数据仓库基础与Apache Hive入门
数据仓库基本概念
数据仓库，简称数仓，用于存储、分析、报告的数据系统。数据仓库的目的是构建面向分析的集成化数据环境，分析结果为企业提供决策支持。
- 数据仓库本身并不生产任何数据，其数据来源于不同的外部系统
- 同时数据仓库自身也不需要“消费” 任何数据，其结果开放给各个外部应用使用
- 这也是为什么交“仓库”，不叫工厂的原因
数据仓库为何而来？解决什么问题？
为了分析数据而来，分析结果给企业决策提供支撑
在哪里进行数据分析？
在数据库进行数据分析？可以，但是没有必要。
首先数据库要保证我们正常的业务，数据分析也是读数据，会让数据库压力变大。
而且不同系统不同表之间的字段存在差异，可能格式不同，编码不同，单位不同。字段类型属性不统一
包括历史数据不完善等
为了分析所涉及数据，规模较小的时候，在业务低峰期可以在数据库上直接开展分析。
但为了更好的进行各种规模的数据分析，同时也不影响正常系统的运行，此时需要构建一个集成统一的数据分析平台。该平台目的很简单：面向分析，支持分析，并且和正常业务系统解耦合，基于这种需求，数据仓库的雏形开始在企业中出现了。
最终结论：企业中数据仓库为什么而来？ 为了更好的分析数据而来。
数据仓库主要特征
1、面向主题
- 主题是一个抽象的概念，是较高层次上数据综合、归类并进行分析利用的抽象。在逻辑意义上，它是对应企业中，某一宏观分析领域所涉及的分析对象。
2、集成性
- 主题相关的数据通常会分布在多个操作型系统中，彼此分散、独立、异构。需要集成到数仓主题下。
因此在数据进入数据仓库之气那，必须要经过统一与综合，对数据进行抽取、清理、转换和汇总，这一步是数据仓库建设中最关键、最复杂的一步。
3、非易失性
- 也叫非易变性。数据仓库是分析数据的平台，而不是创造数据的平台。我们通过数仓去分析数据中的规律，而不是去创造修改其中的规律，因此数据进行数据仓库后，它便稳定且不会改变。
4、时变性
- 数据仓库的数据需要随着时间更新，以适应决策的需要
数据仓库包含各种粒度的历史数据，数据可能与某个特定日期、星期、月份、季度或者年份有关。当业务变化后会失去时效性，因此数据仓库的数据需要随着时间更新，以适应决策的需要。（这里指的数据更新是指，我这个月分析上个月的数据，我把数据读入数仓，这些数据我是不会去改变的，但是我下个月再分析数据，那么肯定就不能用的还是上个月的数据，用的应该是这个月产生的数据）
从这个角度讲，数据仓库建设是一个项目，更是一个过程。
数据仓库主流开发语言—SQL
在数据分析领域，SQL是分析领域主流开发语言。
很多数仓软件都会去支持SQL语法。
Apache Hive入门
Apache Hive 是一款建立在Hadoop之上的开源数据仓库系统，可以将存储在Hadoop文件中结构化，半结构化数据文件映射为一张数据表，基于表提供了一种类似SQL的查询模型，成为Hive查询语言（HQL），用于访问和分析存储在Hadoop文件中的大型数据集
Hive核心是将HQL转换为MapReduce程序，然后将程序提交到Hadoop集群执行
Hive由Facebook实现并开源
为什么使用Hive
使用Hadoop MapReduce直接处理数据所面临的问题：
人员学习成本太高，需要掌握java语言
MapReduce实现复杂查询逻辑开发难度太大
使用Hive处理数据好处
操作接口采用类似SQL语法，提供快速开发的能力，简单容易上手。
避免直接写MapReduce，减少开发人员学习成本。
支持自定义函数，功能扩展很方便
背靠Hadoop，擅长存储分析海量数据集
Hive和Hadoop关系
- 从功能上来说，数据仓库软件，至少需要具备一下两种能力：存储数据能力，分析数据能力
- Apache Hive 作为一款大数据时代的数据仓库软件，当然具备上述两种能力，只不过Hive并不是自己实现了上述两种能力，而是借助了Hadoop
Hive利用HDFS存储数据，利用MapReduce查询分析数据 - 这样突然发现Hive没啥用，不过是套壳Hadoop，其实不然，Hive最大魅力在于，用户可以专注于编写HQL，Hive帮你转换成为MapReduce程序完成对数据的分析
Hive架构图
用户接口：
包括CLI、JDBC/ODBC、WebGUI。其中CLI（command line interface）为shell命令行；Hive中的Thrift服务器允许外部客户端通过网络与Hive进行交互，类似于JDBC或ODBC协议；WebGUI是通过浏览器访问Hive。
元数据存储：
通常是存储在关系数据库中，如mysql / derby（内置数据库）等，Hive中的元数据包括表的名字，表的列和分区及其属性，表的属性是（是否为外部表等），表的数据所在目录等。就是表和文件之间的映射关系。
Hive Driver 驱动程序
包括语法解析器，计划编译器，优化器，执行器。完成HQL查询语句从语法分析、语法解析，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，并在随后有执行引擎调用执行。
执行引擎：
Hive本身并不直接处理数据文件，而是通过执行引擎处理，当下Hive支持MapReduce，Tez，Spark 3种执行引擎。
Apache Hive 安装部署
首先我们需要解决元数据存储问题，元数据存储在关系型数据库种，Hive内置了Derby数据库，或者使用第三方数据库，如MySQL
元数据服务，metastore，作用就是管理元数据。因为元数据很重要，所以Hive对其专门开发了一个组件对其管理。
有了metastore服务，就可以有多个客户端同时连接，而且这些客户端不需要指导 数据库 的用户米给和密码，只需要连接metastore服务即可，某种程度上也保证了hive元数据的安全。
metastore服务配置有3种：内嵌模式，本地模式，远程模式
