Hive的基本原理与使用

本文转自：http://tiechou.info/?p=33

简介

Hive是基于Hadoop构建的一套数据仓库分析系统，它提供了丰富的SQL查询方式来分析存储在Hadoop 分布式文件系统中的数据。Hive可以将结构化的数据存储在数据仓库中，通过自己的SQL去查询分析需要的内容，这套SQL简称Hive SQL。它与关系型数据库的SQL略有不同，但支持了绝大多数的语句如DDL、DML 以及常见的聚合函数、连接查询、条件查询。

Hive在Hadoop的架构体系中承担了一个SQL解析的过程，它提供了对外的入口来获取用户的指令然后对指令进行分析，解析出一个MapReduce程序组成可执行计划，并按照该计划生成对应的MapReduce任务提交给Hadoop集群处理，获取最终的结果。
安装

Hive需要Hadoop的支持，也就是说在安装Hive之前需要正确安装Hadoop。一般我们会将Hive安装到NameNode所在主机上，这里假设使用root用户进行安装，Hive的安装过程很简单,网上有很多安装方式：

1	[root@192.168.1.111] # 去到hadoop的目录，使用hadoop的项目根目录

2	[root@192.168.1.111] cd /opt/hadoop

3	[root@192.168.1.111] # 下载项目包（去官网（http://hadoop.apache.org/）下载Hadoop项目）

4	[root@192.168.1.111] wget http://www.apache.org/dist/hadoop/hive/hive-0.5.0/hive-0.5.0-dev.tar.gz

5	[root@192.168.1.111] # 解压

6	[root@192.168.1.111] tar xzvf hive-0.5.0-dev.tar.gz

7	[root@192.168.1.111] # 进入目录

8	[root@192.168.1.111] cd hive-0.5.0-dev

9	[root@192.168.1.111] # 与Hadoop的安装一样，我们应该习惯性的将安装目录写入环境变量

10	[root@192.168.1.111] export HIVE_HOME=`pwd`

11	[root@192.168.1.111] # 也可以将环境变量设置到/etc/profile中

配置

Hive的必要配置相当简单，只需要声明$HADOOP_HOME（请查阅《Hadoop安装》文档）这个环境变量就行了。

Hive的核心配置文件$HIVE_HOME/conf/hive-default.xml中有一些对Hive关键配置，一般我们不需要对期进行改动，如果你需要更改这个关键配置，请不要直接更改hive-default.xml这个文件，在同一目录下新建hive-site.xml文件，然后将需要更改的属性配置在这里面即可，配置格式与hive-default.xml一样。

在Hive官方文档中重点提到了Hive的日志配置$HIVE_HOME/conf/hive-log4j.properties，虽然不是必要更改的配置文件，但合理的设置会对我们有一定的帮助，具体配置方法可见官方文档。

使用

Hive提供了一个CLI（Command Line Interface）客户端，我们可以通过CLI进行直观的DDL、DML及SQL操作。以下是CLI使用示例：

1	# 这里创建了一个foo表,字段以\001分隔,location指定映射文件位置

2	create external table foo

3

(

4	uid bigint,

5	brand_value string

6

)

7	row format delimited fields terminated by '\001'

8	stored as textfile

9	location "/group/tbsc-dev/haowen/temp/shpsrch_bshop_brand_value_ssmerge_1011/";

10

11	# 插入数据到 foo表 注意这些语句不要用tab缩进

12	INSERT OVERWRITE TABLE foo

13	select uid,value_data

14

from

15

(

16	select t1.uid,t2.value_data

17

from

18	shpsrch_bshop_brand_unfold_ssmerge_1011 t1

19	join sel_shpsrch__base_values t2

20	on t1.brand_id = t2.value_id and t2.ds=20101019

21

) a;

也可以在终端界面这样使用

1	echo "select * from foo where uid=153702175;" | hive -u root -p root

数据join

之前在数据join的时候遇到过这样一个问题,就是当一个uid 对应多个品牌brand_id 的时候,即：
uid – brand_id1 = brand_id1 – brand_value1
uid – brand_id2 = :
uid – brand_id3 = :
这样join之后的数据会出现：
uid – brand_value1
uid – brand_value1
这个样子相同的多条记录,出现数据重复的现象
如果数据量小的话,最简单的调试办法是 这样：把所有的数据放在一个namenode上面跑

1	hive -u root -p root  <<EOF

2

3	# 指定reduced的任务数量

4	set mapred.reduce.tasks=1;

5	add file /data/tiechou/ssmerge/mod/mod_bshop_brand/script/brand_packed.pl;

6

explain

7	INSERT OVERWRITE TABLE foo

8	select transform(uid, value_data)

