探索数据湖中的巨兽：Apache Hive分布式SQL计算平台浅度剖析！

◆ Apache Hive 概述

1.1 分布式SQL计算

• 对数据进行统计分析，SQL是目前最为方便的编程工具
• 大数据体系中充斥着非常多的统计分析场景，所以，使用SQL去处理数据，在大数据中也是有极大的需求的

---

• MapReduce支持程序开发（Java、Python等），但不支持SQL开发
• Apache Hive是一款分布式SQL计算的工具， 其主要功能是：将SQL语句 翻译成MapReduce程序运行
  
• 基于Hive为用户提供了分布式SQL计算的能力写的是SQL、执行的是MapReduce

1.2 Hive的优势

• 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）
• 底层执行MapReduce，可以完成分布式海量数据的SQL处理

◆ 模拟实现Hive功能

2.1 元数据管理

• 总结
• 构建数据库首先需要拥有元数据管理功能，即：数据位置、数据结构、对数据进行描述 进行记录
  

2.2 解析器

• 解决了元数据管理后，我们还有一个至关重要的步骤， 即完成SQL到MapReduce转换的功能。
  
• SQL解析器需要完成的功能：
  • SQL分析
  • SQL到MapReduce程序的转换
  • 提交MapReduce程序运行并收集执行结果

2.3 基础架构

• 至此，一款基于MapReduce的，分布式SQL执行引擎的基础构建完成。
• 核心组件需要有：
  • 元数据管理，帮助记录各类元数据
  • SQL解析器，完成SQL到MapReduce程序的转换

2.4 Hive架构

• Apache Hive其2大主要组件就是：SQL解析器以及元数据存储。
  

◆ Hive基础架构

3.1 Hive架构图

3.2 Hive组件

3.2.1 元数据存储

• 元数据通常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。
• Hive提供了 Metastore 服务进程提供元数据管理功能
  

3.2.2 Driver驱动程序

• Driver驱动程序，包括语法解析器、计划编译器、优化器、执行器
• 功能：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。
• 这部分内容不是具体的服务进程，而是封装在Hive所依赖的Jar文件即Java代码中。
  

3.2.3 用户接口

• 用户接口包括 CLI、JDBC/ODBC、WebGUI。
  • 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
• Hive提供了 Hive Shell、 ThriftServer等服务进程向用户提供操作接口
  

◆ Hive部署

• Hive是分布式运行的框架还是单机运行的？
• Hive是单机工具，只需要部署在一台服务器即可。Hive虽然是单机的，但是它可以提交分布式运行的MapReduce程序运行

4.1 VMware虚拟机部署

• Hive是单机工具，需要准备一台服务器供Hive使用即可。同时Hive需要使用元数据服务，即需要提供一个关系型数据库，我们也选择一台服务器安装关系型数据库即可。
  

步骤一：安装MySQL数据库

• 这里展示课件中的MYSQL5.7安装方式和使用MySQL8.+版本的操作，请按照喜欢选择

---

• 在node1节点使用yum在线安装MySQL5.7版本

# 更新密钥
rpm --import https://repo.mysql.com/RPM-GPG-KEY-mysql-2022

# 安装Mysql yum库
rpm -Uvh http://repo.mysql.com//mysql57-community-release-el7-7.noarch.rpm

# yum安装Mysql
yum -y install mysql-community-server

# 启动Mysql设置开机启动
systemctl start mysqld
systemctl enable mysqld

# 检查Mysql服务状态
systemctl status mysqld

# 第一次启动mysql，会在日志文件中生成root用户的一个随机密码，使用下面命令查看该密码
grep 'temporary password' /var/log/mysqld.log
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18

# 修改root用户密码
mysql -u root -p -h localhost
Enter password:
 
mysql> ALTER USER 'root'@'localhost' IDENTIFIED BY 'Root!@#$';

# 如果你想设置简单密码，需要降低Mysql的密码安全级别
set global validate_password_policy=LOW; # 密码安全级别低
set global validate_password_length=4;	 # 密码长度最低4位即可

# 然后就可以用简单密码了（课程中使用简单密码，为了方便，生产中不要这样）
ALTER USER 'root'@'localhost' IDENTIFIED BY 'root';

/usr/bin/mysqladmin -u root password 'root'

grant all privileges on *.* to root@"%" identified by 'root' with grant option;  
flush privileges;
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17

---

• 在node1节点使用yum在线安装MySQL8.+版本

0. 更新软件

   sudo yum update
   1

1. 安装 MySQL 官方的 Yum Repository:

   sudo rpm -ivh https://dev.mysql.com/get/mysql80-community-release-el7-3.noarch.rpm
   1

2. 安装 MySQL 服务器:

   sudo yum install mysql-server --nogpgcheck
   1

3. 启动 MySQL 服务:

   sudo systemctl start mysqld
   1

   • 设置MySQL 服务在系统启动时自动启动

   sudo systemctl enable mysqld
   1

4. 获取初始密码并进行安全设置:

   • 当次安装 MySQL 8 之后，它会为 root 用户生成一个随机的临时密码。通过查看日志来获得这个密码：

   sudo grep 'temporary password' /var/log/mysqld.log
   1

5. 登录到 MySQL，输入之前设置的 root 用户的密码：

   mysql -u root -p
   1

6. 然后，设置root用户密码：

   # 设置用户密码xxxxx
   ALTER USER 'root'@'localhost' IDENTIFIED BY 'xxxxx';
   1
   2

---

• 以下操作时给与root用户的远程登录权限

1. 创建或修改用户
   • 如果root@"%"用户不存在：

   CREATE USER 'root'@'%' IDENTIFIED BY 'xxx';
   1

   • 如果root@"%"用户已存在，并且您只是想更新密码：

     ALTER USER 'root'@'%' IDENTIFIED BY 'xxx';
   1

2. 赋予权限

   GRANT ALL PRIVILEGES ON *.* TO 'root'@'%' WITH GRANT OPTION;
   1

3. 刷新权限

   FLUSH PRIVILEGES;
   1

4. 退出

   exit
   1

步骤2：配置Hadoop

• Hive的运行依赖于Hadoop（HDFS、MapReduce、YARN都依赖），同时涉及到HDFS文件系统的访问，所以需要配置Hadoop的代理用户，即设置hadoop用户允许代理（模拟）其它用户。
• 配置如下内容在Hadoop的core-site.xml中，并分发到其它节点，且重启HDFS集群

<property>
	<name>hadoop.proxyuser.hadoop.hosts</name>
	<value>*</value>
</property>
<property>
	<name>hadoop.proxyuser.hadoop.groups</name>
	<value>*</value>
</property>
1
2
3
4
5
6
7
8

步骤3：下载解压Hive

1. 切换到hadoop用户

   su - hadoop
   1

2. 下载Hive安装包，打开apache归档网址，点击公共软件版本档案，Ctrl+F查找hive打开目录，找到3.1.3版本进行下载
   
   
   

3. 解压到node1服务器的：/export/server/内

   tar -zxvf apache-hive-3.1.3-bin.tar.gz -C /export/server/
   1

4. 设置软连接

   ln -s /export/server/apache-hive-3.1.3-bin/ /export/server/hive
   1

步骤4：提供MySQL Driver包

• 下载MySQL驱动包
  
• ·将下载好的驱动jar包，放入: Hive安装文件夹的lib目录内

mv mysql-connector-java-8.0.30.jar /export/server/hive/lib/
1

步骤5：配置Hive

• 在Hive的conf目录内，新建hive-env.sh文件，填入以下环境变量内容：

export HADOOP_HOME=/export/server/hadoop
export HIVE_CONF_DIR=/export/server/hive/conf
export HIVE_AUX_JARS_PATH=/export/server/hive/lib
1
2
3

• 在Hive的conf目录内，新建hive-site.xml文件，填入以下内容【注意修改Mysql连接密码为自己的密码】

<configuration>
  <property>
    <name>javax.jdo.option.ConnectionURL</name>
    <value>jdbc:mysql://node1:3306/hive?createDatabaseIfNotExist=true&amp;useSSL=false&amp;useUnicode=true&amp;characterEncoding=UTF-8</value>
  </property>

  <property>
    <name>javax.jdo.option.ConnectionDriverName</name>
    <value>com.mysql.cj.jdbc.Driver</value>
  </property>

  <property>
    <name>javax.jdo.option.ConnectionUserName</name>
    <value>root</value>
  </property>

  <property>
    <name>javax.jdo.option.ConnectionPassword</name>
    <value>xxxx</value>
  </property>

  <property>
    <name>hive.server2.thrift.bind.host</name>
    <value>node1</value>
  </property>

  <property>
    <name>hive.metastore.uris</name>
    <value>thrift://node1:9083</value>
  </property>

  <property>
    <name>hive.metastore.event.db.notification.api.auth</name>
    <value>false</value>
  </property>
</configuration>
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36

步骤6：初始化元数据库

1. Hive的配置已经完成，现在在启动Hive前，需要先初始化Hive所需的元数据库
2. 在MySQL中新建数据库：hive

CREATE DATABASE hive CHARSET UTF8;
1

3. 执行元数据库初始化命令：

#进入hive的bin目录
cd /export/server/hive/bin/
#执行初始化命令
./schematool -initSchema -dbType mysql -verbos
1
2
3
4

4. 初始化成功后，会在MySQL的hile库中新建74张元数据管理的表

步骤7：启动Hive（使用Hadoop用户）

• 确保Hive文件夹所属为hadoop用户，创建一个hive的日志文件夹：

  mkdir /export/server/hive/logs
  1

• 启动元数据管理服务（必须启动，否则无法工作）
  • 前台启动：bin/hive --service metastore
  • 后台启动【推荐】：nohup bin/hive --service metastore >> logs/metastore.log 2>&1 &
    
