Hadoop實戰：Hive操作使用

資料準備，先在HDFS上準備文字檔案，逗號分割，並上傳到/test目錄，然後在Hive裡建立表，表名和檔名要相同。

$ cat /tmp/table_test.csv 
1,user1,1000
2,user2,2000
3,user3,3000
4,user4,4000
5,user5,5000

hive> CREATE TABLE table_test (
  id int,
  name string,
  value INT
) ROW FORMAT DELIMITED FIELDS TERMINATED BY ',' ;

前半部分跟我們使用SQL語法差不多，後面的設定表示我們以’,’為分隔符匯入資料。

$ hive -e 'load data local inpath '/tmp/table_test.csv' into table db_test.table_test'
Loading data to table db_test.table_test
OK
Time taken: 0.148 seconds

同一個檔案可以多次載入（追加資料），同時會在HDFS資料目錄下多生成一個檔案。另外這裡載入資料local關鍵字表示我們從本地檔案載入，如果不加local表示從HDFS中載入資料。

hive> select * from table_test;
OK
1       user1   1000
2       user2   2000
3       user3   3000
4       user4   4000
5       user5   5000
Time taken: 0.058 seconds, Fetched: 5 row(s)

你也可以使用select id from table_test，但是注意在Hive中除了select * from table之外可以使用全表掃描之外，其餘任何查詢都需要走MapRedure。

[hadoop@hadoop-nn ~]$ hdfs dfs -ls /user/hive/warehouse/db_test.db/table_test/
Found 1 items
-rwxrwxrwx   2 root supergroup         65 2017-06-15 22:27 /user/hive/warehouse/db_test.db/table_test/table_test.csv

注意檔案許可權屬主為root，這是因為我是在root使用者下進入hive的，一般在Hadoop使用者下進入hive命令列進行建立表。

[hadoop@hadoop-nn ~]$ hdfs dfs -mkdir /test
[hadoop@hadoop-nn ~]$ hdfs dfs -put /tmp/table_test.csv /test/table_test.csv

[hadoop@hadoop-nn ~]$ hive
hive> CREATE TABLE hdfs_table (
  id int,
  name string,
  value INT
) ROW FORMAT DELIMITED FIELDS TERMINATED BY ',' ;

hive> LOAD DATA INPATH '/test/table_test.csv' OVERWRITE INTO TABLE db_test.hdfs_table;
Loading data to table db_test.hdfs_table
OK
Time taken: 0.343 seconds

hive> select * from db_test.hdfs_table;
OK
1       user1   1000
2       user2   2000
3       user3   3000
4       user4   4000
5       user5   5000
Time taken: 0.757 seconds, Fetched: 5 row(s)

注意，如果從HDFS載入資料到Hive後，原有的HDFS的資料檔案就不會存在了。

[hadoop@hadoop-nn ~]$ hdfs dfs -ls /test/table_test.csv
ls: `/test/table_test.csv': No such file or directory

[hadoop@hadoop-nn ~]$ hdfs dfs -ls /user/hive/warehouse/db_test.db/hdfs_table/
Found 1 items
-rwxrwxrwx   2 hadoop supergroup         65 2017-06-15 22:54 /user/hive/warehouse/db_test.db/hdfs_table/table_test.csv

再次上傳一個檔案到對應表的目錄（/user/hive/warehouse/db_test.db/hdfs_table）下

[hadoop@hadoop-nn ~]$ cat /tmp/table_test.csv 
6,user6,6000
[hadoop@hadoop-nn ~]$ hdfs dfs -put /tmp/table_test.csv /user/hive/warehouse/db_test.db/hdfs_table/table_test_20170616.csv

hive> select * from db_test.hdfs_table;
OK
1       user1   1000
2       user2   2000
3       user3   3000
4       user4   4000
5       user5   5000
6       user6   6000
Time taken: 0.053 seconds, Fetched: 6 row(s)

可以看到，我們追加的一個表資訊也顯示出來了。

建立分割槽表時，需要給定一個分割槽欄位，這個分割槽欄位可以是已經存在的，也可以是不存在（如果不存在建立表時會自動新增）。Hive分割槽概念跟MySQL分割槽差不多。下面建立一個以月為分割槽的分割槽表。