远程模式安装
在搭建Hive之前一定保证Hadoop集群健康可用
启动Hive之前必须先启动Hadoop集群，特别要注意：需等待HDFS安全模式关闭之后再启动运行Hive。
Hive不是分布式安装运行的软件，其分布式的特性主要借由Hadoop完成。包括分布式存储、分布式计算。
服务器基础环境，集群时间同步，防火墙关闭，主机Host映射，免密登录，JDK安装
只要你安装了Hadoop就没问题。
Hadoop与Hive整合：
因为Hive需要把数据存储在HDFS上，并且通过MapReduce作为执行引擎处理数据；
因此需要在Hadoop种添加相关配置属性，以满足Hive在Hadoop上运行
修改Hadoop中core-site.xml，并且Hadoop集群同步配置文件，重启生效
hadoop.proxyuser.root.hosts *
hadoop.proxyuser.root.groups *
先安装MySql
Mysql安装
-
卸载Centos7自带的mariadb
[root@node3 ~]# rpm -qa|grep mariadb mariadb-libs-5.5.64-1.el7.x86_64[root@node3 ~]# rpm -e mariadb-libs-5.5.64-1.el7.x86_64 --nodeps [root@node3 ~]# rpm -qa|grep mariadb -
安装mysql
mkdir /export/software/mysql#上传mysql-5.7.29-1.el7.x86_64.rpm-bundle.tar 到上述文件夹下 解压 tar xvf mysql-5.7.29-1.el7.x86_64.rpm-bundle.tar#执行安装 yum -y install libaio[root@node3 mysql]# rpm -ivh mysql-community-common-5.7.29-1.el7.x86_64.rpm mysql-community-libs-5.7.29-1.el7.x86_64.rpm mysql-community-client-5.7.29-1.el7.x86_64.rpm mysql-community-server-5.7.29-1.el7.x86_64.rpm warning: mysql-community-common-5.7.29-1.el7.x86_64.rpm: Header V3 DSA/SHA1 Signature, key ID 5072e1f5: NOKEY Preparing... ################################# [100%] Updating / installing...1:mysql-community-common-5.7.29-1.e################################# [ 25%]2:mysql-community-libs-5.7.29-1.el7################################# [ 50%]3:mysql-community-client-5.7.29-1.e################################# [ 75%]4:mysql-community-server-5.7.29-1.e################ ( 49%) -
mysql初始化设置
#初始化 mysqld --initialize#更改所属组 chown mysql:mysql /var/lib/mysql -R#启动mysql systemctl start mysqld.service#查看生成的临时root密码 cat /var/log/mysqld.log[Note] A temporary password is generated for root@localhost: o+TU+KDOm004 -
修改root密码 授权远程访问 设置开机自启动
[root@node2 ~]# mysql -u root -p Enter password: #这里输入在日志中生成的临时密码 Welcome to the MySQL monitor. Commands end with ; or \g. Your MySQL connection id is 3 Server version: 5.7.29Copyright (c) 2000, 2020, Oracle and/or its affiliates. All rights reserved.Oracle is a registered trademark of Oracle Corporation and/or its affiliates. Other names may be trademarks of their respective owners.Type 'help;' or '\h' for help. Type '\c' to clear the current input statement.mysql> #更新root密码 设置为hadoop mysql> alter user user() identified by "hadoop"; Query OK, 0 rows affected (0.00 sec)#授权 mysql> use mysql;# 密码和上面设置的保持一致 IDENTIFIED BY 'hadoop' mysql> GRANT ALL PRIVILEGES ON *.* TO 'root'@'%' IDENTIFIED BY 'hadoop' WITH GRANT OPTION;mysql> FLUSH PRIVILEGES; #mysql的启动和关闭 状态查看 （这几个命令必须记住） systemctl stop mysqld systemctl status mysqld systemctl start mysqld#建议设置为开机自启动服务 [root@node2 ~]# systemctl enable mysqld Created symlink from /etc/systemd/system/multi-user.target.wants/mysqld.service to /usr/lib/systemd/system/mysqld.service.#查看是否已经设置自启动成功 [root@node2 ~]# systemctl list-unit-files | grep mysqld mysqld.service enabled
