跳至主要內容

Hive的体系结构

Hive的体系结构

为了更好地理解Hive如何与Hadoop的基本组件一起协同工作，可以把Hadoop看作一个操作系统，HDFS和MapReduce是这个操作系统的组成部分，而像Hive、HBase这些组件，则是操作系统的上层应用或功能。Hadoop生态圈的通用底层架构是HDFS提供分布式存储，MapReduce为上层功能提供并行处理能力。

在HDFS和MapReduce之上，图中显示了Hive驱动程序和元数据存储。Hive驱动程序及其编译器负责编译、优化和执行HiveQL。依赖于具体情况，Hive驱动程序可能选择在本地执行Hive语句或命令，也可能是产生一个MapReduce作业。Hive驱动程序把元数据存储在数据库中。

默认配置下，Hive在内建的Derby关系数据库系统中存储元数据，这种方式被称为嵌入模式。在这种模式下，Hive驱动程序、元数据存储和Derby全部运行在同一个Java虚拟机中（JVM）。这种配置适合于学习目的，它只支持单一Hive会话，所以不能用于多用户的生产环境。Hive还允许将元数据存储于本地或远程的外部数据库中，这种设置可以更好地支持Hive的多会话生产环境。并且，可以配置任何与JDBC API兼容的关系数据库系统存储元数据，如MySQL、Oracle等。

对应用支持的关键组件是Hive Thrift服务，它允许一个富客户端访问Hive，开源的SQuirreL SQL客户端被作为示例包含其中。任何与JDBC兼容的应用，都可以通过绑定的JDBC驱动访问Hive。与ODBC兼容的客户端，如Linux下典型的unixODBC和isql应用程序，可以从远程Linux客户端访问Hive。如果在客户端安装了相应的ODBC驱动，甚至可以从微软的Excel访问Hive。通过Thrift还可以用Java以外的程序语言，如PHP或Python访问Hive。就像JDBC、ODBC一样，Thrift客户端通过Thrift服务器访问Hive。

架构图的最上面包括一个命令行接口（CLI），可以在Linux终端窗口向Hive驱动程序直接发出查询或管理命令。还有一个简单的Web界面，通过它可以从浏览器访问Hive管理表及其数据。

一、Hive 的工作流程

从接收到从命令行或是应用程序发出的查询命令，到把结果返回给用户，期间Hive的工作流程（第一版的MapReduce）如下图，从中不难看出，Hive的执行过程与关系数据库的非常相似，只不过是使用分布式计算框架来实现。

步骤操作
1.执行查询从Hive的CLI或Web UI发查询命令给驱动程序（任何JDBC、ODBC数据库驱动）执行
2.获得计划驱动程序请求查询编译器解析查询、检查语法、生成查询计划或者查询所需要的资源
3.获得元数据编译器向元数据存储数据库发送元数据请求
4.发送元数据作为响应，元数据存储数据库向编译器发送元数据
5.发送计划编译器检查需要的资源，并把查询计划发送给驱动程序。至此，查询解析完成
6.执行计划驱动程序向执行引擎发送执行计划
7.执行作业执行计划的处理是一个MapReduce作业。执行引擎向Name node上的JobTracker进程发送作业，JobTracker把作业分配给Data node上的TaskTracker进程，此时，查询执行MapReduce作业
7.1操作元数据执行作业的同时，执行引擎可能会执行元数据操作，如DDL语句等。
8.取回结果执行引擎从Data node 接收结果
9.发送结果执行引擎向驱动程序发送合成的结果值
10.发送结果驱动程序向Hive接口（CLI或者WebUI）发送结果

二、Hive客户端

Hive最初的形式是一个重量级的命令行工具，它接收查询指令并利用MapReduce执行查询。后来Hive采用了客户端-服务器模式，HiveServer（简称HS1）作为服务器端，负责将查询语句编译成MapReduce作业，并监控它们的执行。而Hive CLI（hive shell命令）是一个命令行接口，负责接收用户的HiveQL语句，并传送到服务器。 Hive社区在0.11版中引入了HS2，并推荐使用新的Beeline命令行接口（beeline shell命令），HS1及其Hive CLI不再建议使用，甚至过时的Hive CLI客户端方案以后可能将不能与HS2一起使用。下面重点介绍Beeline客户端，在本小节最后说明Hive CLI和Beeline用法上的主要差别。

