_name [WITH SERDEPROPERTIES (property_name=property_value, property_name=property_value, …)]
   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。

5. STORED AS
   SEQUENCEFILE|TEXTFILE|RCFILE
   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 SEQUENCEFILE。

6. CLUSTERED BY
   对于每一个表（table）或者分区， Hive可以进一步组织成桶，也就是说桶是更为细粒度的数据范围划分。Hive也是 针对某一列进行桶的组织。Hive采用对列值哈希，然后除以桶的个数求余的方式决定该条记录存放在哪个桶当中。
   把表（或者分区）组织成桶（Bucket）有两个理由：

• （1）获得更高的查询处理效率。桶为表加上了额外的结构，Hive 在处理有些查询时能利用这个结构。具体而言，连接两个在（包含连接列的）相同列上划分了桶的表，可以使用 Map 端连接 （Map-side join）高效的实现。比如JOIN操作。对于JOIN操作两个表有一个相同的列，如果对这两个表都进行了桶操作。那么将保存相同列值的桶进行JOIN操作就可以，可以大大较少JOIN的数据量。
• （2）使取样（sampling）更高效。在处理大规模数据集时，在开发和修改查询的阶段，如果能在数据集的一小部分数据上试运行查询，会带来很多方便。

实例

1
2
3
4
5
6
7
8
9

show databases;
use hive_test_db;
create table stu_buck(Sno int,Sname string,Sex string,Sage int,Sdept string)
clustered by(Sno) 
sorted by(Sno DESC)
into 4 buckets
row format delimited
fields terminated by ',';

设置变量,设置分桶为true, 设置reduce数量是分桶的数量个数
set hive.enforce.bucketing = true;
set mapreduce.job.reduces=4;

2.1.2 修改表

• 增加/删除分区

1
2
3
4
5

ALTER TABLE table_name ADD [IF NOT EXISTS] partition_spec [ LOCATION 'location1' ] partition_spec [ LOCATION 'location2' ] ...
partition_spec:
: PARTITION (partition_col = partition_col_value, partition_col = partiton_col_value, ...)
ALTER TABLE table_name DROP partition_spec, partition_spec,...

实例

1

alter table student_p add partition(part='a') partition(part='b');

• 重命名表

1

ALTER TABLE table_name RENAME TO new_table_name

• 增加/更新列

1

ALTER TABLE table_name ADD|REPLACE COLUMNS (col_name data_type [COMMENT col_comment], ...)

ADD是代表新增一字段，字段位置在所有列后面(partition列前)，REPLACE则是表示替换表中所有字段。

1

ALTER TABLE table_name CHANGE [COLUMN] col_old_name col_new_name column_type [COMMENT col_comment] [FIRST|AFTER column_name]

2.1.3 显示命令

1
2
3
4
5
6

show tables
show databases
show partitions
show functions
desc extended t_name;
desc formatted table_name;

2.2 DML操作

2.2.1 Load

1
2

LOAD DATA [LOCAL] INPATH 'filepath' [OVERWRITE] INTO 
TABLE tablename [PARTITION (partcol1=val1, partcol2=val2 ...)]

1

load data local inpath '/Users/lixiwei-mac/app/data/hive_tmp/metrics.data' into table metrics;

1. Load 操作只是单纯的复制/移动操作，将数据文件移动到 Hive 表对应的位置。

2. filepath：
   相对路径，例如：project/data1
   绝对路径，例如：/user/hive/project/data1
   包含模式的完整 URI，列如：
   hdfs://namenode:9000/user/hive/project/data1

3. LOCAL关键字
   如果指定了 LOCAL， load 命令会去查找本地文件系统中的 filepath。
   如果没有指定 LOCAL 关键字，则根据inpath中的uri查找文件

1. OVERWRITE 关键字
   如果使用了 OVERWRITE 关键字，则目标表（或者分区）中的内容会被删除，然后再将 filepath 指向的文件/目录中的内容添加到表/分区中。
   如果目标表（分区）已经有一个文件，并且文件名和 filepath 中的文件名冲突，那么现有的文件会被新文件所替代。

2.2.2 Insert

1

INSERT OVERWRITE TABLE tablename1 [PARTITION (partcol1=val1, partcol2=val2 ...)] select_statement1 FROM from_statement

Multiple inserts:

1
2
3

FROM from_statement 
INSERT OVERWRITE TABLE tablename1 [PARTITION (partcol1=val1, partcol2=val2 ...)] select_statement1 
[INSERT OVERWRITE TABLE tablename2 [PARTITION ...] select_statement2] ...