9	using 'brand_packed.pl'

10	as uid,brand_value

11

from

12

(

13	select t1.uid,t2.value_data

14

from

15	shpsrch_bshop_brand_unfold_ssmerge_1011 t1

16	join sel_shpsrch__base_values t2

17	on t1.brand_id = t2.value_id and t2.ds=1 distribute by t1.uid

18

) a;

19	set mapred.reduce.tasks=256;

20

EOF

上面显然不是最好的办法,不过已经说明问题了,是相同uid被分到多个namenode上join引起的,其实hive是支持clusterBy? | distributeBy? sortBy? 的, clusterBy是 distributeBy? sortBy?的综合

1	hive -u root -p root  <<EOF

2

3	add file /data/tiechou/ssmerge/mod/mod_bshop_brand/script/brand_packed.pl;

4	INSERT OVERWRITE TABLE foo

5	select transform(t3.uid,t3.value_data)

6	using 'brand_packed.pl'

7	as uid,brand_value

8

from(

9	from shpsrch_bshop_brand_unfold_ssmerge_1011 t1 join sel_shpsrch__base_values t2 on (t1.brand_id = t2.value_id and t2.ds=20101019) select t1.uid,t2.value_data distribute by t1.uid) t3;

最后我们普及一下sql join,在网上找了一个很形象的说明:http://coolshell.cn/articles/3463.html

SQL的Join语法有很多inner的，有outer的，有left的，有时候，对于Select出来的结果集是什么样子有点不是很清楚。Coding Horror上有一篇文章（实在不清楚为什么Coding Horror也被墙）通过 文氏图 Venn diagrams 解释了SQL的Join。

假设我们有两张表。

Table A 是左边的表。

Table B 是右边的表。

其各有四条记录，其中有两条记录是相同的，如下所示：

id name id name

– —- — —-
1 Pirate 1 Rutabaga
2 Monkey 2 Pirate
3 Ninja 3 Darth Vader
4 Spaghetti 4 Ninja

下面让我们来看看不同的Join会产生什么样的结果。

1	SELECT * FROM TableA

2	INNER JOIN TableB

3	ON TableA.name = TableB.name

Inner join

id name id name
– —- — —-
1 Pirate 2 Pirate
3 Ninja 4 Ninja
结果集: 是A和B的交集。

Full outer join

1	SELECT * FROM TableA

2	FULL OUTER JOIN TableB

3	ON TableA.name = TableB.name

id name id name
– —- — —-
1 Pirate 2 Pirate
2 Monkey null null
3 Ninja 4 Ninja
4 Spaghetti null null
null null 1 Rutabaga
null null 3 Darth Vader

结果集: 产生A和B的并集。但是需要注意的是，对于没有匹配的记录，则会以null做为值。

Left outer join

1	SELECT * FROM TableA

2	LEFT OUTER JOIN TableB

3	ON TableA.name = TableB.name

id name id name
– —- — —-
1 Pirate 2 Pirate
2 Monkey null null
3 Ninja 4 Ninja
4 Spaghetti null null

Left outer join 产生表A的完全集，而B表中匹配的则有值，没有匹配的则以null值取代。

1	SELECT * FROM TableA

2	LEFT OUTER JOIN TableB

3	ON TableA.name = TableB.name

4	WHERE TableB.id IS null

hive 中实现方式

1	select a_id from (

2	select a.id as a_id,b.del_id as b_id

3	from shop a left outer join del b

4	on a.id = b.del_id )c

5	where b_id is null;

id name id name
– —- — —-
2 Monkey null null
4 Spaghetti null null

结果集: 产生在A表中有而在B表中没有的集合。

1	SELECT * FROM TableA

2	FULL OUTER JOIN TableB

3	ON TableA.name = TableB.name

4	WHERE TableA.id IS null

5	OR TableB.id IS null

id name id name
– —- — —-
2 Monkey null null
4 Spaghetti null null
null null 1 Rutabaga
null null 3 Darth Vader

结果集: 产生A表和B表都没有出现的数据集。

还需要注册的是我们还有一个是“交差集” cross join, 这种Join没有办法用文式图表示，因为其就是把表A和表B的数据进行一个N*M的组合，即笛卡尔积。表达式如下：

1	SELECT * FROM TableA

2	CROSS JOIN TableB

这个笛卡尔乘积会产生 4 x 4 = 16 条记录，一般来说，我们很少用到这个语法。但是我们得小心，如果不是使用嵌套的select语句，一般系统都会产生笛卡尔乘积然再做过滤。这是对于性能来说是非常危险的，尤其是表很大的时候。