【大数据技术基础 | 实验十】Hive实验：部署Hive

---

一、实验目的

1. 理解Hive存在的原因；
2. 理解Hive的工作原理；
3. 理解Hive的体系架构；
4. 并学会如何进行内嵌模式部署；
5. 启动Hive，然后将元数据存储在HDFS上。

二、实验要求

1. 完成Hive的内嵌模式部署；
2. 能够将Hive数据存储在HDFS上；
3. 待Hive环境搭建好后，能够启动并执行一般命令。

三、实验原理

Hive是Hadoop 大数据生态圈中的数据仓库，其提供以表格的方式来组织与管理HDFS上的数据、以类SQL的方式来操作表格里的数据，Hive的设计目的是能够以类SQL的方式查询存放在HDFS上的大规模数据集，不必开发专门的MapReduce应用。

Hive本质上相当于一个MapReduce和HDFS的翻译终端，用户提交Hive脚本后，Hive运行时环境会将这些脚本翻译成MapReduce和HDFS操作并向集群提交这些操作。

当用户向Hive提交其编写的HiveQL后，首先，Hive运行时环境会将这些脚本翻译成MapReduce和HDFS操作，紧接着，Hive运行时环境使用Hadoop命令行接口向Hadoop集群提交这些MapReduce和HDFS操作，最后，Hadoop集群逐步执行这些MapReduce和HDFS操作，整个过程可概括如下：
（1）用户编写HiveQL并向Hive运行时环境提交该HiveQL。
（2）Hive运行时环境将该HiveQL翻译成MapReduce和HDFS操作。
（3）Hive运行时环境调用Hadoop命令行接口或程序接口，向Hadoop集群提交翻译后的HiveQL。
（4）Hadoop集群执行HiveQL翻译后的MapReduce-APP或HDFS-APP。

由上述执行过程可知，Hive的核心是其运行时环境，该环境能够将类SQL语句编译成MapReduce。

Hive构建在基于静态批处理的Hadoop之上，Hadoop通常都有较高的延迟并且在作业提交和调度的时候需要大量的开销。因此，Hive并不能够在大规模数据集上实现低延迟快速的查询，例如，Hive在几百MB的数据集上执行查询一般有分钟级的时间延迟。

因此，Hive并不适合那些需要低延迟的应用，例如，联机事务处理（OLTP）。Hive查询操作过程严格遵守Hadoop MapReduce的作业执行模型，Hive将用户的HiveQL语句通过解释器转换为MapReduce作业提交到Hadoop集群上，Hadoop监控作业执行过程，然后返回作业执行结果给用户。Hive并非为联机事务处理而设计，Hive 并不提供实时的查询和基于行级的数据更新操作。Hive的最佳使用场合是大数据集的批处理作业，例如，网络日志分析。

Hive架构与基本组成如图所示：

四、实验环境

• 云创大数据实验平台：
  
• Java 版本：jdk1.7.0_79
• Hadoop 版本：hadoop-2.7.1
• Hive 版本：hive-1.2.1

五、实验内容和步骤

相对于其他组件，Hive部署要复杂得多，按metastore存储位置的不同，其部署模式分为内嵌模式、本地模式和完全远程模式三种。当使用完全模式时，可以提供很多用户同时访问并操作Hive，并且此模式还提供各类接口（BeeLine，CLI，甚至是Pig），这里我们以内嵌模式为例。
由于使用内嵌模式时，其Hive会使用内置的Derby数据库来存储数据库，此时无须考虑数据库部署连接问题，整个部署过程可概括如下。

（一）安装部署

在master机上操作：首先确定存在Hive

ls /usr/cstor/hive/ 

（二）配置HDFS

先为Hive配置Hadoop安装路径。

待解压完成后，进入Hive的配置文件夹conf目录下，接着将Hive的环境变量模板文件复制成环境变量文件。

cd /usr/cstor/hive/conf
cp hive-env.sh.template hive-env.sh
vim hive-env.sh

这里使用cp命令而不是mv命令，是因为我们可以备份一份之前的文件，我们只是复制一份修改，而不是替换。

在配置文件中加入以下语句：

HADOOP_HOME=/usr/cstor/hadoop

然后在HDFS里新建Hive的存储目录，进入hadoop的bin目录内：

cd /usr/cstor/hadoop/

在HDFS中新建/tmp和/usr/hive/warehouse两个文件目录，并对同组用户增加写权限。

bin/hadoop fs -mkdir /tmp
bin/hadoop fs -mkdir -p /usr/hive/warehouse
bin/hadoop fs -chmod g+w /tmp
bin/hadoop fs -chmod g+w /usr/hive/warehouse

（三）启动Hive

在内嵌模式下，启动Hive指的是启动Hive运行时环境，用户可使用下述命令进入Hive运行时环境。

启动Hive命令行：

cd /usr/cstor/hive/
bin/hive

六、实验结果

（一）启动结果

使用bin/hive命令进入Hive环境验证Hive是否启动成功。

cd /usr/cstor/hive/
bin/hive

（二）Hive基本命令

进入Hive环境后，使用show tables，show function后如下图所示则表示配置成功。

显示表：

show tables;

因为目前我们没有创建表所以返回了一个OK。

显示Hive内置函数：

show functions;

退出Hive环境：

exit;

七、实验心得

  通过本次Hive部署实验，我深刻理解了Hive在Hadoop大数据生态圈中的重要地位和作用。Hive作为一个数据仓库，不仅提供了以表格方式组织和管理HDFS上数据的便利，更以类SQL的方式简化了对大规模数据集的操作，极大地降低了开发成本。

  在实验过程中，我学习了Hive的内嵌模式部署方法，掌握了如何将Hive数据存储在HDFS上，并成功启动了Hive环境。通过实际操作，我深刻体会到了Hive环境搭建的复杂性和细致性，每一个步骤都需要谨慎操作，稍有疏忽就可能导致部署失败。

  同时，我也认识到Hive并非为联机事务处理而设计，其查询操作过程严格遵守Hadoop MapReduce的作业执行模型，因此在大规模数据集上实现低延迟快速查询方面存在一定的局限性。这使我更加明确了Hive的最佳使用场合——大数据集的批处理作业。此外，我还学会了使用Hive的基本命令，如查看表格和函数等，这些命令为我在后续的实验和学习中提供了有力的支持。

  总之，本次Hive部署实验不仅让我掌握了Hive的部署和使用方法，更让我对Hive的工作原理和体系架构有了更深入的理解。我相信，在未来的学习和工作中，我将能够更好地运用Hive来处理和分析大规模数据集。

附：以上文中的数据文件及相关资源下载地址：
链接：https://pan.quark.cn/s/b0f6f0d06704
提取码：PNp2