Dynamic partition inserts:

1

INSERT OVERWRITE TABLE tablename PARTITION (partcol1[=val1], partcol2[=val2] ...) select_statement FROM from_statement

1

insert into table metrics_buck select * from metrics distribute by (type);

导出表数据

1

INSERT OVERWRITE [LOCAL] DIRECTORY directory1 SELECT ... FROM ...

2.2.3 Select

1
2
3
4
5
6
7
8

SELECT [ALL | DISTINCT] select_expr, select_expr, ... 
FROM table_reference
[WHERE where_condition] 
[GROUP BY col_list [HAVING condition]] 
[CLUSTER BY col_list 
  | [DISTRIBUTE BY col_list] [SORT BY| ORDER BY col_list] 
] 
[LIMIT number]

注：

1. order by 会对输入做全局排序，因此只有一个reducer，会导致当输入规模较大时，需要较长的计算时间。
2. sort by不是全局排序，其在数据进入reducer前完成排序。因此，如果用sort by进行排序，并且设置mapred.reduce.tasks>1，则sort by只保证每个reducer的输出有序，不保证全局有序。
3. distribute by根据distribute by指定的内容将数据分到同一个reducer。
4. Cluster by 除了具有Distribute by的功能外，还会对该字段进行排序。因此，常常认为cluster by = distribute by + sort by

2.3 Hive Join

1
2
3
4

join_table:
  table_reference JOIN table_factor [join_condition]
  | table_reference {LEFT|RIGHT|FULL} [OUTER] JOIN table_reference join_condition
  | table_reference LEFT SEMI JOIN table_reference join_condition

Hive 支持等值连接（equality joins）、外连接（outer joins）和（left/right joins）。Hive 不支持非等值的连接，因为非等值连接非常难转化到 map/reduce 任务。另外，Hive 支持多于 2 个表的连接。

写 join 查询时，需要注意几个关键点：

1、只支持等值join
例如：

1
2
3

SELECT a.* FROM a JOIN b ON (a.id = b.id)
 SELECT a.* FROM a JOIN b
   ON (a.id = b.id AND a.department = b.department)

是正确的，然而:

1

SELECT a.* FROM a JOIN b ON (a.id>b.id)

是错误的。

2、可以 join 多于 2 个表。
例如

1
2

SELECT a.val, b.val, c.val FROM a JOIN b
    ON (a.key = b.key1) JOIN c ON (c.key = b.key2)

如果join中多个表的 join key 是同一个，则 join 会被转化为单个 map/reduce 任务，例如：

1
2
3

SELECT a.val, b.val, c.val FROM a JOIN b
    ON (a.key = b.key1) JOIN c
    ON (c.key = b.key1)

被转化为单个 map/reduce 任务，因为 join 中只使用了 b.key1 作为 join key。

1
2

SELECT a.val, b.val, c.val FROM a JOIN b ON (a.key = b.key1)
  JOIN c ON (c.key = b.key2)

而这一 join 被转化为 2 个 map/reduce 任务。因为 b.key1 用于第一次 join 条件，而 b.key2 用于第二次 join。

3、join 时，每次 map/reduce 任务的逻辑：

reducer 会缓存 join 序列中除了最后一个表的所有表的记录，再通过最后一个表将结果序列化到文件系统。这一实现有助于在 reduce 端减少内存的使用量。实践中，应该把最大的那个表写在最后（否则会因为缓存浪费大量内存）。例如：

1
2

SELECT a.val, b.val, c.val FROM a
    JOIN b ON (a.key = b.key1) JOIN c ON (c.key = b.key1)

所有表都使用同一个 join key（使用 1 次 map/reduce 任务计算）。Reduce 端会缓存 a 表和 b 表的记录，然后每次取得一个 c 表的记录就计算一次 join 结果，类似的还有：

1
2

SELECT a.val, b.val, c.val FROM a
    JOIN b ON (a.key = b.key1) JOIN c ON (c.key = b.key2)

这里用了 2 次 map/reduce 任务。第一次缓存 a 表，用 b 表序列化；第二次缓存第一次 map/reduce 任务的结果，然后用 c 表序列化。

4、LEFT，RIGHT 和 FULL OUTER 关键字用于处理 join 中空记录的情况
例如：

1
2

SELECT a.val, b.val FROM 
a LEFT OUTER  JOIN b ON (a.key=b.key)