Hive安装
只需要在一台机器上安装即可。
-
上传安装包 解压
tar zxvf apache-hive-3.1.2-bin.tar.gz -
解决Hive与Hadoop之间guava版本差异
cd /export/server/apache-hive-3.1.2-bin/ rm -rf lib/guava-19.0.jar cp /export/server/hadoop-3.3.0/share/hadoop/common/lib/guava-27.0-jre.jar ./lib/ -
修改配置文件
-
hive-env.sh
cd /export/server/apache-hive-3.1.2-bin/conf mv hive-env.sh.template hive-env.shvim hive-env.sh export HADOOP_HOME=/export/server/hadoop-3.3.0 export HIVE_CONF_DIR=/export/server/apache-hive-3.1.2-bin/conf export HIVE_AUX_JARS_PATH=/export/server/apache-hive-3.1.2-bin/lib -
hive-site.xml
vim hive-site.xmljavax.jdo.option.ConnectionURL jdbc:mysql://node1:3306/hive3?createDatabaseIfNotExist=true&useSSL=false&useUnicode=true&characterEncoding=UTF-8 javax.jdo.option.ConnectionDriverName com.mysql.jdbc.Driver javax.jdo.option.ConnectionUserName root javax.jdo.option.ConnectionPassword hadoop hive.server2.thrift.bind.host node1 hive.metastore.uris thrift://node1:9083 hive.metastore.event.db.notification.api.auth false
-
-
上传mysql jdbc驱动到hive安装包lib下
mysql-connector-java-5.1.32.jar -
初始化元数据
cd /export/server/apache-hive-3.1.2-bin/bin/schematool -initSchema -dbType mysql -verbos #初始化成功会在mysql中创建74张表
metastore服务启动方式
前台启动，进程会一致占据终端，ctrl + c 结束进程，服务关闭，可以根据需求添加参数开启debug日志，获取详细日志信息，便于排错。
先切换目录到hive的bin目录下
hive --service metastore
后台启动
nohup hive --service metastore &
再按一次回车，RunJar就说明启动成功
日志再当前目录下的 nohub.out 文件
杀死进程 kill -9 3741
Hive客户端
Hive自带客户端
再bin目录下 提供新老两个客户端
老版本 hive 新版本beeline
老版本直接访问 Metastore
新版本，需要启动两个服务，两个服务还有依赖关系。Beeline客户端首先访问HiveServer2服务，HiveServer2再去访问呢Metastore服务，进而访问元数据。
第一代客户端（deprecated不推荐使用），bin/hive 是一个shell Util，主要功能是：一是可用于以交互或批处理模式运行Hive查询，二是用于Hive相关服务的启动，比如metastore服务
第二代客户端（recommended推荐使用），bin/beeline 是一个JDBC客户端，是官方强烈推荐使用的Hive命令行工具，和第一代客户端相比，性能加强安全性提高。
使用beeline客户端，首先要启动 metastore服务，然后再启动hiveserver2服务
注意，服务启动需要时间，不要metastore启动之后立即启动hiveserver2服务，要等个一两分钟再去启动。
启动hiveserver2服务命令
依然需要再bin目录下执行，不然就需要写hive的全路径
nohup hive --service hiveserver2 &
启动成功之后就会有一个新的 RunJar
Hive客户端启动
第一代客户端，直接运行 hive即可，hive客户端会根据我们配置文件直接去连接metastore服务
第二代客户端：
运行beeline，之后我们需要手动输入 hiveserver2 服务的地址，首先去连接 hiveserver2，hiveserver2会根据配置文件自动取连接metastore服务，但是 hiveserver2我们没有在配置文件中指定位置，所以需要手动输入：
