【Hive】2-Apache Hive概述、架构、组件、数据模型

Apache Hive概述

什么是Hive

• Apache Hive是一款建立在Hladoop之上的开源数据仓库系统，可以将存储在Hadoop文件中的结构化、半结构化数据文件映射为一张数据库表，基于表提供了一种类似SQL的查询模型，称为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处理数据的好处
  • 操作接口采用类SQL语法，提供快速开发的能力（简单、容易上手）
  • 避免直接写MapReduce，减少开发人员的学习成本
  • 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

• 从功能来说，数据仓库软件，至少需要具备下述两种能力︰存储数据的能力、分析数据的能力
• Apache Hive作为一款大数据时代的数据仓库软件，当然也具备上述两种能力。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Hladoop罢了。其实不然，Hive的最大的魅力在于用户专注于编写HQL，Hive帮您转换成为MapReduce程序完成对数据的分析。

Hive的功能模拟

• Hive能将数据文件映射成为一张表，这个映射是指什么?

  答：文件和表之间的对应关系

• Hive软件本身到底承担了什么功能职责?

  答：SQL语法解析编译成为MapReduce

Apache Hive架构、组件

架构图

组件

• 用户接口：包括CLI、JDBC/OOBC、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如mysql/derby中。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（是否为外部表等），表的数据所在目录等。
• 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查询语句从词法分析、语法分析、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三种执行引擎。

Apache Hive数据模型

Data Model概念

• 数据模型∶用来描述数据、组织数据和对数据进行操作，是对现实世界数据特征的描述。
• Hive的数据模型类似于RDBMS库表结构，此外还有自己特有模型。
• Hive中的数据可以在粒度级别上分为三类∶
  • Table 表
  • Partition 分区
  • Bucket 分桶

DataBases 数据库

• Hive作为一个数据仓库，在结构上积极向传统数据库看齐，也分数据库(Schema )，每个数据库下面有各自的表组成。默认数据库default。
• Hive的数据都是存储在HDFS上的，默认有一个根目录，在hive-site.xml中，由参数hive.metastore.warehouse.dir指定。默认值为/user/hive/warehouse。
• 因此，Hive中的数据库在HDFS上的存储路径为︰${hive.metastore.warehouse.dir}/databasename.db
• 比如，名为itcast的数据库存储路径为：/user/hive/warehouse/itcast.db

Tables 表

• Hive表与关系数据库中的表相同。Hive中的表所对应的数据通常是存储在HDFPS中，而表相关的元数据是存储在RDBMS中。
• Hive中的表的数据在HDFS上的存储路径为：${hive.metastore.warehouse.dir}/databasename. db/tablename
• 比如, itcast的数据库下t_user表存储路径为：/user/hive/warehouse/itcast.db/t_user

Partitions 分区

• Partition分区是hive的一种优化手段表。分区是指根据分区列（例如“日期day”)的值将表划分为不同分区。这样可以更快地对指定分区数据进行查询。
• 分区在存储层面上的表现是：table表目录下以子文件夹形式存在。
• 一个文件夹表示一个分区。子文件命名标准：分区列=分区值
• Hive还支持分区下继续创建分区，所谓的多重分区。

Buckets 分桶

• Bucket分桶表是hive的一种优化手段表。分桶是指根据表中字段（例如“编号ID”)的值，经过hash计算规则将数据文件划分成指定的若干个小文件。
• 分桶规则：hashfunc(字段)%桶仓数，余数相同的分到同一个文件。

• 分桶的好处是可以优化join查询和方便抽样查询。
• Bucket分桶表在HDFS中表现为同一个表目录下数据根据hash散列之后变成多个文件。

Hive和MySQL对比

• Hive虽然具有RDBMS数据库的外表，包括数据模型、SQL语法都十分相似，但应用场景却完全不同。
• Hive只适合用来做海量数据的离线分析。Hive的定位是数据仓库，面向分析的OLAP系统。
• 因此时刻告诉自己，Hive不是大型数据库，也不是要取代MySQL承担业务数据处理。

	Apache Hive	MySQL
定位	数据仓库	数据库
使用场景	离线数据分析	业务数据事务处理
查询语言	HQL	SQL
数据存储	HDFS	Local FS
执行引擎	MR、Tez、Spark	Excutor
执行延迟	高	低
处理数据规模	大	小
常见操作	导入数据、查询	增删改查