• 对应所有 a 表中的记录都有一条记录输出。输出的结果应该是 a.val, b.val，当 a.key=b.key 时，而当 b.key 中找不到等值的 a.key 记录时也会输出:
  a.val, NULL
  所以 a 表中的所有记录都被保留了；
  “a RIGHT OUTER JOIN b”会保留所有 b 表的记录。

• Join 发生在 WHERE 子句之前。如果你想限制 join 的输出，应该在 WHERE 子句中写过滤条件——或是在 join 子句中写。这里面一个容易混淆的问题是表分区的情况：

1
2
3

SELECT a.val, b.val FROM a
  LEFT OUTER JOIN b ON (a.key=b.key)
  WHERE a.ds='2009-07-07' AND b.ds='2009-07-07'

会 join a 表到 b 表（OUTER JOIN），列出 a.val 和 b.val 的记录。WHERE 从句中可以使用其他列作为过滤条件。但是，如前所述，如果 b 表中找不到对应 a 表的记录，b 表的所有列都会列出 NULL，包括 ds 列。也就是说，join 会过滤 b 表中不能找到匹配 a 表 join key 的所有记录。这样的话，LEFT OUTER 就使得查询结果与 WHERE 子句无关了。解决的办法是在 OUTER JOIN 时使用以下语法：

1
2
3
4

SELECT a.val, b.val FROM a LEFT OUTER JOIN b
  ON (a.key=b.key AND
      b.ds='2009-07-07' AND
      a.ds='2009-07-07')

这一查询的结果是预先在 join 阶段过滤过的，所以不会存在上述问题。这一逻辑也可以应用于 RIGHT 和 FULL 类型的 join 中。

• Join 是不能交换位置的。无论是 LEFT 还是 RIGHT join，都是左连接的。

1
2
3
4

SELECT a.val1, a.val2, b.val, c.val
  FROM a
  JOIN b ON (a.key = b.key)
  LEFT OUTER JOIN c ON (a.key = c.key)

先 join a 表到 b 表，丢弃掉所有 join key 中不匹配的记录，然后用这一中间结果和 c 表做 join。这一表述有一个不太明显的问题，就是当一个 key 在 a 表和 c 表都存在，但是 b 表中不存在的时候：整个记录在第一次 join，即 a JOIN b 的时候都被丢掉了（包括a.val1，a.val2和a.key），然后我们再和 c 表 join 的时候，如果 c.key 与 a.key 或 b.key 相等，就会得到这样的结果：NULL, NULL, NULL, c.val

2.4 HQL小结

1
2
3

show databases;
show tables;
desc test;

2.4.1 分桶表示例

• 创建分桶表

  1 2 3 4 5 6 7 8

  drop table stu_buck; create table stu_buck(Sno int,Sname string,Sex string,Sage int,Sdept string) clustered by(Sno) sorted by(Sno DESC) into 4 buckets row format delimited fields terminated by ',';

• 设置变量,设置分桶为true, 设置reduce数量是分桶的数量个数

  • set hive.enforce.bucketing = true;
  • set mapreduce.job.reduces=4;
  • insert overwrite table student_buck
  • select * from student cluster by(Sno) sort by(Sage); 报错,cluster 和 sort 不能共存

• 往创建的分通表插入数据(插入数据需要是已分桶, 且排序的)

  • 可以使用distribute by(sno) sort by(sno asc) 或是排序和分桶的字段相同的时候使用Cluster by(字段)

  • 注意使用cluster by 就等同于分桶+排序(sort)

    1 2 3 4 5 6 7 8

    insert into table stu_buck select Sno,Sname,Sex,Sage,Sdept from student distribute by(Sno) sort by(Sno asc); insert overwrite table stu_buck select * from student distribute by(Sno) sort by(Sno asc); insert overwrite table stu_buck select * from student cluster by(Sno);

2.4.2 保存select查询结果的几种方式：

1. 将查询结果保存到一张新的hive表中

   1 2 3

   create table t_tmp as select * from t_p;

1. 将查询结果保存到一张已经存在的hive表中

   1 2	insert into table t_tmp select * from t_p;

