大数据-06-Spark之读写Hive数据

简介

Hive中的表是纯逻辑表，就只是表的定义等，即表的元数据。Hive本身不存储数据，它完全依赖HDFS和MapReduce。这样就可以将结构化的数据文件映射为为一张数据库表，并提供完整的SQL查询功能，并将SQL语句最终转换为MapReduce任务进行运行。 而HBase表是物理表，适合存放非结构化的数据。

1. 两者分别是什么？

Apache Hive是数据仓库。通过Hive可以使用HQL语言查询存放在HDFS上的数据。HQL是一种类SQL语言，这种语言最终被转化为Map/Reduce. 虽然Hive提供了SQL查询功能，但是Hive不能够进行交互查询--因为它是基于MapReduce算法。

Apache Hbase Key/Value，基础单元是cell，它运行在HDFS之上。和Hive不一样，Hbase的能够在它的数据库上实时运行，而不是运行MapReduce任务，。

2. 两者的特点

Hive帮助熟悉SQL的人运行MapReduce任务。因为它是JDBC兼容的。运行Hive查询会花费很长时间，因为它会默认遍历表中所有的数据。但可以通过Hive的分区来控制。因为这样一来文件大小是固定的，就这么大一块存储空间，从固定空间里查数据是很快的。

HBase通过存储key/value来工作。注意版本的功能。

1. 应用场景
   
   Hive适合用来对一段时间内的数据进行分析查询，例如，用来计算趋势或者网站的日志。Hive不应该用来进行实时的查询。因为它需要很长时间才可以返回结果。
   
   Hbase非常适合用来进行大数据的实时查询。Facebook用Hbase进行消息和实时的分析。它也可以用来统计Facebook的连接数。
2. 总结
   
   Hive和Hbase是两种基于Hadoop的不同技术--Hive是一种类SQL的引擎，可以直接将文件转成数据库。并且运行MapReduce任务，Hbase是一种在Hadoop之上的NoSQL 的Key/vale数据库。Hive可以用来进行统计查询，HBase可以用来进行实时查询。数据也可以从Hive写到Hbase，再从Hbase写回Hive。
   
   Note, Hive is not something you install on worker nodes. Hive is a Hadoop client. Just run Hive according to the instructions you see at the Hive site.
   
   Hive不需要安装到每个HADOOP节点，它是一个HADOOP客户端，仅在需要的地方安装即可

安装前提：

安装好了hadoop，hadoop的集群搭建。

安装好了mysql。这里我们就开始安装MySQL

安装MySql

1.1 卸载原有的Mysql

在root用户下操作 找出mysql的相关目录

sudo find / -name mysql

显示结果为：

/usr/share/bash-completion/completions/mysql
/etc/apparmor.d/abstractions/mysql

通过命令rm -rf将mysql有关目录都删除掉，例如我这里只有上述的两个目录

sudo rm -rf /etc/apparmor.d/abstractions/mysql
sudo rm -rf /usr/share/bash-completion/completions/mysql

1.2 使用以下命令即可进行mysql安装，注意安装前先更新一下软件源以获得最新版本

sudo apt-get install mysql-server  #安装mysql

上述命令会安装以下包：

apparmor

mysql-client-5.7

mysql-common

mysql-server

mysql-server-5.7

mysql-server-core-5.7

因此无需再安装mysql-client等。安装过程会提示设置mysql root用户的密码，设置完成后等待自动安装即可。默认安装完成就启动了mysql。

• 启动和关闭mysql服务器：

service mysql start
service mysql stop

• 确认是否启动成功，mysql节点处于LISTEN状态表示启动成功：

sudo netstat -tap | grep mysql

• 进入mysql shell界面：

mysql -u root -p

• 解决利用sqoop导入MySQL中文乱码的问题（可以插入中文，但不能用sqoop导入中文）
  
  导致导入时中文乱码的原因是character_set_server默认设置是latin1，如下图。
  
  
  
  可以单个设置修改编码方式set character_set_server=utf8;但是重启会失效，建议按以下方式修改编码方式。
  
  (1)编辑配置文件。sudo vi /etc/mysql/mysql.conf.d/mysqld.cnf
  
  (2)在[mysqld]下添加一行character_set_server=utf8。如下图
  
  
  