Beeline是为与新的Hive服务器进行交互而特别开发的。与Hive CLI不同，Beeline不是基于Thrift的客户端，而是一个基于SQLLine CLI的JDBC客户端，尽管用于和HS2通信的JDBC驱动程序还是使用的Thrift API。Beeline有嵌入和远程两种操作模式。在嵌入模式中，它运行一个嵌入的类似于hive的shell命令；而在远程模式中，它通过Thrift服务连接一个分离的HS2进程。从Hive 0.14开始，当Beeline与HS2联合使用时，还会在交互式查询中打印很长的HS2消息信息。生产系统推荐使用远程HS2模式，因为它更安全，不需要授予用户直接访问HDFS或元数据存储的权限。

Beeline命令

$HIVE_HOME/bin/beeline这个shell命令（后面简称为beeline）用于连接Hive服务器。假定已经将$HIVE_HOME/bin加入到环境变量PATH中，则只需要在shell提示符中输入beeline，就可以使用户的shell环境如bash找到这个命令。\

# 进入Beeline后链接服务器
beeline > !connect jdbc:hive2://cdh2:10000

也可以在命令行直接指定连接参数。这意味着能够在Linux shell的命令历史history中找到含有连接字符串的beeline命令。

beeline -u jdbc:hive2://cdh2:10000/test

连接URL

Beeline客户端使用URL格式连接Hive数据库，HS2的URL连接字符串语法如下：

jdbc:hive2://<host1>:<port1>,<host2>:<port2>/dbName;initFile=<file>;sess_var_list?hive_conf_l ist#hive_var_list

  • <host1>:<port1>,<host2>:<port2>：要连接的一个服务器实例，或者是用逗号分隔的多个服务器实例，如果为空，将使用嵌入模式。
  • dbName：初始连接的数据库名称。
  • <file>：初始化脚本的路径（Hive 2.2.0及以后版本支持）。这个脚本文件中的HiveQL语句会在连接后自动执行。该选项可以为空。
  • sess_var_list：以一个逗号分隔的、会话级变量的键／值对列表。
  • hive_conf_list：以一个逗号分隔的、Hive配置变量的键／值对列表。
  • hive_var_list：以一个逗号分隔的、Hive变量的键／值对列表。

JDBC连接具有jdbc:hive2://前缀，驱动的类是org.apache.hive.jdbc.HiveDriver。注意这和老的HS1不同。

对于远程连接模式，连接URL的格式为：

jdbc:hive2://<host>:<port>/<db>;initFile=<file>（HS2 默认的端口是 10000）。

对于嵌入连接模式，连接URL的格式为：

jdbc:hive2:///;initFile=<file>（没有主机名和端口）。

当HS2以HTTP模式运行时，连接URL的格式为：

jdbc:hive2://<host>:<port>/<db>;transportMode=http;httpPath=<http_endpoint>，其中 <http_endpoint>对应的是hive-site.xml文件中配置hive.server2.thrift.http.path 属性值，默认值为 cliservice。默认的HTTP传输端口为10001。

当HS2启用了SSL时，连接URL的格式为：

jdbc:hive2://<host>:<port>/<db>;ssl=true;sslTrustStore=<trust_store_path>;trustStorePassword= <trust_store_password>

其中<trust_store_path>是客户端信任文件所在路径，<trust_store_password>是访问信任文件所需的密码。相应HTTP模式的格式为：

jdbc:hive2://<host>:<port>/<db>;ssl=true;sslTrustStore=<trust_store_path>;trustStorePassword= <trust_store_password>;transportMode=http;httpPath=<http_endpoint>。

从Hive 2.1.0开始，Beeline支持命名URL连接串，这是通过环境变量实现的。如果使用!connect连接一个名称，而不是URL，那么Beeline会查找一个名为BEELINE_URL_<name>的环境变量。例如，如果命令为!connect blue，Beeline会查找BEELINE_URL_BLUE环境变量，并使用该变量的值做连接。对于系统管理员来说，为用户设置环境变量相对方便些，用户也不需要在每次连接时都键入完整的URL字符串。 !reconnect命令用于刷新已经建立的连接，如果已经执行!close命令关闭了连接，则不能再刷新连接。从Hive 2.1.0起，Beeline会记住一个会话最后成功连接的URL，这样即使已经运行了!close命令也能够重连。另外，如果用户执行了!save命令，连接会被保存到beeline.properties文件中，当执行!reconnect时，会连接到这个保存的URL。也可以在命令行使用-r参数，在启动Beeline时执行重连操作。