CREATE TABLE par_table (
  id int,
  name string,
  value INT
) partitioned by (day int) ROW FORMAT DELIMITED FIELDS TERMINATED BY ',';

hive> desc par_table;
OK
id                      int                                         
name                    string                                      
value                   int                                         
day                     int                                         
                 
# Partition Information          
# col_name              data_type               comment             
                 
day                     int                                         
Time taken: 0.023 seconds, Fetched: 9 row(s)

hive> LOAD DATA LOCAL INPATH '/tmp/table_test.csv' OVERWRITE INTO TABLE db_test.par_table PARTITION (day='22');
Loading data to table db_test.par_table partition (day=22)
OK
Time taken: 0.267 seconds
 
hive> LOAD DATA LOCAL INPATH '/tmp/table_test.csv' OVERWRITE INTO TABLE db_test.par_table PARTITION (day='23');
Loading data to table db_test.par_table partition (day=23)
OK
Time taken: 0.216 seconds

[hadoop@hadoop-nn ~]$ hdfs dfs -ls /user/hive/warehouse/db_test.db/par_table/
Found 1 items
drwxrwxrwx   - hadoop supergroup          0 2017-06-16 01:12 /user/hive/warehouse/db_test.db/par_table/day=22
drwxrwxrwx   - hadoop supergroup          0 2017-06-16 01:12 /user/hive/warehouse/db_test.db/par_table/day=23

可以看到多了對應的分割槽目錄了。

查詢資料，查詢時有點不太一樣，如果給定一個where條件指定分割槽欄位（也就是根據查詢欄位來進行分割槽），這樣就只會查詢這個分割槽的內容，不需要載入所有表。如果查詢欄位不是分割槽欄位，那麼就需要掃描所有的分割槽了。如下兩個示例：

hive> select * from db_test.par_table;
OK
6       user6   6000    22
6       user6   6000    23
Time taken: 0.054 seconds, Fetched: 2 row(s)
 
hive> select * from db_test.par_table where day=22;
OK
6       user6   6000    22
Time taken: 0.068 seconds, Fetched: 1 row(s)

Hive支援外部表，外部表跟內部表和分割槽表不同。只需要在HDFS中有了對應的檔案，然後在Hive就可以建立一個表並指定對應的目錄就可以直接查資料了，而不需要執行資料載入任務。下面來測試看看：

先在HDFS中建立目錄和上傳檔案：

[hadoop@hadoop-nn ~]$ hdfs dfs -mkdir -p /hive/external
[hadoop@hadoop-nn ~]$ hdfs dfs -put /tmp/table_test.csv /hive/external/ext_table.csv

然後在Hive中直接建立表：

CREATE EXTERNAL TABLE ext_table (
  id int,
  name string,
  value INT
) ROW FORMAT DELIMITED FIELDS TERMINATED BY ',' LOCATION '/hive/external';

此時，直接查詢此表，不需要載入資料了

hive> select * from ext_table;
OK
6       user6   6000
Time taken: 0.042 seconds, Fetched: 1 row(s)

Hive還支援桶表，這裡就不說了，很少用，有興趣自行檢視資料。

最後來一個MapReduce處理Hive的過程

hive> select count(*) from table_test;
WARNING: Hive-on-MR is deprecated in Hive 2 and may not be available in the future versions. Consider using a different execution engine (i.e. spark, tez) or using Hive 1.X releases.
Query ID = hadoop_20170616021047_9c0dc1bf-383f-49ad-83e2-e2e5dfdcb20c
Total jobs = 1
Launching Job 1 out of 1
Number of reduce tasks determined at compile time: 1
In order to change the average load for a reducer (in bytes):
  set hive.exec.reducers.bytes.per.reducer=In order to limit the maximum number of reducers:
  set hive.exec.reducers.max=In order to set a constant number of reducers:
  set mapreduce.job.reduces=Starting Job = job_1497424827481_0004, Tracking URL = 
Kill Command = /usr/local/hadoop/bin/hadoop job  -kill job_1497424827481_0004
Hadoop job information for Stage-1: number of mappers: 1; number of reducers: 1
2017-06-16 02:10:52,914 Stage-1 map = 0%,  reduce = 0%
2017-06-16 02:10:57,062 Stage-1 map = 100%,  reduce = 0%, Cumulative CPU 1.11 sec
2017-06-16 02:11:02,204 Stage-1 map = 100%,  reduce = 100%, Cumulative CPU 2.53 sec
MapReduce Total cumulative CPU time: 2 seconds 530 msec
Ended Job = job_1497424827481_0004
MapReduce Jobs Launched: 
Stage-Stage-1: Map: 1  Reduce: 1   Cumulative CPU: 2.53 sec   HDFS Read: 7980 HDFS Write: 102 SUCCESS
Total MapReduce CPU Time Spent: 2 seconds 530 msec
OK
10
Time taken: 15.254 seconds, Fetched: 1 row(s)