  (3)重启MySQL服务。service mysql restart
  
  (4)登陆MySQL，并查看MySQL目前设置的编码。show variables like "char%";
  
  

MySQL常用操作

注意：MySQL中每个命令后都要以英文分号；结尾。

1、显示数据库

mysql> show databases;

MySql刚安装完有两个数据库：mysql和test。mysql库非常重要，它里面有MySQL的系统信息，我们改密码和新增用户，实际上就是用这个库中的相关表进行操作。

2、显示数据库中的表

mysql> use mysql; （打开库，对每个库进行操作就要打开此库）

Database changed

mysql> show tables;

3、显示数据表的结构：

describe 表名;

4、显示表中的记录：

select * from 表名;

例如：显示mysql库中user表中的纪录。所有能对MySQL用户操作的用户都在此表中。

select * from user;

5、建库：

create database 库名;

例如：创建一个名字位aaa的库

mysql> create databases aaa;

6、建表：

use 库名；

create table 表名 (字段设定列表)；

例如：在刚创建的aaa库中建立表person,表中有id(序号，自动增长)，xm（姓名）,xb（性别）,csny（出身年月）四个字段

use aaa;

mysql> create table person (id int(3) auto_increment not null primary key, xm varchar(10),xb varchar(2),csny date);

可以用describe命令察看刚建立的表结构。

mysql> describe person;

describe-person

7、增加记录

例如：增加几条相关纪录。

mysql>insert into person values(null,’张三’,’男’,’1997-01-02′);

mysql>insert into person values(null,’李四’,’女’,’1996-12-02′);

因为在创建表时设置了id自增，因此无需插入id字段，用null代替即可。

可用select命令来验证结果。

mysql> select * from person;

select-from-person

8、修改纪录

例如：将张三的出生年月改为1971-01-10

mysql> update person set csny=’1971-01-10′ where xm=’张三’;

9、删除纪录

例如：删除张三的纪录。

mysql> delete from person where xm=’张三’;

10、删库和删表

drop database 库名;

drop table 表名；

11、查看mysql版本

在mysql5.0中命令如下：

show variables like ‘version’;

或者：select version();

Hive 安装

配置mysql

• 启动并登陆mysql shell

 service mysql start #启动mysql服务
 mysql -u root -p  #登陆shell界面

• 新建hive数据库。

mysql> create database hive;

• 配置mysql允许hive接入：

mysql> create user 'hive'@'%' identified by 'hive';  # 用户，机器名，密码
mysql> grant all on *.* to 'hive'@'%' identified by 'hive';   #将所有数据库的所有表的所有权限赋给hive用户，后面的hive是配置hive-site.xml中配置的连接密码
mysql> flush privileges;  #刷新mysql系统权限关系表

安装Hive

1. 下载并解压hive源程序
   
   Hive下载地址

sudo tar -zxvf ./apache-hive-2.2.0-bin.tar.gz -C /usr/local   # 解压到/usr/local中
cd /usr/local/
sudo mv apache-hive-2.2.0-bin hive       # 将文件夹名改为hive
sudo chown -R hadoop hive                # 修改文件权限

1. 配置环境变量
   
   为了方便使用，我们把hive命令加入到环境变量中去，编辑~/.bashrc文件vim ~/.bashrc，在最前面一行添加:

export HADOOP_HOME=/usr/local/hadoop
export HIVE_HOME=/usr/local/hive
export PATH=$PATH:$HIVE_HOME/bin

保存退出后，运行source ~/.bashrc使配置立即生效。

1. 进入/usr/local/hive/conf目录，这个目录下存在的文件都是模板，需要复制和改名，要修改的如下

cp hive-env.sh.template hive-env.sh
cp hive-default.xml.template hive-site.xml
cp hive-log4j2.properties.template hive-log4j2.properties
cp hive-exec-log4j2.properties.template hive-exec-log4j2.properties

