大数据最佳实践

# 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。

# 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

# Hive 服务器

HiveServer2（后面简称HS2）是从Hive 0.11版本开始引入的，它提供了一个服务器接口，允许客户端在Hive中执行查询并取回查询结果。当前的实现是一个HiveServer的改进版本，它基于Thrift RPC，支持多客户端身份认证和并发操作，其设计对JDBC、ODBC这样的开放API客户端提供了更好的支持。

HS2使用单一进程提供两种服务，分别是基于Thrift的Hive服务和一个Jetty Web服务器。基于Thrift的Hive服务是HS2的核心，它对Hive查询（例如从Beeline里发出的查询语句）做出响应。

Thrift是提供跨平台服务的RPC框架，允许客户端使用包括Java、C++、Ruby和其他很多语言，通过编程的方式远程访问Hive。它由服务器、传输、协议和处理器四层组成。

  • 服务器。对于TCP请求，HS2使用Thrift中的TthreadPoolServer服务器提供响应，对于HTTP请求，会通过Jetty服务器做出响应。TThreadPoolServer会为每个TCP连接分配一个工作线程，该线程和相关的连接绑定在一起，即便是空连接也会分配一个线程。如果因并发连接过多使得线程数太大，会有潜在的性能问题。未来的HS2会可能为TCP请求提供其他类型的服务器，例如TThreadedSelectorServer。

  • 传输。有TCP和HTTP两种传输模式。如果在客户端和服务器之间存在代理服务器（如因为负载均衡或安全方面的需要），那么只能通过HTTP模式访问Hive。这也就是HS2除了TCP方式外，还支持HTTP的原因。可以使用hive.server2.transport.mode配置参数指定Thrift服务的传输模式。

  • 协议。协议的实现是为了进行序列化和反序列化。HS2当前使用TBinaryProtocol作为它的Thrift序列化协议。将来可能会基于性能评估考虑其他协议，如TCompactProtocol。

  • 处理器。负责处理应用逻辑的请求，例如，ThriftCLIService.ExecuteStatement()方法实现编译和执行Hive查询的逻辑。

Hive通过Thrift提供Hive元数据存储的服务。通常来说，用户不能够调用元数据存储方法来直接对元数据进行修改，而应该通过HiveQL语言让Hive来执行这样的操作。用户应该只能通过只读方式来获取表的元数据信息。在5.6节我们配置了SparkSQL通过HS2服务访问Hive的元数据。

# 配置HS2

不同版本的HS2，配置属性可能会有所不同。最基本的配置是在hive-site.xml文件中设置如下属性：

  • hive.server2.thrift.min.worker.threads：默认值是5，最小工作线程数。
  • hive.server2.thrift.max.worker.threads：默认值是500，最大工作线程数。
  • hive.server2.thrift.port：默认值是10000，监听的TCP端口号。
  • hive.server2.thrift.bind.host：TCP接口绑定的主机。

除了在hive-site.xml配置文件中设置属性，还可以使用环境变量设置相关信息。环境变量的优先级别要高于配置文件，相同的属性如果在环境变量和配置文件中都有设置，则会使用环境变量的设置，就是说环境变量或覆盖掉配置文件里的设置。可以配置如下环境变量：

  • HIVE_SERVER2_THRIFT_BIND_HOST：用于指定TCP接口绑定的主机。
  • HIVE_SERVER2_THRIFT_PORT：指定监听的TCP端口号，默认值是10000。

HS2支持通过HTTP协议传输Thrift RPC消息（Hive 0.13以后的版本），这种方式特别用于支持客户端和服务器之间存在代理层的情况。当前HS2可以运行在TCP模式或HTTP模式下，但是不能同时使用两种模式。使用下面的属性设置启用HTTP模式：

  • hive.server2.transport.mode：默认值是binary，设置为http启用HTTP传输模式。
  • hive.server2.thrift.http.port：默认值是10001，监听的HTTP端口号。
  • hive.server2.thrift.http.max.worker.threads：默认值是500，服务器池中的最大工作线程数。
  • hive.server2.thrift.http.min.worker.threads：默认值是5，服务器池中的最小工作线程数。

