Python操作Hive数据仓库

1、Python如何连接Hive？

Python连接Hive需要使用Impala查询引擎

由于Hadoop集群节点间使用RPC通信，所以需要配置Thrift依赖环境

Thrift是一个轻量级、跨语言的RPC框架，主要用于服务间的RPC通信。由Facebook于2007年开发，2008年进入Apache开源项目

sasl模块是Python中用于实现SASL（Simple Authentication and Security Layer）认证的第三方库，提供了对各种SASL机制的支持，例如与Kafka、Hadoop等进行安全通信

经过验证，以下模块都是Python连接Hive的环境依赖：

pip install bitarray
pip install bit_array
pip install thrift
pip install thriftpy
pip install pure_sasl
pip install --no-deps thrift-sasl==0.2.1

安装Impyla模块：

pip install impyla

如果安装Impyla报错：

ERROR: Failed building wheel for impyla

则需要下载对应的whl文件安装：

Python扩展包whl文件下载：https://www.lfd.uci.edu/~gohlke/pythonlibs/

Ctrl+F查找需要的whl文件，点击下载对应版本

安装：

pip install whl文件绝对路径

2、Python连接Hive数据仓库

1） 启动Hadoop集群

2） 使用hiveserver2开启Hive的JDBC服务

3） 基本使用

from impala.dbapi import connect
from impala.util import as_pandas# 连接Hive
conn = connect(host='bd91', port=10000, auth_mechanism='PLAIN', user="root", password="123456", database="default")
# 创建游标
cursor = conn.cursor()
# 执行查询
cursor.execute("select * from stu")
# 结果转换为DataFrame
df = as_pandas(cursor)
print(df.to_string())
# 关闭连接
cursor.close()
conn.close()