数据堆栈入门(hive篇未完结）

前言：快秋招了，准备学一点数据堆栈的东西，应聘大数据开辟。看课随记。（这里主要是看一点hive的东西，感觉数仓项目用到最多的就是hive）
一、Hive相关

1.Hive是什么?

• hive是创建在hadoop之上的开源的数据堆栈系统,可以将存储在hadoop的hdfs上的结构化,半结构化的数据文件映射(映射指文件和表之间的对应关系)为一张数据库表,基于表提供了一种雷同于sql的语言:hql,用于访问和分析存储在hadoop文件中的大型数据集.
  
• Hive的核心是将hql转化成mapreduce程序,然后将程序提交到hadoop集群执行.
  

总结来说:Hive负担的功能职责就是将用户编写的hql语言转化为napreduce程序,处理位于HDFS上的数据.
    1.1 既然Hive是一个数据堆栈系统,那它具备数仓的本领嘛?

从功能来讲,数据堆栈软件至少要具备两种本领:存储数据和分析数据的额本领.
Hive固然也具备上述两种本领,但不是本身实现,而是借助hadoop:利用hdfs存储,利用mapreduce查询分析数据.
2.Hive的架构,组件有哪些?

• 用户接口:Hive提供用户接口写sql.
  
• 元数据存储:Hive的元数据存储组件存储的是HDFS中的数据文件与表的映射关系,包括表的数据所在的目录,表的名字,表对应那个文件,表的列,以及表的字段分割符号,表的属性(是否为外部表)等.通常存储在关系型数据库中,如许后续hive才知道写的hql是什么意思.
  
• Dirver驱动程序,包括语法剖析器,编译器,优化器,执行器:对hql进行转化.
  
• 执行引擎:hive本身不直接处理数据文件,而是通过引擎取处理.Hive3.0支持:MapReduce,Tez,Spark 3种引擎.
  

3.Hive与数据库

Hive是不是数据库? 不是,Hive是数据堆栈
Hive与数据库的相似之处? Hive的数据模子雷同于RDBMS库表结构,此外还有本身特有的模子.
Hive种的数据可以在粒度级别上分为三类:

• Table 表
  
• Partition 分区
  
• Bucket 分桶
  

4.Hive相关:

• Hive作为一个数据堆栈,在结构上和传统的数据库看齐,也分为数据库,每一个数据库有各自的表组成.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.
  

      hive数堆栈本质上在hdfs上是一个文件夹                                                                              

• 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
  

        4.1 Table 表:

• Hive表与关系型数据库中的表雷同.Hive中表所对应的数据通常是存储在HDFS中,而表相关的元数据是存储在RDBMS中.
  
• Hive中表的数据在HDFS上的路径为{hive.metastore.warehouse.dir}/ databasename.db / tablename.
  

         4.2 Partitions 分区

Partitions 分区是hive的一种优化本领表.分区是指根据分区列(比方"日期day")的值将表分别为不同分区.如许可以更快的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.
  
• 一个文件夹表现一个分区.子文件命名标准:分区列=分区值.
  

        4.3 Bucket 分桶

bucket分桶表是hive的一种优化本领表.分桶是指根据表中字段(比方"编号ID")的值,经过hash计算规则将数据文件分别成指定的若干个小文件.
分桶规则:hashfunc(字段)%桶个数,玉树雷同的分到同一个文件.

分桶好处:优化join查询和方便抽样查询.
分桶在HDFS中表现为同一个表目录根据hash散列之后变成多个文件.

5.在Hive中,什么是元数据?

元数据(metadata),是描述数据的数据,主要是描述数据的属性的信息,比如:存储位置,历史数据,资源查找,文件记录等.

 Hive Metadata:

• hive的元数据
  
• 包罗用hive创建的database,table,表的位置,类型,属性,字段次序等元信息.
  
• 元数据存储在关系型数据库中,如hive内置的Derby,大概第三方如Mysql.
  

