1 Hive简介

1.1 Hive系统架构

Hive系统架构

Hive是建立在 Hadoop上的数据仓库基础构架，它提供了一系列的工具，可以进行数据提取、转化、加载（ ETL ）
Hive定义了简单的类SQL查询语言，称为HQL，它允许熟悉SQL的用户直接查询Hadoop中的数据
Hive包含SQL解析引擎，它会将SQL语句转译成MR Job，然后在Hadoop中执行
Hive的数据存储基于Hadoop的HDFS
Hive没有专门的数据存储格式，默认可以直接加载文本文件TextFile，还支持SequenceFile、RCFile等

1.2 Metastore

Metastore是Hive元数据的集中存放地
元数据包括表的名字，表的列和分区及其属性，表的数据所在目录等
Metastore默认使用内嵌的Derby数据库作为存储引擎，推荐使用Mysql数据库作为外置存储引擎

1.3 Hive与MySQL对比

	Hive	MySQL
数据存储位置	HDFS	本地磁盘
数据格式	用户决定	系统决定
数据更新	不支持	支持
索引	有，但较弱	有
执行	MapReduce	Executor
执行延迟	高	低
可扩展性	高	低
数据规模	大	小

2 Hive安装部署

访问Hive官方网站，下载apache-hive-3.1.2-bin.tar.gz安装包，在/data/soft目录下解压文件。

2.1 配置hive-env.sh

cd apache-hive-3.1.2-bin/conf/
mv hive-env.sh.template hive-env.sh

在文件末尾添加以下内容：

export JAVA_HOME=/home/gdan/data/jdk-8u131-linux-x64/jdk1.8.0_131
export HIVE_HOME=/home/gdan/data/soft/apache-hive-3.1.2-bin
export HADOOP_HOME=/home/gdan/data/soft/hadoop-3.2.0

再/etc/profile也需要设置hive的环境变量

export HIVE_HOME=/home/gdan/data/soft/apache-hive-3.1.2-bin
export PATH=$HIVE_HOME/bin:$PATH

2.2 安装mysql数据库，并创建hive库

1.安装MySQL 在终端中输入以下命令来安装MySQL：

sudo apt-get update
sudo apt-get install mysql-server

安装过程中会提示您设置MySQL的root用户密码，请根据提示进行设置。

安装时没有提示输入root账户密码，默认是空，可以执行以下命令设置密码为xxxx：

sudo mysql -u root -p  #密码按Enter即可进入mysql shell，空格也可以，普通用户一定sudo

2. 创建hive元数据数据库

create database hive;

2.3 配置hive-site.xml

cd apache-hive-3.1.2-bin/conf/
mv hive-default.xml.template hive-site.xml

在文件中添加以下内容：

<property><name>javax.jdo.option.ConnectionURL</name><value>jdbc:mysql://localhost:3306/hive?serverTimezone=Asia/Shanghai</value>
</property>
<property><name>javax.jdo.option.ConnectionDriverName</name><value>com.mysql.cj.jdbc.Driver</value>
</property>
<property><name>javax.jdo.option.ConnectionUserName</name><value>root</value>
</property>
<property><name>javax.jdo.option.ConnectionPassword</name><value>admin</value>
</property>
<property><name>hive.querylog.location</name><value>/data/hive_repo/querylog</value>
</property>
<property><name>hive.exec.local.scratchdir</name><value>/data/hive_repo/scratchdir</value>
</property>
<property><name>hive.downloaded.resources.dir</name><value>/data/hive_repo/resources</value>
</property>

给定的代码片段是Hive的配置文件，用于配置连接到MySQL数据库的相关属性。具体解释如下：

javax.jdo.option.ConnectionURL：指定连接到MySQL数据库的URL。在这个例子中，URL为jdbc:mysql://localhost:3306/hive?serverTimezone=Asia/Shanghai，表示连接到本地的MySQL数据库，端口为3306，数据库名为hive，使用Asia/Shanghai时区。

javax.jdo.option.ConnectionDriverName：指定用于连接到Hive数据库的JDBC驱动程序的类名。在这个例子中，驱动程序的类名为com.mysql.cj.jdbc.Driver，表示使用MySQL的JDBC驱动程序。

javax.jdo.option.ConnectionUserName：指定连接到Hive数据库时使用的用户名。在这个例子中，用户名为root。

javax.jdo.option.ConnectionPassword：指定连接到Hive数据库时使用的密码。在这个例子中，密码为admin。

hive.querylog.location：指定查询日志的存储位置。在这个例子中，查询日志存储在/data/hive_repo/querylog目录中。

hive.exec.local.scratchdir：指定本地临时文件的存储位置。在这个例子中，临时文件存储在/data/hive_repo/scratchdir目录中。

hive.downloaded.resources.dir：指定下载资源的存储位置。在这个例子中，下载的资源存储在/data/hive_repo/resources目录中。