可以好好看一下處理過程，由於是測試環境所以MP時間很久。

另外Hive也支援檢視，使用非常簡單，如下配置：

hive> create view view_test as select * from table_test;
OK
Time taken: 0.054 seconds
 
hive> select * from view_test;
OK
d1      user1   1000
d1      user2   2000
d1      user3   3000
d2      user4   4000
d2      user5   5000
Time taken: 0.057 seconds, Fetched: 5 row(s)

然後我們來檢視一下Hive後設資料表資訊，在MySQL的hive庫下的DBS表中儲存Hive建立的庫資訊：

mysql> select * from DBS;
+-------+-----------------------+---------------------------------------------------+---------+------------+------------+
| DB_ID | DESC                  | DB_LOCATION_URI                                   | NAME    | OWNER_NAME | OWNER_TYPE |
+-------+-----------------------+---------------------------------------------------+---------+------------+------------+
|     1 | Default Hive database | hdfs://master:8020/user/hive/warehouse            | default | public     | ROLE       |
|     6 | NULL                  | hdfs://master:8020/user/hive/warehouse/db_test.db | db_test | hadoop     | USER       |
+-------+-----------------------+---------------------------------------------------+---------+------------+------------+
2 rows in set (0.00 sec)
DB_ID：庫ID，具有唯一性。
DESC：庫描述資訊。
DB_LOCATION_URI：庫在HDFS的URI地址。
NAME：庫名稱。
OWNER_NAME：庫的所有者，用什麼系統使用者登入Hive建立的，其所有者就是誰，一般要在Hadoop使用者下登入Hive。
OWNER_TYPE：庫的所有者型別。
在hive庫下的TBLS表中儲存我們建立的表的後設資料資訊：

mysql> select * from TBLS;
+--------+-------------+-------+------------------+--------+-----------+-------+------------+----------------+--------------------+--------------------+
| TBL_ID | CREATE_TIME | DB_ID | LAST_ACCESS_TIME | OWNER  | RETENTION | SD_ID | TBL_NAME   | TBL_TYPE       | VIEW_EXPANDED_TEXT | VIEW_ORIGINAL_TEXT |
+--------+-------------+-------+------------------+--------+-----------+-------+------------+----------------+--------------------+--------------------+
|     11 |  1497579800 |     6 |                0 | root   |         0 |    11 | table_test | MANAGED_TABLE  | NULL               | NULL               |
|     16 |  1497581548 |     6 |                0 | hadoop |         0 |    16 | hdfs_table | MANAGED_TABLE  | NULL               | NULL               |
|     26 |  1497584489 |     6 |                0 | hadoop |         0 |    26 | par_table  | MANAGED_TABLE  | NULL               | NULL               |
|     28 |  1497591914 |     6 |                0 | hadoop |         0 |    31 | ext_table  | EXTERNAL_TABLE | NULL               | NULL               |
+--------+-------------+-------+------------------+--------+-----------+-------+------------+----------------+--------------------+--------------------+
4 rows in set (0.00 sec)
解釋幾個重要引數：
TBL_ID：表ID，具有唯一性。
CREATE_TIME：表建立時間。
DB_ID：所屬庫的ID。
LAST_ACCESS_TIME：最後一次訪問時間。
OWNER：表的所有者，用什麼系統使用者登入Hive建立的，其所有者就是誰，一般要在Hadoop使用者下登入Hive。
TBL_NAME：表名稱。
TBL_TYPE：表型別，MANAGED_TABLE表示受託管的表（如內部表、分割槽表、桶表），EXTERNAL_TABLE表示外部表，兩個有個很大的區別就是受託管的表，當你執行DROP TABLE動作時，會把Hive後設資料資訊連同HDFS資料也一同刪除。而外部表執行DROP TABLE時不會刪除HDFS的資料，只是把後設資料資訊刪除了。