 Hive Metastore:

二、Hive的语法

1.创建表与删除表

1.1、创建表的根本语法

1. create [external] Table table_name
2. [(col_name data_type [comment col_comment],..)]
3. [comment table_comment]
4. [PARTITIONED BY (col_name data_type [comment col_comment],..)]
5. [CLUSTERED BY (col_name,col_name,....)]
6. [STORTED BY (col_name [ASC|DESC],...)] INTO num_buckets BUCKETS]
7. [ROW FORMAT row_format]
8. [STORT AS FILE_FORMAT]
9. [LOCATION hdfs_path]

复制代码

• extrenal 外部表
  
• partitioned by 分区表
  
• clustered by 分桶表
  
• stored as 存储格式
  
• location 存储位置
  

1.2删除表的语法

1. drop table db_name.table_name

复制代码

2.在Hive中，可以创建的表的类型。

• 内部表
  
• 外部表
  
• 分区表
  
• 分桶表
  

2.1 内部表

1. create table tb_name

复制代码

未被external修饰的表就是内部表。
内部表的位置由hive.metastore.warehouse.dir参数决定（默认：/user/hive/warehouse.）
删除内部表会直接删除元数据（metastore）及存储数据
2.2 外部表

1. create external table tb_name ... LOCATION "HDFS_path"

复制代码

外部表被external修饰，其数据可以在任何位置，通过LOCATION关键字指定。
数据存储的不同也代表了这个表在理念上并不是hive在管理，而是可以随意临时链接在外部数据上。
以是在删除外部表，仅仅删除元数据，不删除数据本身。
（注意，表本身和数据是相互独立的，可以先有表，然后把数据移动到表指定的location中，也可以先有数据，然后创建表通过location指向数据。）
2.3 Hive数据加载和导出

        数据的加载：（从其他地方加载到hive，两种方法）

• 利用LOAD语法，从外部将数据加载到HIVE内。（从文件加载）
  

（hive的数据存储在hdfs的路径上，因为hdfs是分布式存储系统，然后在从hdfs上加载到hive内）

1. LOAD DATA [LOCAL] INPATH "filepath" [OVERWRITE] INTO TABLE tb_name

复制代码

• 数据假如在HDFS上，不必要local关键字，假如在linux本地，必要local关键字。
  
• ”file path“ 数据路径
  
• overwrite ：利用表现覆盖，不利用表现追加。
  
• load方式导入数据，不会走mapreduce，小文件加载速度快，大文件加载和mapreduce速度没啥区别。
  

 --->从创建表到将数据load到hive内。（指在hive内创建表，然后把其他地方的数据加载到hive中）

1. # 建表（内部表默认在user/hive/
2. create table myhive.test_load(
3. dt string comment "时间",
4. user_id string comment "用户id",
5. search_word string comment "搜索关键词",
6. url string comment "网址" )
7. row format delimited fields terminated by "\t";
10. # 数据加载(现在是有表，然后将数据加载到表里边，即hive内，即hdfs的一块区域，但是这个区域是hive）
11. 1.将linux系统的数据上传。
13. load data [local] inpath "/home/user/search_log.txt' into table myhive.test_load;
15. 2.使用hdfs命令先将数据上传到hdfs系统中，再从hdfs系统上传。
16. hdfs -s -put search_log.txt /tmp  # 将本地路径为search_log.txt的文件上传到hdfs下的tmp上。
17. （该句在linux上执行）
19. load data inpath "/tmp/search_log.txt" into table myhive.test_load;

复制代码

注意：将本地的数据上传，本地数据还在，将hdfs的数据上传，hdfs的数据没有了，相当于移动。 

• 通过SQL语句加载 ,从其他表加载数据。
  

情景：如今hive下边有两张表，一张table1，一张table2，如今table1中有数据，table2是空的，如今要从table1中加载数据到table2中：
语法：