变量和属性

--hivevar参数可以让用户在命令行定义自己的变量以便在Hive脚本中引用，以满足不同情况的需要。这个功能只有Hive 0.8.0及其之后版本才支持。当使用这个功能时，Hive会将键／值对放到hivevar命名空间，这样就能和另外三种内置的命名空间（hiveconf、system和env）加以区分。下表描述了Hive的4种命名空间选项。

命名空间使用权限描述
hivevar可读写用户自定义变量（Hive 0.8.0及以后版本）
hiveconf可读写Hive相关的配置属性
system可读写Java定义的配置属性
Env只读shell环境（如bash）定义的环境变量

变量在Hive内部是以Java字符串的方式存储的。用户可以在查询中引用变量。Hive会先使用变量值替换掉查询的变量引用，然后才会将查询语句提交给查询处理器。在beeline环境中，可以使用set命令显示或者修改变量值。例如，下面这个会话先显示一个env变量的值，然后再显示所有命名空间中定义的变量。为了更清晰地表现，我们省略掉这个Hive会话中大量的输出信息：

set env:HOME;
set;
set -v;

如果不加-v标记，set命令会打印出hivevar、hiveconf、system和env中所有的变量。使用-v标记，则会打印出Hadoop中所定义的所有属性。例如控制HDFS和MapReduce的属性。set命令还可用于给变量赋新的值。我们特别看下hivevar命名空间以及如何通过命令行定义一个变量：

beeline --hivevar foo=bar
0: jdbc:hive2://bihell:10000/default> set foo;
+----------+--+
|   set    |
+----------+--+
| foo=bar  |
+----------+--+
1 row selected (6.41 seconds)
0: jdbc:hive2://bihell:10000/default> set hivevar:foo;
+-------------------+--+
|        set        |
+-------------------+--+
| hivevar:foo=bar2  |
+-------------------+--+
1 row selected (0.005 seconds)
0: jdbc:hive2://bihell:10000/default> set foo;
+-----------+--+
|    set    |
+-----------+--+
| foo=bar2  |
+-----------+--+
1 row selected (0.005 seconds)

可以看到，前缀hivevar:是可选的，如果不加前缀，默认的命名空间就是hivevar。在beeline环境中，查询语句的变量引用会先被替换掉，然后才提交给查询处理器。

0: jdbc:hive2://bihell:10000/default> create table bihell(i int,${hivevar:foo} string);
+-----------+------------+----------+--+
| col_name  | data_type  | comment  |
+-----------+------------+----------+--+
| i         | int        |          |
| bar2      | string     |          |
+-----------+------------+----------+--+

0: jdbc:hive2://bihell:10000/default> create table bihell2 (i int,${foo} string);
+-----------+------------+----------+--+
| col_name  | data_type  | comment  |
+-----------+------------+----------+--+
| i         | int        |          |
| bar2      | string     |          |
+-----------+------------+----------+--+

--hiveconf选项是hive 0.7版本后支持的功能，用于配置Hive行为的所有属性。我们甚至可以增加新的hiveconf属性。

0: jdbc:hive2://bihell:10000/default> set hiveconf:y=1;
No rows affected (0.002 seconds)
0: jdbc:hive2://bihell:10000/default> set hiveconf:y;
+---------------+--+
|      set      |
+---------------+--+
| hiveconf:y=1  |
+---------------+--+
1 row selected (0.005 seconds)
0: jdbc:hive2://bihell:10000/default> select * from t where id=${hiveconf:y);

运行指定文件中的SQL

beeline -u "jdbc:hive2://xxx.xxx.com:10000" --hiveconf rptdate=`date --date='1 days ago' "+%Y%m%d"` -n hdfs -f /xx/xx/xx.SQL
# --hiveconf rptdate用来把变量带入SQL脚本，SQL脚本中使用${hiveconf:rptdate}获变量值。

