hive实战 | 易学教程

hive实战 - qiang.xu - 博客园

hive实战
1. 安装hive
2. hive实战
3. hive存储模型
4. 深入hql查询语言
5. 参考资料及代码下载
<1>. 安装hive
下载hive，下载地址http://mirror.bjtu.edu.cn/apache//hive/，解压该文件：
xuqiang@ubuntu:~/hadoop/src/hive$ tar zxvf hive-0.7.0-bin.tar.gz
设置环境变量：
xuqiang@ubuntu:~/hadoop/src/hive$ cd hive-0.7.0-bin/
xuqiang@ubuntu:~/hadoop/src/hive/hive-0.7.0-bin$ export HIVE_HOME=`pwd`
添加HIVE_HOME到环境变量PATH中：
xuqiang@ubuntu:~/hadoop/src/hive$ export PATH=$HIVE_HOME/bin:$PATH;
在运行hive之前，请确保变量HADOOP_HOME已经设置，如果没有设置，可以使用export命令设置该变量。
然后需要在hdfs上创建如下的目录来保存hive相关的数据。

xuqiang@ubuntu:~/hadoop/src/hive$ $HADOOP_HOME/bin/hadoop fs -mkdir /tmp
xuqiang@ubuntu:~/hadoop/src/hive$ $HADOOP_HOME/bin/hadoop fs -mkdir /user/hive/warehouse
xuqiang@ubuntu:~/hadoop/src/hive$ $HADOOP_HOME/bin/hadoop fs -chmod g+w /tmp
xuqiang@ubuntu:~/hadoop/src/hive$ $HADOOP_HOME/bin/hadoop fs -chmod g+w /user/hive/warehouse

此时运行hive的环境已经准备好了，在命令行中键入如下命令开始运行hive：

xuqiang@ubuntu:~/hadoop/src/hive/hive-0.7.0-bin$ $HIVE_HOME/bin/hive

<2>. hive实战
这里我们将完成这样的一个过程，首先创建一个表，从本机上加载数据到该表中，查询该表，得到我们感兴趣的数据。
首先创建表（具体语法将在下面给出）：

hive> create table cite(citing INT, cited INT)
> row format delimited
> fields terminated by ','
> stored as textfile;

创建完表之后，我们可以使用show tables命令查看新建的表：

hive> show tables;
OK
cite
Time taken: 1.257 seconds

查看新建表的结构：

hive> describe cite;
OK
citing int
cited int
Time taken: 0.625 seconds

我们加载本地数据到该表中去：

hive> load data local inpath '/home/xuqiang/hadoop/data/cite75_99.txt'
> overwrite into table cite;
Copying data from file:/home/xuqiang/hadoop/data/cite75_99.txt
Copying file: file:/home/xuqiang/hadoop/data/cite75_99.txt
Loading data to table default.cite
Deleted hdfs://localhost:9000/user/hive/warehouse/cite
OK
Time taken: 89.766 seconds

查询前10行数据：

hive> select * from cite limit 10;
OK
NULL NULL
3858241 956203
3858241 1324234
3858241 3398406
3858241 3557384
3858241 3634889
3858242 1515701
3858242 3319261
3858242 3668705
3858242 3707004
Time taken: 0.778 seconds