1. INSERT [OVERWRITE | INTO ] TABLE table_name
2. [PARTITION (partcol1=val1,partcol2=val2..) [if not exists] ]
3. select_statement1 FROM from_statement
5. # 将select查询语句的结果插入到其他表中，被select查询的表可以是内部表也可以是外部表

复制代码

举例：

1. insert into table2 select * from table1
2. insert overwrite tabel2 select  * from table1

复制代码

        数据的导出（将hive表中的数据导出到其他恣意目录，比方linux本地的磁盘，大概hdfs，mysql等。）
语法：

1. # 将数据导出到linux上需要local关键字，将数据导出到hdfs不需要关键字。
2. insert overwrite [local] directory "path"
3. select_statement1 from from_statement;

复制代码

举例：
将table1中的数据导出到linux下或hdfs。

1. # 将查询结果导出到本地，使用默认列分隔符
2. insert overwrite loacl directory "/home/hadoop/export1"
3. select * from table1
5. # 将查询结果导出到本地，使用指定列分隔符
6. insert overwrite local directory "/home/hadoop/export2"
7. row format delimited fields terminated by "\t"
8. select * from table1
10. # 将查询结果导出到hdfs上。
11. insert overwrite directory "/tmp/export"
12. row format delimited fields terminated by "\t"
13. select * from table1

复制代码

数据的导入导出总结：
1.不管时导入和导出，带local表现从本地导入大概导出到本地，不带表现从hdfs导入，大概导出到hdfs。
2.利用insert会走mapreduce，用时比力长。（但是当文件很大时无所谓，mapreduce和其他的方式速度差不多）
2.4  分区表

2.4.1 分区表的概念

        把大的数据，按照每天大概每小时进行切分，切分成一个个小的文件，分区表就是在表文件夹下，创建子文件夹，把对应数据存放在子文件夹里边，同样，分区之后还可能有分区，那就是再创建文件夹。

        如上图所示，我们知道，hive的内部表实在是hdfs上的一个文件夹，默认路径是“/user/hive/warehouse/database_name.db/table_name ”，那么表的分区是在表的文件夹，又放了子文件夹，来存放数据。即：数据库，表，表分区1，表分区2...表分区N 都是文件夹。在对应的分区文件夹里添加了分区数据。如许做的好处是每个分区是独立的文件夹，那么要对某个时间做处理，只必要对该子文件夹做处理。
2.4.2  创建分区表语法

下边提到的创建分区表的逻辑是先创建表，然后将数据加载到表对应的分区中。
语法

1. create table tabel_name partition by (分区列 列类型...)
2. row format delimited fields terminated by '';

复制代码

举例：

1. # 创建分区表语法
2. create table score (s_id string,
3.                     c_id string,
4.                     s_score int)
5. partition by (month string)
6. row format delimited fields terminated by "\t";
8. # 创建一个表带多个分区，分区的层次是年月日。三者是上下级，不是平级。
9. create table score (s_id string,
10.                     c_id string,
11.                     s_score int)
12. partition by (year string,
13.               month string,
14.               day string)
15. row format delimited fields terminated by "\t";
17. # 加载数据到分区表中
19. load data inpath "/export/server/hivedatas/score.txt"
20. into table score
21. partition (month="202006")
23. # 加载数据到一个表的多个分区中
24. load data inpath "/export/server/hivedatas/score.txt"
25. into table score
26. partition (year="2020",month="06",day="01")

复制代码

• 创建了分区之后，在查看表中数据的时候，会多出一个额外的列，这个列是分区的列，如下表，多了一个month列。（一个分区）
  

• 多个分区： 
  

分区表注意： 

• 在创建分区表时，创建了几个分区，插入数据的时候就要插入几个分区的数据。
  

2.5 分桶表 

2.5.1 分桶表的概念

分桶表和分区表一样，也是通过改变表的存储形式，从而完成对表优化的一种调优方式。
 分桶表和分布表的不同点是，分区是将表拆分到不同的子文件夹中进行存储，分桶是将表拆分到固定数目的不同文件中进行存储。
 注意：分区是文件夹级别，分桶是文件级别。
2.5.2 分桶表的创建