2. 将查询结果保存到指定的文件目录（可以是本地，也可以是hdfs）

   1 2 3 4 5

   insert overwrite local directory '/home/hadoop/test' select * from t_p; insert overwrite directory '/aaa/test' select * from t_p;

2.4.3 关于hive中的各种join

1. 准备数据

   1,a
   2,b
   3,c
   4,d
   7,y
   8,u

   2,bb
   3,cc
   7,yy
   9,pp

1. 建表：

1
2
3
4
5
create table a(id int,name string)
row format delimited fields terminated by ',';
create table b(id int,name string)
row format delimited fields terminated by ',';

1. 导入数据

   1 2	load data local inpath '/home/hadoop/a.txt' into table a; load data local inpath '/home/hadoop/b.txt' into table b;

2. 实验

   • inner join

1
2
3
4
5
6
7
8
select * from a inner join b on a.id=b.id;
+-------+---------+-------+---------+--+
| a.id  | a.name  | b.id  | b.name  |
+-------+---------+-------+---------+--+
| 2     | b       | 2     | bb      |
| 3     | c       | 3     | cc      |
| 7     | y       | 7     | yy      |
+-------+---------+-------+---------+--+

• left join

  1 2 3 4 5 6 7 8 9 10 11

  select * from a left join b on a.id=b.id; +-------+---------+-------+---------+--+ | a.id | a.name | b.id | b.name | +-------+---------+-------+---------+--+ | 1 | a | NULL | NULL | | 2 | b | 2 | bb | | 3 | c | 3 | cc | | 4 | d | NULL | NULL | | 7 | y | 7 | yy | | 8 | u | NULL | NULL | +-------+---------+-------+---------+--+

• right join

  select * from a right join b on a.id=b.id;

• outer join

  1 2 3 4 5 6 7 8 9 10 11 12

  select * from a full outer join b on a.id=b.id; +-------+---------+-------+---------+--+ | a.id | a.name | b.id | b.name | +-------+---------+-------+---------+--+ | 1 | a | NULL | NULL | | 2 | b | 2 | bb | | 3 | c | 3 | cc | | 4 | d | NULL | NULL | | 7 | y | 7 | yy | | 8 | u | NULL | NULL | | NULL | NULL | 9 | pp | +-------+---------+-------+---------+--+

• left semi join

  1 2 3 4 5 6 7 8

  select * from a left semi join b on a.id = b.id; +-------+---------+--+ | a.id | a.name | +-------+---------+--+ | 2 | b | | 3 | c | | 7 | y | +-------+---------+--+

2.4.4 其他

• 多重插入：

1
2
3
4
5
from student
insert into table student_p partition(part='a')
select * where Sno<95011;
insert into table student_p partition(part='a')
select * where Sno<95011;

• 导出数据到本地

  1 2	insert overwrite local directory '/home/hadoop/student.txt' select * from student;

• UDF案例

1
2
3
4
5
6
7
8
9
create table rat_json(line string) row format delimited;
load data local inpath '/home/hadoop/rating.json' into table rat_json;
drop table if exists t_rating;
create table t_rating(movieid string,rate int,timestring string,uid string)
row format delimited fields terminated by '\t';
insert overwrite table t_rating
select split(parsejson(line),'\t')[0]as movieid,split(parsejson(line),'\t')[1] as rate,split(parsejson(line),'\t')[2] as timestring,split(parsejson(line),'\t')[3] as uid from rat_json limit 10;

• 内置jason函数

1
select get_json_object(line,'$.movie') as moive,get_json_object(line,'$.rate') as rate  from rat_json limit 10;

• transform案例

  1. 先加载rating.json文件到hive的一个原始表 rat_json

     1 2	create table rat_json(line string) row format delimited; load data local inpath '/home/hadoop/rating.json' into table rat_json;

  2. 需要解析json数据成四个字段，插入一张新的表 t_rating

     1 2	insert overwrite table t_rating select get_json_object(line,'$.movie') as moive,get_json_object(line,'$.rate') as rate from rat_json;

1. 使用transform+python的方式去转换unixtime为weekday

   • 先编辑一个python脚本文件

     vi weekday_mapper.py

     1 2 3 4 5 6 7 8 9 10

     #!/bin/python import sys import datetime for line in sys.stdin: line = line.strip() movieid, rating, unixtime,userid = line.split('\t') weekday = datetime.datetime.fromtimestamp(float(unixtime)).isoweekday() print '\t'.join([movieid, rating, str(weekday),userid])