查询该文件中存在多少条数据，这时hive将执行一个map-reduce的过程来计算该值：

hive> select count(1) from cite;
Total MapReduce jobs = 1
Launching Job 1 out of 1
Number of reduce tasks determined at compile time: 1
In order to change the average load for a reducer (in bytes):
set hive.exec.reducers.bytes.per.reducer=<number>
In order to limit the maximum number of reducers:
set hive.exec.reducers.max=<number>
In order to set a constant number of reducers:
set mapred.reduce.tasks=<number>
Starting Job = job_201106150005_0004, Tracking URL = http://localhost:50030/jobdetails.jsp?jobid=job_201106150005_0004
Kill Command = /home/xuqiang/hadoop/src/hadoop-0.20.2/bin/../bin/hadoop job -Dmapred.job.tracker=localhost:9001 -kill job_201106150005_0004
2011-06-15 05:33:20,724 Stage-1 map = 0%, reduce = 0%
2011-06-15 05:33:46,325 Stage-1 map = 2%, reduce = 0%
2011-06-15 05:33:49,827 Stage-1 map = 3%, reduce = 0%
2011-06-15 05:33:53,208 Stage-1 map = 4%, reduce = 0%
2011-06-15 05:33:55,259 Stage-1 map = 7%, reduce = 0%
2011-06-15 05:34:40,450 Stage-1 map = 9%, reduce = 0%
2011-06-15 05:34:52,706 Stage-1 map = 48%, reduce = 0%
2011-06-15 05:34:57,961 Stage-1 map = 50%, reduce = 0%
2011-06-15 05:35:28,420 Stage-1 map = 50%, reduce = 17%
2011-06-15 05:35:36,653 Stage-1 map = 58%, reduce = 17%
2011-06-15 05:35:40,844 Stage-1 map = 61%, reduce = 17%
2011-06-15 05:35:49,131 Stage-1 map = 62%, reduce = 17%
2011-06-15 05:35:56,428 Stage-1 map = 67%, reduce = 17%
2011-06-15 05:36:34,380 Stage-1 map = 90%, reduce = 17%
2011-06-15 05:36:52,601 Stage-1 map = 100%, reduce = 17%
2011-06-15 05:37:10,299 Stage-1 map = 100%, reduce = 67%
2011-06-15 05:37:16,471 Stage-1 map = 100%, reduce = 100%
Ended Job = job_201106150005_0004
OK
16522439
Time taken: 274.531 seconds

好的，最后我们删除刚刚新建的表：

hive> drop table cite;
OK
Time taken: 5.724 seconds

<3>. 存储模型
通常情况下hive将数据存储到hadoop上/user/hive/warehouse目录下，关系型数据库使用索引index去加快查询速度，而hive使用的是以恶搞所谓的partition columns的概念，例如比如说存在某一行叫做state，可以根据state中存储的数据值，将state分为50个partitions。如果存在date列的话，那么通常按照时间进行partition，hive在对分区的列上进行查询的速度会比较快，原因是hadoop在数据存储上将不同的分区存储在了不同的目录文件下。例如对于上面的列state和date，可能的存储模型如下：
当然每个分区内的数据文件可能还是比较大，幸好在hive中存在一个所谓的buckets的概念，buckets根据hash值将数据分割成更小的数据文件，还是上面的例子，如果使用buckets的话，可能的存储模型如下：
<4>. 深入hql
我们将通过实际hql语句来分析hql的语法。
该条语句创建表page_view，表中有5列，同时在见表语句中指出了各个列的数据类型，在hive中内建支持的数据类型如下：
这些类型的层次结构如下：
层次结构中允许从子类型隐式的转换成父类型。
接着回到上面的见表语句，在列ip中添加了注释：
Ip STRING COMMENT (“Ip address of user”)
然后建表语句中添加了表的分区：
Partitioned by (dt string, country string)
注意的是这里的两列并不是表中的列，实际上这里的分区的两列dt和country仅仅是为了分区，实际上可能并不存储这些数据。
Additionally the partitioned by clause defines the partitioning columns which are different from the data columns and are actually not stored with the data. When specified in this way
然后建表语句指定buckets大小，这里是32。
最后指定数据源的文件格式。
好的现在我们给出更多的表操作的例子，由于sql极其相似，这里仅仅给出了语法，并没有给出解释。
描述表page_view结构。
改变表的名字
新增加一行
删除分区
删除表
显示所有的表
从文件page_view.txt文件将数据加载到表page_view中，注意的是这里的路径可以使用绝对路径或者相对路径。这里使用了local，表明数据文件的来源是本地，而不是在hdfs上。
Hql上的查询语句和sql很类似，这里没有一一给出，下面仅仅将给出hql中运算符和内建聚类函数。
运算符：
内建聚类函数：
<5>. 参考资料及代码下载
http://wiki.apache.org/hadoop/Hive/GettingStarted