Metadata、Metastore介绍

什么是元数据

• 元数据(Metadata)，又称中介数据、中继数据，为描述数据的数据（ data about data )，主要是描述数据属性( property )的信息，用来支持如指示存储位置、历史数据、资源查找、文件记录等功能。

Hive Metadata

• Hive Metadata即Hive的元数据。
• 包含用Hive创建的database、table、表的位置、类型、属性，字段顺序类型等元信息。
• 元数据存储在关系型数据库中。如hive内置的Derby、或者第三方如MySQL等。

Hive Metastore

• Metastore即元数据服务。Metastore服务的作用是管理metadata元数据，对外暴露服务地址，让各种客户端通过连接metastore服务，由metastore再去连接MySQL数据库来存取元数据。
• 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知道MySQL数据库的用户名和密码，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配置方式

• metastore服务配置有3种模式：内嵌模式、本地模式、远程模式。
• 区分3种配置方式的关键是弄清楚两个问题：
  • Metastore服务是否需要单独配置、单独启动？
  • Metadata是存储在内置的derby中，还是第三方RDBMS，比如MySQL。
• 本系列中使用企业推荐模式--远程模式部署。

	内嵌模式	本地模式	远程模式
Metastore是否单独配置、启动	否	否	是
Metadata存储介质	Derby	MySQL	MySQL

内嵌模式

• 内嵌模式(Embedded Metastore)是metastore默认部署模式。
• 此种模式下，元数据存储在内置的Derby数据库，并且Derby数据库和metastore服务都嵌入在主HiveServer进程中，当启动HiveServer进程时，Derby和metastore都会启动。不需要额外起Metastore服务。
• 但是一次只能支持一个活动用户，适用于测试体验，不适用于生产环境。

本地模式

• 本地模式( Local Metastore )下，Metastore服务与主liveServer进程在同一进程中运行，但是存储元数据的数据库在单独的进程中运行，并且可以在单独的主机上。metastore服务将通过JDBC与metastore数据库进行通信。
• 本地模式采用外部数据库来存储元数据，推荐使用MySQL。
• hive根据hive.metastore.uris参数值来判断，如果为空，则为本地模式。
• 缺点是∶每启动一次hive服务，都内置启动了一个metastore。

远程模式

• 远程模式(Remote Metastore ) 下，Metastore服务在其自己的单独JVM上运行，而不在HiveServer的JVM中运行。如果其他进程希望与Metastore服务器通信，则可以使用Thrift Network API进行通信。
• 远程模式下，需要配置hive.metastore.uris 参数来指定metastore服务运行的机器ip和端口，并且需要单独手动启动metastore服务。元数据也采用外部数据库来存储元数据，推荐使用MySQL。
• 在生产环境中，建议用远程模式来配置Hive Metastore。在这种情况下，其他依赖hive的软件都可以通过Metastore访问hive。由于还可以完全屏蔽数据库层，因此这也带来了更好的可管理性/安全性。

Apache Hive安装部署

安装前准备

• 由于Apache Hive是一款基于HIadoop的数据仓库软件，通常部署运行在Linux系统之上。因此不管使用何种方式配置Hive Metastore，必须要先保证服务器的基础环境正常，Hadoop集群健康可用。
• 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
• 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Hlive。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。

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中添加相关配置属性，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。

具体安装步骤请参考B站P19-22：https://www.bilibili.com/video/BV1L5411u7ae/

Hive命令行客户端

• Hive发展至今，总共历经了两代客户端工具。
• 第一代客户端（deprecated不推荐使用）：$HIVE_HOME/bin/hive，是一个shellUltil。主要功能:一是可用于以交互或批处理模式运行Hive查询;二是用于Hive相关服务的启动，比如metastore服务。
• 第二代客户端（recommended推荐使用）：$HIVE_HOME/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—代客户端相比，性能加强安全性提高。

Hive Beeline Client

• Beeline在嵌入式模式和远程模式下均可工作。
• 在嵌入式模式下，它运行嵌入式Hive(类似于Hive Client)；而远程模式下beeline通过Thrift连接到单独的HiveServer2服务上，这也是官方推荐在生产环境中使用的模式。
• 那么问题来了，HiveServer2是什么? HiveServer1哪里去了？