   • 保存文件

   • 然后，将文件加入hive的classpath：

     • hive>add FILE /home/hadoop/weekday_mapper.py;
     • hive>create TABLE u_data_new as

     1 2 3 4 5 6 7

     SELECT TRANSFORM (movieid, rate, timestring,uid) USING 'python weekday_mapper.py' AS (movieid, rate, weekday,uid) FROM t_rating; select distinct(weekday) from u_data_new limit 10;

3 Hive Shell参数

3.1 Hive命令行

语法结构

hive [-hiveconf x=y] [<-i filename>] [<-f filename>|<-e query-string>] [-S]

说明：

-i 从文件初始化HQL。
-e从命令行执行指定的HQL
-f 执行HQL脚本
-v 输出执行的HQL语句到控制台
-p connect to Hive Server on port number
-hiveconf x=y Use this to set hive/hadoop configuration variables.

3.2 Hive参数配置方式

3.2.1 Hive参数大全

https://cwiki.apache.org/confluence/display/Hive/Configuration+Properties

开发Hive应用时，不可避免地需要设定Hive的参数。设定Hive的参数可以调优HQL代码的执行效率，或帮助定位问题。然而实践中经常遇到的一个问题是，为什么设定的参数没有起作用？这通常是错误的设定方式导致的。

对于一般参数，有以下三种设定方式：

• 配置文件
• 命令行参数
• 参数声明

3.2.2 配置文件

Hive的配置文件包括

• 用户自定义配置文件：$HIVE_CONF_DIR/hive-site.xml
• 默认配置文件：$HIVE_CONF_DIR/hive-default.xml

用户自定义配置会覆盖默认配置。
另外，Hive也会读入Hadoop的配置，因为Hive是作为Hadoop的客户端启动的，Hive的配置会覆盖Hadoop的配置。
配置文件的设定对本机启动的所有Hive进程都有效。

3.2.3 命令行参数

启动Hive（客户端或Server方式）时，可以在命令行添加-hiveconf param=value来设定参数，例如：
bin/hive -hiveconf hive.root.logger=INFO,console
这一设定对本次启动的Session（对于Server方式启动，则是所有请求的Sessions）有效。

3.2.4 参数声明

可以在HQL中使用SET关键字设定参数，例如：

1

set mapred.reduce.tasks=100;

这一设定的作用域也是session级的。

上述三种设定方式的优先级依次递增。即参数声明覆盖命令行参数，命令行参数覆盖配置文件设定。注意某些系统级的参数，例如log4j相关的设定，必须用前两种方式设定，因为那些参数的读取在Session建立以前已经完成了。

4 Hive函数

创建测试表

• vim dual.data 只写一个空格
• 创建表
  • use school;
  • create table dual(id int);
• load data local inpath '/Users/lixiwei-mac/app/data/hive_tmp/dual.data' into table dual; 导入数据

• 测试

  • select substr('NikoBelic',0,4) from dual;

    1 2 3 4 5

    +-------+--+ | _c0 | +-------+--+ | Niko | +-------+--+

4.1 内置运算符

内容较多，见《Hive官方文档》

4.2 内置函数

内容较多，见《Hive官方文档》

4.3 Hive自定义函数和Transform

当Hive提供的内置函数无法满足你的业务处理需要时，此时就可以考虑使用用户自定义函数（UDF：user-defined function）。

4.3.1 自定义函数类别

• UDF 作用于单个数据行，产生一个数据行作为输出。（数学函数，字符串函数）
• UDAF（用户定义聚集函数）：接收多个输入数据行，并产生一个输出数据行。（count，max）

4.3.2 UDF开发实例

1. 先开发一个java类，继承UDF，并重载evaluate方法

   1 2 3 4 5 6 7 8 9 10

   package cn.itcast.bigdata.udf import org.apache.hadoop.hive.ql.exec.UDF; import org.apache.hadoop.io.Text; public final class Lower extends UDF{ public Text evaluate(final Text s){ if(s==null){return null;} return new Text(s.toString().toLowerCase()); } }

1. 打成jar包上传到服务器
2. 将jar包添加到hive的classpath
   • hive>add JAR /home/hadoop/udf.jar;
   • 创建临时函数与开发好的java class关联
   • 即可在hql中使用自定义的函数strip
   • Select strip(name),age from t_test;
3. 创建临时函数与开发好的java class关联
   • Hive>create temporary function strip as 'cn.itcast.bigdata.udf.Strip';
4. 即可在hql中使用自定义的函数strip
   • Select strip(name),age from t_test;