这些属性用于配置连接到Hive数据库的相关参数，并定义了查询日志、临时文件和下载资源的存储位置。

2.4 修改Hadoop的etc/hadoop/core-site.xml文件

<property><name>hadoop.proxyuser.root.hosts</name><value>*</value>
</property>
<property><name>hadoop.proxyuser.root.groups</name><value>*</value>
</property>

给定的代码片段是Hadoop的配置文件，用于配置代理用户的相关属性。具体解释如下：

hadoop.proxyuser.root.hosts：指定可以通过代理用户root进行访问的主机列表。在这个例子中，*表示允许所有主机通过root用户进行访问。

hadoop.proxyuser.root.groups：指定可以通过代理用户root进行访问的用户组列表。在这个例子中，*表示允许所有用户组通过root用户进行访问。

这些属性用于配置Hadoop代理用户的访问权限，允许指定的主机和用户组通过指定的代理用户进行访问。

2.5 初始化Hive的Metastore

cd /data/soft/apache-hive-3.1.2-bin
bin/schematool -dbType mysql -initSchema

一直出现这种问题

后来发现是环境问题，回去更改 hive-env.sh 文件

再继续执行，又报错了

at [row,col,system-id]: [3215,96

需要删除3215行里面的description，把hive.txn.xlock.iow对应的description标签内容删掉。

又开始报错

此外还需要下载mysql jdbc 的jar包

去官网下载，把jar包放进hive的lib文件夹下

去mysql创建用户

使用的是mysql8.0版本，所以正确代码是：

create user 'dw'@'localhost' identified by '123456'; -- 创建用户
grant all on *.* to 'dw'@'localhost'; -- 将所有数据库的所有表的所有权限赋给datawhale
flush privileges;  -- 刷新mysql系统权限关系表

注意不要use hive

检查hive是否成功部署

3 Hive使用

创建数据库

hive
create database hive;

3.1 创建数据表

create table t3_new(id int comment 'ID',stu_name string comment 'name' ,stu_birthday date comment 'birthday',online boolean comment 'is onlone'
)row format delimited 
fields terminated by '\t' 
lines terminated by '\n';

hdfs文件系统中的存储位置如下：

"hadoop fs -ls /" 是一个 Hadoop 命令，用于列出 Hadoop 分布式文件系统（HDFS）根目录下的文件和目录。

具体解释如下：

"hadoop": 这是 Hadoop 命令行工具的名称。
"fs": 表示要执行与文件系统相关的操作。
"-ls": 是一个选项，表示要列出指定路径下的文件和目录。
"/": 这是 HDFS 的根目录路径。

因此，运行 "hadoop fs -ls /" 命令将返回 HDFS 根目录下的所有文件和目录的列表。

3.2 创建带Array的表

create table stu(id int,name string,favors array<string>
)row format delimited 
fields terminated by '\t'
collection items terminated by ','
lines terminated by '\n';

3.3 创建带Map的表

create table stu2(id int,name string,scores map<string,int>
)row format delimited 
fields terminated by '\t'
collection items terminated by ','
map keys terminated by ':'
lines terminated by '\n';

3.4 加载数据到表中

加载数据到表中属于DML操作，这里为了方便大家测试，先简单介绍一下加载本地数据到表中的命令，命令如下：

load data local inpath '/home/gdan/data/soft/hivedata/stu3.data' into table emp;

其中stu3.data的内容如下：

7369	SMITH	CLERK	7902	1980-12-17 00:00:00	800.00		20
7499	ALLEN	SALESMAN	7698	1981-02-20 00:00:00	1600.00	300.00	30
7521	WARD	SALESMAN	7698	1981-02-22 00:00:00	1250.00	500.00	30
7566	JONES	MANAGER	7839	1981-04-02 00:00:00	2975.00		20
7654	MARTIN	SALESMAN	7698	1981-09-28 00:00:00	1250.00	1400.00	30
7698	BLAKE	MANAGER	7839	1981-05-01 00:00:00	2850.00		30
7782	CLARK	MANAGER	7839	1981-06-09 00:00:00	2450.00		10
7788	SCOTT	ANALYST	7566	1987-04-19 00:00:00	1500.00		20
7839	KING	PRESIDENT		1981-11-17 00:00:00	5000.00		10
7844	TURNER	SALESMAN	7698	1981-09-08 00:00:00	1500.00	0.00	30
7876	ADAMS	CLERK	7788	1987-05-23 00:00:00	1100.00		20
7900	JAMES	CLERK	7698	1981-12-03 00:00:00	950.00		30
7902	FORD	ANALYST	7566	1981-12-03 00:00:00	3000.00		20
7934	MILLER	CLERK	7782	1982-01-23 00:00:00	1300.00		10