语法：

1. # 首先开启分桶的自动优化（自动匹配reduce task数量和桶的数量一致）
2. set hive.enforce.bucketing=true;
4. # 创建分桶表
5. create table 表名(列名1 列类型1，列名2 列类型2，..)
6. clustered by (列名）
7. into num buckets
8. row format delimited fields terminated by "\t";

复制代码

2.5.3 分桶表数据的加载

如今已经创建好表了，往分桶表里加载数据，前边已经学了往分区表中加载数据，有两种方法。
但是对于分桶表来说，只可以用insert into/overwrite方法。（该方法必须时从一张表中加载数据到另一张表）
以是往分桶表中添加数据时，先创建一个临时表1，用load data的方法将数据先加载到临时表1中，然后再从临时表1导入到分桶表中。

1. # 创建普通表
2. # 该普通表不用分区或分桶，但是列分割符要和分桶表的列分割符一样
3. create table 临时表名 (c_id string,c_name string,t_id string)
4. row format delimited fields terminated by "\t";
6. # 把数据加载到普通表中
7. load data local
8. inpath "/export/sever/hivedatas/course.txt"
9. into table 临时表名
11. # 构建分桶表
12. create table table1(c_id string,c_name string,t_id string)
13. clustered by (c_id)
14. into 3 buckets
15. row format delimited fields terminated by "\t";
17. # 把数据从临时表加载到分桶表
18. insert overwrite 分桶表  select * from 临时表 cluster by (c_id)

复制代码

•   为什么不可以用load data的方法加载数据到分桶表中？
  

因为假如没有分桶，只分区的话，那就是数据放到指定的文件夹，但是有分桶的话，已经指定文件的数目了，有分区：每个分区n个文件，没有分区，统共有n个文件，这种情况下数据必须一分为n，那数据该怎么插入呢？
当把数据分为n份的时候，并不是随机的将数据分成n份，而是基于分桶列的值进行hash取模来决定数据该分到那个文件。load data方式加载数据不会走mapreduce，没有计算，而分桶必要计算，以是不能用load data。

• 什么是基于分桶列的值进行hash取模？
  

Hash算法是一种加密算法，对于同样的值，加密之后的结果是一样的，比如说字符串"abcde"加密之后是12345，那么对该12345取模(分为几个桶就对谁取模），如许，按照取模的余数来分别数据的文件。
        上边对c_id列进行分桶，那么比如c_id的一个值是“aa",经过hash加密是56，如今要分成3桶，那么取模之后的余数是2，那么他就被分到2的文件夹。以是，同一个值肯定在一个文件。

•  为什么分桶表可以提升性能？
  

1.单值过滤：我们知道份几个同，假如想过滤某一个值，就在计算一下他的hash取余，如许一下就可以定位到在那个桶。
2.双表join：可以知道对应的桶里的内容，那么join的时候只必要join该桶就行，可以减少不必要的数据交互。
3.可以基于分桶列，来group by分组：因为雷同的值就在一个桶，以是可以在分桶列上进行分组。
3.修改表操作

1. # 修改表名字(sql也适用）
2. alter table table1 rename to table2;
4. # 修改表的属性（sql不适用）
6. --首先查看表的属性
7. desc formatted 表名；
9. --将表改为外部表
10. alter table 表名 SET tbpropertites('external'='true')
12. --修改表的comment，comment是建表时候的注释
13. alter table 表名 SET tbpropertites('comment'='this is new')
15. # 添加分区

复制代码

免责声明：如果侵犯了您的权益，请联系站长，我们会及时删除侵权内容，谢谢合作！更多信息从访问主页：qidao123.com:ToB企服之家，中国第一个企服评测及商务社交产业平台。