4.3.3 Transform实现

• Hive的 TRANSFORM 关键字提供了在SQL中调用自写脚本的功能
• 适合实现Hive中没有的功能又不想写UDF的情况

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16

CREATE TABLE u_data_new (
  movieid INT,
  rating INT,
  weekday INT,
  userid INT)
ROW FORMAT DELIMITED
FIELDS TERMINATED BY '\t';
add FILE weekday_mapper.py;
INSERT OVERWRITE TABLE u_data_new
SELECT
  TRANSFORM (movieid, rating, unixtime,userid)
  USING 'python weekday_mapper.py'
  AS (movieid, rating, weekday,userid)
FROM u_data;

• 使用示例1：下面这句sql就是借用了weekday_mapper.py对数据进行了处理.

1
2
3
4
5
6
7
8
9

#!/bin/python
import sys
import datetime
for line in sys.stdin:
  line = line.strip()
  movieid, rating, unixtime,userid = line.split('\t')
  weekday = datetime.datetime.fromtimestamp(float(unixtime)).isoweekday()
  print '\t'.join([movieid, rating, str(weekday),userid])

• 其中weekday_mapper.py内容如下

1
2
3
4
5
6
7
8
9

#!/bin/python
import sys
import datetime
for line in sys.stdin:
  line = line.strip()
  movieid, rating, unixtime,userid = line.split('\t')
  weekday = datetime.datetime.fromtimestamp(float(unixtime)).isoweekday()
  print '\t'.join([movieid, rating, str(weekday),userid])

• 使用示例2：下面的例子则是使用了shell的cat命令来处理数据

1

FROM invites a INSERT OVERWRITE TABLE events SELECT TRANSFORM(a.foo, a.bar) AS (oof, rab) USING '/bin/cat' WHERE a.ds > '2008-08-09';

5 遇到的问题问题

1. UDF 载入Jar成功 但添加function时ClassNotFound。

   • 如果确定create function xx as ‘ClassPackageName’ 中的ClassPackageName没有输入错误，那么可能是导出的Jar出现了问题。
   • Idea编辑器下，导出jar时不要选择 from moudles 而要选择empty,并创建META-INF，不要引入依赖jar包
   • 退出Hive服务重新连接并导入即可

2. 创建UDF方法出现异常 Unsupported major.minor version 52.0

   • Hadoop的JDK版本和jar的导出版本不一致，52.0是jdk8的版本号
   • 修改Hadoop的hadoop-env.sh，将jdk7的路径修改为jdk8即可

3. UDF方法调用异常

   • 导出的jar中不包含依赖，比如UDF中用了fastjson,在sql中执行udf方法将会报错
   • 解决方法
     1. 配置pom，安装可以将依赖导出到某文件夹的插件
     2. 执行mvn命令，将项目中的依赖jar包通过maven命令导出到指定文件夹
     3. 配置hive，指定外部依赖路径
     4. 重新导入UDF，成功

1. pom配置

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31

<plugin>
    <groupId>org.apache.maven.plugins</groupId>
    <artifactId>maven-jar-plugin</artifactId>
    <version>2.6</version>
    <configuration>
        <archive>
            <manifest>
                <addClasspath>true</addClasspath>
                <classpathPrefix>lib/</classpathPrefix>
                <mainClass>com.xxg.Main</mainClass>
            </manifest>
        </archive>
    </configuration>
</plugin>
<plugin>
    <groupId>org.apache.maven.plugins</groupId>
    <artifactId>maven-dependency-plugin</artifactId>
    <version>2.10</version>
    <executions>
        <execution>
            <id>copy-dependencies</id>
            <phase>package</phase>
            <goals>
                <goal>copy-dependencies</goal>
            </goals>
            <configuration>
                <outputDirectory>${project.build.directory}/lib</outputDirectory>
            </configuration>
        </execution>
    </executions>
</plugin>

1. mvn 导出 依赖 命令

mvn dependency:copy-dependencies -DoutputDirectory=lib

1. 配置hive的 hive-env.sh 最后一行

export HIVE_AUX_JARS_PATH=/Users/lixiwei-mac/Documents/IdeaProjects/bigdatalearning/lib

赏

晚饭加个鸡腿 ^.^

支付宝

微信