3.5 创建桶表

create table bucket_tb(id int
)clustered by (id) into 4 buckets;

注意：需要从普通表中将数据插入到桶表中

3.6 创建视图

create view v1 as select id,stu_name from t3_new;

又开始报错

http://t.csdn.cn/TBkLa

网上的教程也是很多坑，之前说把Hadoop的一个jar包放进Hive里面，其实不需要这个操作。

改回来就可以了

3.7 综合案例

案例需求：通过Flume按天将日志数据采集到HDFS中对应目录，使用SQL按天统计每天的相关指标，数据样例如下：

{"uid": "861848974414839801","nickname": "mick","usign": "","sex": 1,"birthday": "","face": "","big_face": "","email": "abc@qq.com","mobile": "","reg_type": "102","last_login_time": "1494344580","reg_time": "1494344580","last_update_time": "1494344580","status": "5","is_verified": "0","verified_info": "","is_seller": "0","level": 1,"exp": 0,"anchor_level": 0,"anchor_exp": 0,"os": "android","timestamp": 1494344580,"type": "user_info"
}

解决方法：

针对Flume的Source可以使用Exec Source，Channel可以使用基于文件的或者内存的，Sink使用HDFS Sink，在HDFS Sink的Path路径中需要使用%Y%m%d获取日期，将每天的日志数据采集到指定的HDFS目录中。
需要对按天采集的日志数据建表，由于这份数据可能会被多种计算引擎使用，所以建议使用外部表。
在实际工作中，离线计算的需求大部分都是按天计算的，所以在这里最好在表中增加日期这个分区字段，最终决定使用外部分区表。
针对Json数据，先创建外部分区表，再创建视图，解析Json数据中的字段

如果你要重新启动hive的话，需要把hadoop重新启动一下：

1. 创建分区表

CREATE EXTERNAL TABLE ex_par_more_type (log STRING
)
PARTITIONED BY (dt STRING, d_type STRING)
ROW FORMAT DELIMITED
FIELDS TERMINATED BY '\t'
LOCATION '/moreType';

这是一个创建外部表的SQL语句，用于创建名为ex_par_more_type的外部表。该表包含一个名为log的列，并照dt和d_type两个分区进行分区。

以下是对每个部分的解释：

CREATE EXTERNAL TABLE ex_par_more_type: 创建一个名为ex_par_more_type的外部表。
(log string): 定义了一个名为log的列，其数据类型为string。
PARTITIONED (dt string, d_type string): 按dt和d_type两个列进行分区。
ROW FORMAT DELIMITED: 指定行格式为分隔符格式。
FIELDS TERMINATED '\t': 指定字段之间的隔符为制表符（'\t'）。
LOCATION '/moreType': 指定外部表存储位置为/mType。

通过执行这个SQL语句，你可以在指定的存储位置中创建一个外部表ex_par_more_type，该表含一个log列，并按照dt和d_type进行分区。

2. 添加分区

alter table ex_par_more_type add  partition(dt='20200504',d_type='giftRecord') location '/moreType/20200504/giftRecord';

这个命令是用于在表 ex_par_more_type 中添加一个分区。

分区的条件是 dt='20200504' 和 d_type='giftRecord'，并且该分区的数据将存储在路径 /moreType/20200504/giftRecord 中。

3. 创建视图

create view gift_record_view as 
select get_json_object(log,'$.send_id') as send_id,get_json_object(log,'$.good_id') as good_id,get_json_object(log,'$.video_id') as video_id,get_json_object(log,'$.gold') as gold,
dt
from ex_par_more_type
where d_type='giftRecord';

4. 创建脚本

#!/bin/bash
# 每天凌晨1点定时添加当天日期的分区
if [ "a$1" = "a" ]
thendt=`date +%Y%m%d`
elsedt=$1
fi
# 指定添加分区操作
hive -e "
alter table ex_par_more_type add if not exists  partition(dt='${dt}',d_type='giftRecord') location '/moreType/${dt}/giftRecord';
alter table ex_par_more_type add if not exists partition(dt='${dt}',d_type='userInfo') location '/moreType/${dt}/userInfo';
alter table ex_par_more_type add if not exists  partition(dt='${dt}',d_type='videoInfo') location '/moreType/${dt}/videoInfo';
"