1. 安装hive
2. hive实战
3. hive存储模型
4. 深入hql查询语言
5. 参考资料及代码下载

<1>. 安装hive

下载hive，下载地址http://mirror.bjtu.edu.cn/apache//hive/，解压该文件：

xuqiang@ubuntu:~/hadoop/src/hive$ tar zxvf hive-0.7.0-bin.tar.gz

设置环境变量：

xuqiang@ubuntu:~/hadoop/src/hive$ cd hive-0.7.0-bin/

xuqiang@ubuntu:~/hadoop/src/hive/hive-0.7.0-bin$ export HIVE_HOME=`pwd`

添加HIVE_HOME到环境变量PATH中：

xuqiang@ubuntu:~/hadoop/src/hive$ export PATH=$HIVE_HOME/bin:$PATH;

在运行hive之前，请确保变量HADOOP_HOME已经设置，如果没有设置，可以使用export命令设置该变量。

然后需要在hdfs上创建如下的目录来保存hive相关的数据。

xuqiang@ubuntu:~/hadoop/src/hive$ $HADOOP_HOME/bin/hadoop fs -mkdir /tmp
xuqiang@ubuntu:~/hadoop/src/hive$ $HADOOP_HOME/bin/hadoop fs -mkdir /user/hive/warehouse
xuqiang@ubuntu:~/hadoop/src/hive$ $HADOOP_HOME/bin/hadoop fs -chmod g+w /tmp
xuqiang@ubuntu:~/hadoop/src/hive$ $HADOOP_HOME/bin/hadoop fs -chmod g+w /user/hive/warehouse

此时运行hive的环境已经准备好了，在命令行中键入如下命令开始运行hive：

xuqiang@ubuntu:~/hadoop/src/hive/hive-0.7.0-bin$ $HIVE_HOME/bin/hive

<2>. hive实战

这里我们将完成这样的一个过程，首先创建一个表，从本机上加载数据到该表中，查询该表，得到我们感兴趣的数据。

首先创建表（具体语法将在下面给出）：

hive> create table cite(citing INT, cited INT)
> row format delimited
> fields terminated by ','
> stored as textfile;

创建完表之后，我们可以使用show tables命令查看新建的表：

hive> show tables;
OK
cite
Time taken: 1.257 seconds

查看新建表的结构：

hive> describe cite;
OK
citing int
cited int
Time taken: 0.625 seconds

我们加载本地数据到该表中去：

hive> load data local inpath '/home/xuqiang/hadoop/data/cite75_99.txt'
> overwrite into table cite;
Copying data from file:/home/xuqiang/hadoop/data/cite75_99.txt
Copying file: file:/home/xuqiang/hadoop/data/cite75_99.txt
Loading data to table default.cite
Deleted hdfs://localhost:9000/user/hive/warehouse/cite
OK
Time taken: 89.766 seconds

查询前10行数据：

hive> select * from cite limit 10;
OK
NULL NULL
3858241 956203
3858241 1324234
3858241 3398406
3858241 3557384
3858241 3634889
3858242 1515701
3858242 3319261
3858242 3668705
3858242 3707004
Time taken: 0.778 seconds