我们还有必要了解一下system命名空间，它定义Java系统属性。Beeline对这个命名空间内容具有可读写权利，而对于env命名空间的环境变量只提供读权限。

0: jdbc:hive2://bihell:10000/default> set ststem:user.name;
+--------------------------------+--+
|              set               |
+--------------------------------+--+
| ststem:user.name is undefined  |
+--------------------------------+--+
1 row selected (0.005 seconds)
0: jdbc:hive2://bihell:10000/default> set system:user.name;
+------------------------+--+
|          set           |
+------------------------+--+
| system:user.name=hive  |
+------------------------+--+
1 row selected (0.006 seconds)
0: jdbc:hive2://bihell:10000/default> set system:user.name=hive2;
No rows affected (0.007 seconds)
0: jdbc:hive2://bihell:10000/default> set system:user.name;
+-------------------------+--+
|           set           |
+-------------------------+--+
| system:user.name=hive2  |
+-------------------------+--+
1 row selected (0.005 seconds)
0: jdbc:hive2://bihell:10000/default> set env:HOME;
+-------------------------+--+
|           set           |
+-------------------------+--+
| env:HOME=/var/lib/hive  |
+-------------------------+--+
1 row selected (0.005 seconds)
0: jdbc:hive2://bihell:10000/default> set env:HOME=/var/lib/hive2;
Error: Error while processing statement: null (state=,code=1)

和hivevar变量不同，用户必须使用system:或者env:前缀来指定系统属性和环境变量。env命名空间可作为向Hive传递变量的一个可选的方式。

YEAR=2020
beeline -u jdbc:hive2://bihell:10000/test -e "select * from t where yar = ${env:YEAR}";

查询处理器会在where子句中查看到实际的变量值为2020。Hive中所有的内置属性都在$HIVE_HOME/conf/hive-default.xml.template文件中列举出来了，这是个样例配置文件，其中还说明了这些属性的默认值。

输出格式

在Beeline中，查询结果能以不同的格式显示出来。显示格式可以通过outputformat选项设置。支持的输出格式有table、vertical、xmlattr、xmlelements和分隔值格式（csv、tsv、csv2、tsv2、dsv）。以下是一些不同格式的输出示例。

Hive CLI和Beeline使用上的主要差别

随着Hive从原始的HS1服务器进化为新的HS2，用户和开发者也需要将客户端工具从原来的Hive CLI切换为新的Beeline，然而这种切换并不只是将“hive”命令换成“beeline”命令这么简单。下面介绍两种客户端用法上的主要差异。

  • Hive CLI提供了一个可以打印RCFile格式文件内容的工具，如：hive --service rcfilecat /user/hive/warehouse/columntable/000000_0 Beeline没有此项功能。
  • Hive CLI可以使用source命令来执行脚本文件，如：hive> source /path/to/file/queries.hql; Beeline没有此项功能。
  • Hive CLI可以配置hive.cli.print.current.db属性，在命令行提示符前打印当前数据库名，如：$hive -hiveconf hive.cli.print.current.db=true。Beeline使用--showDbInPrompt命令行参数实现此功能（2.2.0版本新增）。
  • Hive CLI可以使用“!”操作符执行shell命令，如hive> ! pwd; Beeline中不能执行shell命令，其中的“!”符号是用来执行Beeline命令的，如：beeline> !connect jdbc:hive2://cdh2:10000
  • Hive CLI中，默认时在查询结果中不显示字段名称，需要设置hive.cli.print.header选项打印字段名称，如：hive> set hive.cli.print.header=true; 而Beeline不需要此项设置就会在输出中显示字段名称。
  • Hive CLI中可以使用--define命令行参数设置变量，它和--hivevar是相同的，如：hive --define foo=bar 而在Beeline中--define参数是无效的，只能使用--hivevar参数。
  • Hive CLI可以使用-S选项开启静默模式，这样可以在输出结果中去掉额外的输出信息，而Beeline虽然提供了-silent参数，似乎能起到相同的效果，但实际上不行（至少在CDH 5.7.0上，该参数和hive的-S作用是不同的）。
  • Hive CLI支持管道符。例如，用户没有记清楚哪个属性指定了管理表的“warehouse”路径，通过如下的命令可以查看到： hive -e "set" | grep warehouse 上面的命令换成beeline则不会得到想要的结果。Beeline需要在客户端脚本中添加设置支持事务的set命令，即使在服务器端的hivesite.xml文件中已经设置，而Hive CLI则不需要。