可以配置hive.server2.global.init.file.location属性指定一个全局初始化文件的位置（Hive 0.14以后版本），它或者是初始化文件本身的路径，或者是一个名为“.hiverc”的文件所在的目录。在这个初始化文件中可以包含的一系列命令，这些命令会在HS2实例中运行，例如注册标准的JAR包或函数等。

如下参数配置HS2的操作日志：

  • hive.server2.logging.operation.enabled：默认值是true，当设置为true时，HS2会保存对客户端的操作日志。
  • hive.server2.logging.operation.log.location：默认值是${java.io.tmpdir}/${user.name}/operation_logs，指定存储操作日志的顶级目录。
  • hive.server2.logging.operation.verbose：默认值是false，如果设置为true，HS2客户端将会打印详细信息。
  • hive.server2.logging.operation.level：默认值是EXECUTION，该值允许在客户端的会话级进行设置。有四种日志级别，NONE忽略任何日志；EXECUTION记录完整的任务日志；PERFORMANCE在EXECUTION加上性能日志；VERBOSE记录全部日志。

默认情况下，HS2以连接服务器的用户的身份处理查询，但是如果将下面的属性设置为false，那么查询将以运行HS2进程的用户身份执行。当遇到无法创建临时表一类的错误时，可以尝试设置此属性：

  • hive.server2.enable.doAs：作为连接用户的身份，默认值为true。

为了避免不安全的内存溢出，可以通过将以下参数设置为true，禁用文件系统缓存：

  • fs.hdfs.impl.disable.cache：禁用HDFS缓存，默认值为false。
  • fs.file.impl.disable.cache：禁用本地文件系统缓存，默认值为false。

# 启动HS2

下面两条命令都可以用于启动HS2：

$HIVE_HOME/bin/hiveserver2
$HIVE_HOME/bin/hive --service hiveserver2

# 临时目录管理

HS2允许配置临时目录，这些目录被Hive用于存储中间临时输出。临时目录相关的配置属性如下。

  • hive.scratchdir.lock：默认值是false。如果设置为true，临时目录中会持有一个锁文件。如果一个Hive进程异常挂掉，可能会遗留下挂起的临时目录。使用cleardanglingscratchdir工具能够删除挂起的临时目录。如果此参数为false，则不会建立锁文件，cleardanglingscratchdir工具也不能删除任何挂起的临时目录。
  • hive.exec.scratchdir：指定Hive作业使用的临时空间目录。该目录用于存储为查询产生的不同map/reduce阶段计划，也存储这些阶段的中间输出。
  • hive.scratch.dir.permission：默认值是700。指定特定用户对根临时目录的权限。
  • hive.start.cleanup.scratchdir：默认值是false。指定是否在启动HS2时清除临时目录。在多用户环境下不使用该属性，因为可能会删除正在使用的临时目录。

# HS2的Web用户界面（Hive2.0.0引入）

HS2的Web界面提供配置、日志、度量和活跃会话等信息，其使用的默认端口是10002。可以设置hive-site.xml文件中的hive.server2.webui.host、hive.server2.webui.port、hive.server2.webui.max.threads等属性配置Web接口。

# 查看Hive版本

Hive没有提供--version命令行参数或者version()函数的方式查看版本号。可以使用两种方法查看Hive版本。

（1）要找到Hive安装目录，然后查看jar包的版本号。

[root@cdh1～]#ls /opt/cloudera/parcels/CDH-5.7.0/lib/hive/lib | grep hwi
hive-hwi-1.1.0-cdh5.7.0.jar
hive-hwi.jar
[root@cdh1～]#

（2）查询元数据存储数据库的version表，例如从MySQL中执行的查询和结果如下。

select * from hive.version;

# 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);

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。
更新时间: 3/24/2020, 2:54:50 PM

基础使用 →