查询该文件中存在多少条数据，这时hive将执行一个map-reduce的过程来计算该值：

hive> select count(1) from cite;
Total MapReduce jobs = 1
Launching Job 1 out of 1
Number of reduce tasks determined at compile time: 1
In order to change the average load for a reducer (in bytes):
set hive.exec.reducers.bytes.per.reducer=<number>
In order to limit the maximum number of reducers:
set hive.exec.reducers.max=<number>
In order to set a constant number of reducers:
set mapred.reduce.tasks=<number>
Starting Job = job_201106150005_0004, Tracking URL = http://localhost:50030/jobdetails.jsp?jobid=job_201106150005_0004
Kill Command = /home/xuqiang/hadoop/src/hadoop-0.20.2/bin/../bin/hadoop job -Dmapred.job.tracker=localhost:9001 -kill job_201106150005_0004
2011-06-15 05:33:20,724 Stage-1 map = 0%, reduce = 0%
2011-06-15 05:33:46,325 Stage-1 map = 2%, reduce = 0%
2011-06-15 05:33:49,827 Stage-1 map = 3%, reduce = 0%
2011-06-15 05:33:53,208 Stage-1 map = 4%, reduce = 0%
2011-06-15 05:33:55,259 Stage-1 map = 7%, reduce = 0%
2011-06-15 05:34:40,450 Stage-1 map = 9%, reduce = 0%
2011-06-15 05:34:52,706 Stage-1 map = 48%, reduce = 0%
2011-06-15 05:34:57,961 Stage-1 map = 50%, reduce = 0%
2011-06-15 05:35:28,420 Stage-1 map = 50%, reduce = 17%
2011-06-15 05:35:36,653 Stage-1 map = 58%, reduce = 17%
2011-06-15 05:35:40,844 Stage-1 map = 61%, reduce = 17%
2011-06-15 05:35:49,131 Stage-1 map = 62%, reduce = 17%
2011-06-15 05:35:56,428 Stage-1 map = 67%, reduce = 17%
2011-06-15 05:36:34,380 Stage-1 map = 90%, reduce = 17%
2011-06-15 05:36:52,601 Stage-1 map = 100%, reduce = 17%
2011-06-15 05:37:10,299 Stage-1 map = 100%, reduce = 67%
2011-06-15 05:37:16,471 Stage-1 map = 100%, reduce = 100%
Ended Job = job_201106150005_0004
OK
16522439
Time taken: 274.531 seconds

好的，最后我们删除刚刚新建的表：

hive> drop table cite;
OK
Time taken: 5.724 seconds

<3>. 存储模型

通常情况下hive将数据存储到hadoop上/user/hive/warehouse目录下，关系型数据库使用索引index去加快查询速度，而hive使用的是以恶搞所谓的partition columns的概念，例如比如说存在某一行叫做state，可以根据state中存储的数据值，将state分为50个partitions。如果存在date列的话，那么通常按照时间进行partition，hive在对分区的列上进行查询的速度会比较快，原因是hadoop在数据存储上将不同的分区存储在了不同的目录文件下。例如对于上面的列state和date，可能的存储模型如下：

当然每个分区内的数据文件可能还是比较大，幸好在hive中存在一个所谓的buckets的概念，buckets根据hash值将数据分割成更小的数据文件，还是上面的例子，如果使用buckets的话，可能的存储模型如下：

<4>. 深入hql

我们将通过实际hql语句来分析hql的语法。

该条语句创建表page_view，表中有5列，同时在见表语句中指出了各个列的数据类型，在hive中内建支持的数据类型如下：

这些类型的层次结构如下：

层次结构中允许从子类型隐式的转换成父类型。

接着回到上面的见表语句，在列ip中添加了注释：

Ip STRING COMMENT (“Ip address of user”)

然后建表语句中添加了表的分区：

Partitioned by (dt string, country string)

注意的是这里的两列并不是表中的列，实际上这里的分区的两列dt和country仅仅是为了分区，实际上可能并不存储这些数据。

Additionally the partitioned by clause defines the partitioning columns which are different from the data columns and are actually not stored with the data. When specified in this way

然后建表语句指定buckets大小，这里是32。

最后指定数据源的文件格式。

好的现在我们给出更多的表操作的例子，由于sql极其相似，这里仅仅给出了语法，并没有给出解释。

描述表page_view结构。

改变表的名字

新增加一行

删除分区

删除表

显示所有的表

从文件page_view.txt文件将数据加载到表page_view中，注意的是这里的路径可以使用绝对路径或者相对路径。这里使用了local，表明数据文件的来源是本地，而不是在hdfs上。

Hql上的查询语句和sql很类似，这里没有一一给出，下面仅仅将给出hql中运算符和内建聚类函数。

运算符：