三、数据类型

3.1 基本数据类型

Hive 表中的列支持以下基本数据类型：

大类类型
Integers（整型）TINYINT—1 字节的有符号整数
SMALLINT—2 字节的有符号整数
INT—4 字节的有符号整数
BIGINT—8 字节的有符号整数
Boolean（布尔型）BOOLEAN—TRUE/FALSE
Floating point numbers（浮点型）FLOAT— 单精度浮点型
DOUBLE—双精度浮点型
Fixed point numbers（定点数）DECIMAL—用户自定义精度定点数，比如 DECIMAL(7,2)
String types（字符串）STRING—指定字符集的字符序列
VARCHAR—具有最大长度限制的字符序列
CHAR—固定长度的字符序列
Date and time types（日期时间类型）TIMESTAMP — 时间戳
TIMESTAMP WITH LOCAL TIME ZONE — 时间戳，纳秒精度
DATE—日期类型
Binary types（二进制类型）BINARY—字节序列

TIMESTAMP 和 TIMESTAMP WITH LOCAL TIME ZONE 的区别如下：

  • TIMESTAMP WITH LOCAL TIME ZONE：用户提交时间给数据库时，会被转换成数据库所在的时区来保存。查询时则按照查询客户端的不同，转换为查询客户端所在时区的时间。
  • TIMESTAMP ：提交什么时间就保存什么时间，查询时也不做任何转换。

3.2 隐式转换

Hive 中基本数据类型遵循以下的层次结构，按照这个层次结构，子类型到祖先类型允许隐式转换。例如 INT 类型的数据允许隐式转换为 BIGINT 类型。额外注意的是：按照类型层次结构允许将 STRING 类型隐式转换为 DOUBLE 类型。

3.3 复杂类型

类型描述示例
STRUCT类似于对象，是字段的集合，字段的类型可以不同，可以使用 名称.字段名 方式进行访问STRUCT ('xiaoming', 12 , '2018-12-12')
MAP键值对的集合，可以使用 名称[key] 的方式访问对应的值map('a', 1, 'b', 2)
ARRAY数组是一组具有相同类型和名称的变量的集合，可以使用 名称[index] 访问对应的值ARRAY('a', 'b', 'c', 'd')

3.4 示例

如下给出一个基本数据类型和复杂数据类型的使用示例：

CREATE TABLE students(
  name      STRING,   -- 姓名
  age       INT,      -- 年龄
  subject   ARRAY<STRING>,   --学科
  score     MAP<STRING,FLOAT>,  --各个学科考试成绩
  address   STRUCT<houseNumber:int, street:STRING, city:STRING, province：STRING>  --家庭居住地址
) ROW FORMAT DELIMITED FIELDS TERMINATED BY "\t";

四、内容格式

当数据存储在文本文件中，必须按照一定格式区别行和列，如使用逗号作为分隔符的 CSV 文件 (Comma-Separated Values) 或者使用制表符作为分隔值的 TSV 文件 (Tab-Separated Values)。但此时也存在一个缺点，就是正常的文件内容中也可能出现逗号或者制表符。

所以 Hive 默认使用了几个平时很少出现的字符，这些字符一般不会作为内容出现在文件中。Hive 默认的行和列分隔符如下表所示。

分隔符描述
\n对于文本文件来说，每行是一条记录，所以可以使用换行符来分割记录
^A (Ctrl+A)分割字段 (列)，在 CREATE TABLE 语句中也可以使用八进制编码 \001 来表示
^B用于分割 ARRAY 或者 STRUCT 中的元素，或者用于 MAP 中键值对之间的分割，
在 CREATE TABLE 语句中也可以使用八进制编码 \002 表示
^C用于 MAP 中键和值之间的分割，在 CREATE TABLE 语句中也可以使用八进制编码 \003 表示

使用示例如下：

CREATE TABLE page_view(viewTime INT, userid BIGINT)
 ROW FORMAT DELIMITED
   FIELDS TERMINATED BY '\001'
   COLLECTION ITEMS TERMINATED BY '\002'
   MAP KEYS TERMINATED BY '\003'
 STORED AS SEQUENCEFILE;
上次编辑于:
Copyright © 2019-present 数码乱炖