  • nohup bin/hive --service metastore >> logs/metastore.log 2>&1 &含义：将元数据相关的日志存储到logs/文件夹下
• 启动客户端，二选一（当前先选择Hive Shell方式）
  • Hive Shell方式（可以直接写SQL）： /bin/hive
  • Hive ThriftServer方式（不可直接写SQL，需要外部客户端链接使用）： bin/hive --service hiveserver2
    

◆ Hive初体验

5.1 hiveShell初体验

• 首先，确保启动Metastore服务。

  jps
  ps -ef|grep 端口号
  1
  2

• 在hive目录下执行：bin/hive，进入到Hive Shell环境中，可以直接执行SQL语句

• 创建表

  CREATE TABLE test(id INT, name STRING, gender STRING);
  1

• 插入数据

  INSERT INTO test VALUES(1,'王力红','男'),(2,'周杰轮','男'),(3, '林志灵','女');
  1

• 查询数据

  SELECT gender, COUNT(*) AS cnt FROM test GROUP BY gender;
  1

• 验证Hive的数据存储

  • Hive的数据存储在HDFS的：/user/hive/warehouse中
    
    

• 验证SQL语句启动的MapReduce程序

  • 打开YARN的WEB UI页面查看任务情况：http://node1:8088
    

5.2 补充：JPS命令

• 在Linux系统中，jps 命令并不是自带的命令，而是Java开发工具包（JDK）提供的工具。

• 在Linux系统中安装了JDK，可以在JDK的安装路径下的bin目录中找到 jps 命令。通常，安装JDK后，你可以通过在终端中输入 jps 来执行该命令。但在某些Linux发行版中，jps 命令可能需要通过设置环境变量或使用完整的路径来执行。

• jps 是 Java Virtual Machine Process Status Tool（Java虚拟机进程状态工具）的缩写。它是Java开发工具包中的一个命令行工具，用于列出当前系统中所有正在运行的Java进程的相关信息。jps 命令通常用于诊断和监控Java应用程序的运行状态。
• 使用 jps 命令可以列出正在运行的Java进程的进程ID（PID）以及这些进程的主类名。它可以帮助开发人员确定系统中正在运行的Java进程及其状态，特别是在进行多进程调试或监控的情况下。
• ps 命令常用的选项和用法：

1. jps：列出并显示所有正在运行的Java进程的进程ID和主类名。
2. jps -l 或 jps --list：显示进程ID、主类名以及传递给主类的参数。
3. jps -v 或 jps --verbose：显示进程ID、主类名、传递给主类的参数以及JVM的启动参数。
4. jps -m 或 jps --m：显示进程ID、主类名、传递给主类的参数以及传递给JVM的参数。
5. jps -q 或 jps --quiet：只显示进程ID，不显示主类名。

◆ Hive客户端

6.1 HiveServer2服务

在启动Hive的时候，除了必备的Metastore服务外，还有2种方式使用Hive：

• 方式1： bin/hive 即Hive的Shell客户端，可以直接写SQL
• 方式2： bin/hive --service hiveserver2
  • 后台执行脚本：nohup bin/hive --service hiveserver2 >> logs/hiveserver2.log 2>&1 &
bin/hive --service metastore，启动的是元数据管理服务
    bin/hive --service hiveserver2，启动的是HiveServer2服务
• HiveServer2是Hive内置的一个ThriftServer服务，提供Thrift端口供其它客户端链接.可以连接ThriftServer的客户端有：
• Hive内置的 beeline客户端工具（命令行工具）
• 第三方的图形化SQL工具，如DataGrip、DBeaver、Navicat等

---

• Hive的客户端体系
  

6.2 HiveServer2服务 启动

• 在hive安装的服务器上，首先启动metastore服务，然后启动hiveserver2服务

#先启动metastore服务 然后启动hiveserver2服务
nohup bin/hive --service metastore >> logs/metastore.log 2>&1 &
nohup bin/hive --service hiveserver2 >> logs/hiveserver2.log 2>&1 &
1
2
3

6.3 Beeline

• 在node1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。

  # 在hive目录下执行
  bin/beeline
  1
  2

• 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
  

6.4 DataGrip链接Hive

• DataGrip、Dbeaver、SQuirrel SQL Client等可以在Windows、MAC平台中通过JDBC连接HiveServer2的图形界面工具；
• 这类工具往往专门针对SQL类软件进行开发优化、页面美观大方，操作简洁，更重要的是SQL编辑环境优雅；
• SQL语法智能提示补全、关键字高亮、查询结果智能显示、按钮操作大于命令操作；

---

• DataGrip是由JetBrains公司推出的数据库管理软件，DataGrip支持几乎所有主流的关系数据库产品，如DB2、Derby、
  MySQL、Oracle、SQL Server等，也支持几乎所有主流的大数据生态圈SQL软件，并且提供了简单易用的界面。

1. windows创建工程文件夹
   

2. DataGrip中创建新Project
   

3. DataGrip连接Hive
   

4. 配置配置Hiveserver2服务连接信息和Hive JDBC连接驱动