这是一个Bash脚本，用于在每天凌晨1点定时添加当天日期的分区。

脚本首先检查是否提了命令行参数如果没有提供参数，则使用当前日期作为分区的日期。如果提供了参数，则使用该参数作为分区的日期。

接下来，脚本使用Hive命令执行三个ALTER TABLE语句，用于添加分区。这些语句将在名为"ex_par_more_type"表中添加三个分区，分别对应不同的"d_type"值giftRecord、userInfovideoInfo）。每个分区的位置（location）都基于日期动态生成。

这些操作将在H中的"ex_par_more_type"表中添加当天日期的个分区，并指定相应的位置。

5. 配置crontab，每天执行一次

00 01 * * * root /bin/bash /data/soft/hivedata/addPartion.sh >> /data/soft/hivedata/addPartion.log

4 Hive高级函数应用

4.1 分组排序取TopN

使用row_number()（对数据编号，从1开始）和over()（把数据划分到一个窗口，加上partition by，按照字段对数据进行分组，使用order by按照字段进行排序）

SELECT *
FROM (SELECT *,ROW_NUMBER() OVER (PARTITION BY sub ORDER BY score DESC) AS numFROM student_score
) s
WHERE s.num <= 3;

这个查询语句的目的是从名为 "student_score" 的表中选择每个科目（""）的前三名学生。使用窗口函数 ROW_NUMBER() 对每个科目的成绩进行降序排列，并为每个分组分配一个行号，外部查询选择行号小等于3的记录即每个科的前三名学生。

可以使用rank()替代row_number()，表示上下两条记录的score相等时，记录的行号是一样的，但下一个score值的行号递增N
可以使用dense_rank()替代row_number()，表示上下两条记录的score相等时，下一个score值的行号递增1

4.2 行转列

concat_ws()（根据指定的分隔符拼接多个字段的值）、
collect_set()（返回一个set集合，集合汇中的元素不重复）、
collect_list()（返回一个list集合，集合中的元素会重复）

select name,collect_list(favor) as favor_list from student_favors group by name;

4.3 列转行

split()（接受一个字符串和切割规则，就类似于java中的split函数，使用切割规则对字符串中的数据进行切割，最终返回一个array数组）
explode()（表示把数组中的每个元素转成一行）
lateral view（可以对数据产生一个支持别名的虚拟表）

select name,favor_new from student_favors_2 lateral view explode(split(favorlist,',')) table1 as favor_new;

4.4 distribute by

ditribute by：只会根据指定的key对数据进行分区，但是不会排序。
一般情况下可以和sort by结合使用，先对数据分区，再进行排序，两者结合使用的时候，distribute by必须要写在sort by之前。

4.5 cluster by

cluster by：是distribute by和sort by的简写形式，即cluster by id等于distribute by id sort by id

5 应用示例

5.1 解决数据倾斜问题的SQL语句

数据倾斜的根本原因是数据的key分布不均，个别key数据很多，超出了计算节点的计算能力的结果

SELECT a.Key, SUM(a.Cnt) AS Cnt
FROM (SELECT Key, COUNT(*) AS CntFROM TableName GROUP BY Key,CASEWHEN Key = 'KEY001' THEN Hash(Random()) % 50ELSE 0END
) a GROUP BY a.Key;

其中CASE WHEN将数据打散，然后再进行GROUP BY

5.2 解决数据倾斜方案

参数调节：hive.groupby.skewindata=true 有数据倾斜的时候进行负载均衡，当选项设定为true，生成的查询计划会有两个MR Job。第一个MR Job中，Map的输出结果集合会随机分布到Reduce中，每个Reduce做部分聚合操作，并输出结果，这样处理的结果是相同的Group By Key有可能被分发到不同的Reduce中，从而达到负载均衡的目的；第二个MR Job再根据预处理的数据结果，按照Group By Key分布到Reduce中（这个过程可以保证相同的Group By Key被分布到同一个Reduce中），最后完成最终的聚合操作。
SQL语句调节：
1. 大小表Join：使用map join让小的维度表（1000条以下的记录条数）先进内存。在map端完成reduce。
2. 大表Join大表：把空值的key变成一个字符串加上随机数，把倾斜的数据分到不同的reduce上，由于null值关联不上，处理后并不影响最终结果。
3. count distinct大量相同特殊值：在count distinct时，将值为空的情况单独处理，如果是计算count distinct，可以不用处理，直接过滤，在最后结果中加1。如果还有其他计算，需要进行group by，可以先将值为空的记录单独处理，再和其他计算结果进行union。
4. 去重求和：采用sum() group by的方式来替换count(distinct)完成计算。