node1 是因为我们配置了host文件，要是没有配置需要写完整的ip地址
使用root用户连接，root用户不需要输入密码，直接回车即可
! connect jdbc:hive2://node1:10000
Hive第三方可视化客户端
DataGrip
可以在Windows 、 MAC 平台中通过JDBC连接HiveServer2的图形界面工具。
视频教程中，专门用了这款软件，其实在IDEA中有集成的。
第一次连接显示没有驱动，下载即可
当然你也可以专门下载 DataGrip这款专门连接数据库的工具，会更专业。
将sql文件像项目一样管理。
Hive SQL语言：DDL建库、建表
Hive SQL 与标准SQL语法大同小异，基本相通；
基于Hive设计使用特点， HQL中的create语法是重点，建表是否合适直接影响数据文件是否映射成功，进而影响后续是否可以基于SQL分析数据，直白一点，没有表，表没有数据，Hive分析根本不起作用。所以在Hive中建表非常重要。
在Hive中，默认的数据库叫做default，存储数据位置位于 HDFS 的user/hive/warehouse
用户自己创建的数据库存储位置是 user/hive/warehouse/database_name.db
create database -- 用于创建新的数据库
-- comment ：数据库解释说明语句
-- location ： 指定数据库在HDFS存储位置，一般不指定
-- with dbproperties：用于指定一些数据库的属性配置user database -- 切换数据库drop database -- 删除数据库，必须要求数据库为空，下面没有数据表
drop database cascade -- 等于 rm -rf
建表，很重要，这关系到表和文件的映射关系。
创建表的语法：
create table 表名(
字段名 字段类型 约束,
字段名 字段类型 约束
)
数据类型：分为两大类：原生数据类型，复杂数据类型
最常用的是 字符串String和数字类型int。
分隔符（hive可以将结构化文件映射成为表）
LazySimpleSerDe是Hive默认的，包含4种子语法，分别用于指定：字段之间，集合元素之间，map映射 kv之间，换行之间的分隔符号
在建表的时候可以根据数据特点灵活搭配使用
练习：针对以下数据建表
-- 建立在default数据库下
create table t_archer(id int comment "ID编号",name String comment "英雄名称", -- comment 是对字段的解释说明hp_max int comment "最大生命",mp_max int comment "最大发力",attack_max int comment "最高物攻",defense_max int comment "最高物防",attack_range String comment "攻击范围",role_main String comment "主要定位",role_assist String comment "次要定位"
)
row format delimited
fields terminated by "\t"; -- 字段之间的分隔符是tab
再将对应txt文件上传到对应的hadoop路径中
查看数据，我们并没有往表中插入数据，只需要把对应文件放入对应的hadoop路径中，再通过Hive写一个SQL语句，就可以将结构化文件中的数据查询出来。
Hive默认分隔符
Hive建表的时候如果没有指定分隔符，采用默认分隔符
默认分隔符是 ‘\001’ ，是一种特殊的字符，使用的是ASCII编码的指，键盘是打不出来的
再vi 编辑器中特殊字符是： ^A
在文本编辑器中打开是：soh
常见的一些语法
1、显示所有数据库
show datanases;
show schemas;
2、显示当前数据库所有表
show tables
show tables in 数据库名 – 显示其他数据库，就不用use去切换
3、显示一张便的元素据
desc formatted 数据表名
注释comment中文乱码问题解决
解决：
连接上你存储元数据的数据库，我这儿是在mysql中。
就是因为存放元数据的表，是其他编码，对中文支持不友好，你修改之后呢，之前创建的表，还是会乱码，只有删除重建才会生效。
不过这个无所谓了，一般都会文档存放注释信息的。
--注意 下面sql语句是需要在MySQL中执行 修改Hive存储的元数据信息（metadata）
use hive3;
show tables;alter table hive3.COLUMNS_V2 modify column COMMENT varchar(256) character set utf8;
alter table hive3.TABLE_PARAMS modify column PARAM_VALUE varchar(4000) character set utf8;
alter table hive3.PARTITION_PARAMS modify column PARAM_VALUE varchar(4000) character set utf8 ;
alter table hive3.PARTITION_KEYS modify column PKEY_COMMENT varchar(4000) character set utf8;
alter table hive3.INDEX_PARAMS modify column PARAM_VALUE varchar(4000) character set utf8;