HiveServer、HiveServer2服务

• HiveServer、HiveServer2都是Hive自带的两种服务，允许客户端在不启动CLI(命令行）的情况下对Hive中的数据进行操作，且两个都允许远程客户端使用多种编程语言如java, python等向hive提交请求，取回结果。
• 但是，HiveServer不能处理多于一个客户端的并发请求。因此在Hive-0.11.0版本中重写了HiveServer代码得到了HiveServer2，进而解决了该问题。HiveServer已经被废弃。
• HiveServer2支持多客户端的并发和身份认证，旨在为开放API客户端如JDBC、ODBC提供更好的支持。

Hive服务和客户端

• HiveServer2通过Metastore服务读写元数据。所以在远程模式下，启动HiveServer2之前必须先首先启动metastore服务。
• 特别注意：远程模式下，Beeline客户端只能通过HiveServer2服务访问Hive。而bin/hive是通过Metastore服务访问的。具体关系如下：

bin/hive 客户端

• 在hive安装包的bin目录下，有hive提供的第一代客户端 bin/hive。该客户端可以访问hive的metastore服务，从而达到操作hive的目的。
• 友情提示∶如果你是远程模式部署，请手动启动运行metastore服务。如果是内嵌模式和本地模式，直接运行bin/hive , metastore服务会内嵌一起启动。
• 可以直接在启动Hive metastore服务的机器上使用bin/hive客户端操作，此时不需要进行任何配置。

bin/beeline 客户端

• hive经过发展，推出了第二代客户端beeline，但是beeline客户端不是直接访问metastore服务的，而是需要单独启动hiveserver2服务。
• 在hive安装的服务器上，首先启动metastore服务，然后启动hiveserver2服务。

• 在node3上使用beeline客户端进行连接访问。需要注意hiveserver2服务启动之后需要稍等一会才可以对外提供服务。
• Beeline是JDBC的客户端，通过JDBC协议和Hiveserver2服务进行通信，协议的地址是：jdbc:hive2://node1:10000

属性配置的3种方式

概述

• Hive除了默认的属性配置之外，还支持用户使用时修改配置；

• 修改Hive配置之前，作为用户需要掌握两件事:

  • 1.有哪些属性支持用户修改，属性的功能、作用是什么；
  • 2.支持哪种方式进行修改，是临时生效还是永久生效的。

• Hive配置属性是在HiveConf. Java类中管理的，可以参考文件以获取当前使用版中可用的配置属性列表；

• 从Hive 0.14.0开始，会从HiveConf.java类中直接生成配置模板文件hive-default.xml.template；

• 详细的配置参数大全可以参考Hive官网配置参数：https://cwiki.apache.org/confluence/display/Hive/Configuration+Properties

  

配置方式一：hive-site.xml

在$HIVE_HOME/conf路径下，可以添加一个hive-site.xml文件，把需要定义修改的配置属性添加进去，这个配置文件会影响到基于这个Hive安装包的任何一种服务启动、客户端使用方式。

比如使用MIySQL作为元数据的存储介质，把连接MySQL的相关属性配置在hive-site.xml文件中，这样不管是本地模式还是远程模式启动，不管客户端本地连接还是远程连接，都将访问同一个元数据存储介质。

配置方式二：–hiveconf命令行参数

hiveconf是一个命令行的参数，用于在使用Hive CLI或者Beeline CLI的时候指定配置参数。

这种方式的配置在整个的会话session中有效，会话结束，失效。

比如在启动hive服务的时候，为了更好的查看启动详情，可以通过hiveconf参数修改日志级别：

配置方式三：set命令

在Hive CLI或Beeline中使用set命令为set命令之后的所有SQL语句设置配置参数，这个也是会话级别的。这种方式也是用户日常开发中使用最多的一种配置参数方式。

因为Hive倡导一种：谁需要、谁配置、谁使用的一种思想，避免你的属性修改影响其他用户的修改。

配置方式四：服务特定配置文件

hivemetastore-site.xml、hiveserver2-site.xml

• Hive Metastore会加载可用的hive-site.xml以及hivemetastore-site.xml配置文件。
• HiveServer2会加载可用的hive-site.xml以及hiveserver2-site.xml。
• 如果HiveServer2以嵌入式模式使用元存储，则还将加载hivemetastore-site.xml。

总结

• 配置方式优先级：set设置> hiveconf参数> hive-site.xml配置文件
• set参数声明会覆盖命令行参数hiveconf，命令行参数会覆盖配置文件hive-site.xml设定
• 日常开发使用中，如果不是核心的需要全局修改的参数属性，建议使用set命令进行设置
• 另外，Hive也会读入Hadoop的配置，因为Hive是作为Hadoop的客户端启动的，Hive的配置会覆盖Hadoop的配置