1. 在hdfs目录下建立三个文件，用来存放hive信息，并赋予777权限

hdfs dfs -mkdir -p /user/hive/warehouse
hdfs dfs -mkdir -p /user/hive/tmp
hdfs dfs -mkdir -p /user/hive/log
hdfs dfs -chmod -R 777 /user/hive/warehouse
hadoop fs -chmod 777 /user/hive/tmp
hdfs dfs -chmod -R 777 /user/hive/tmp
hdfs dfs -chmod -R 777 /user/hive/log

1. 修改hive-env.sh文件

export JAVA_HOME=/usr/lib/jvm/java-8-openjdk-amd64
export HADOOP_HOME=/usr/local/hadoop
export HIVE_HOME=/usr/local/hive
export HIVE_CONF_DIR=/usr/local/hive/conf

1. 在hive-site.xml文件中字段的配置：

<property>
    <name>hive.exec.scratchdir</name>
    <value>/usr/local/hive/tmp</value>
</property>
<property>
    <name>hive.metastore.warehouse.dir</name>
    <value>/user/hive/warehouse</value>
</property>
<property>
    <name>hive.querylog.location</name>
    <value>/user/hive/log</value>
</property>

<property>
    <name>javax.jdo.option.ConnectionURL</name>
    <value>jdbc:mysql://localhost:3306/hive?createDatabaseIfNotExist=true</value>
  </property>
  <property>
    <name>javax.jdo.option.ConnectionDriverName</name>
    <value>com.mysql.jdbc.Driver</value>
  </property>
  <property>
    <name>javax.jdo.option.ConnectionUserName</name>
    <value>root</value>
  </property>
  <property>
    <name>javax.jdo.option.ConnectionPassword</name>
    <value>root</value>
  </property>
  <property>
    <name>hive.exec.script.wrapper</name>
    <value/>
    <description/>
  </property>
  <property>
    <name>hive.metastore.schema.verification</name>
    <value>false</value>
  </property>

注意!! hive.exec.script.wrapper需要在数据库相关配置之后。

1. 创建/usr/local/hive/tmp文件夹

sudo mkdir /usr/local/hive/tmp

然后在配置文件hive-site.xml中，把所有的${system:java.io.tmpdir} 都替换为/usr/local/hive/tmp，把所有的${system:user.name}替换为root

8. 配置jdbc的驱动

下载mysql-connector-java-5.1.46-bin.jar 包(也可以在下载页面，选择Looking for previous GA versions?去找想要的版本)，复制放到/usr/local/hive/lib目录下就可以了

9. 初始化hive，在hive2.0以后的版本，初始化命令都是：

schematool -dbType mysql -initSchema

在Hive中创建数据库和表

进入Shell命令提示符状态。因为需要借助于MySQL保存Hive的元数据，所以，请首先启动MySQL数据库：

service mysql start  #可以在Linux的任何目录下执行该命令

由于Hive是基于Hadoop的数据仓库，使用HiveQL语言撰写的查询语句，最终都会被Hive自动解析成MapReduce任务由Hadoop去具体执行，因此，需要启动Hadoop，然后再启动Hive。

然后执行以下命令启动Hadoop：

cd /usr/local/hadoop
./sbin/start-all.sh
cd /usr/local/hive
./bin/hive  #由于已经配置了path环境变量，这里也可以直接使用hive，不加路径 我这里用了一次 ，似乎后面spark操作需要启动后面这个服务 bin/hive --service metastore &

通过上述过程，我们就完成了MySQL、Hadoop和Hive三者的启动。

下面我们进入Hive，新建一个数据库sparktest，并在这个数据库下面创建一个表student，并录入两条数据。

下面操作请在Hive命令提示符下操作：

hive> create database if not exists sparktest;//创建数据库sparktest
hive> show databases; //显示一下是否创建出了sparktest数据库
//下面在数据库sparktest中创建一个表student
hive> create table if not exists sparktest.student(
> id int,
> name string,
> gender string,
> age int);
hive> use sparktest; //切换到sparktest
hive> show tables; //显示sparktest数据库下面有哪些表
hive> insert into student values(1,'Xueqian','F',23); //插入一条记录
hive> insert into student values(2,'Weiliang','M',24); //再插入一条记录
hive> select * from student; //显示student表中的记录

通过上面操作，我们就在Hive中创建了sparktest.student表，这个表有两条数据。

连接Hive读写数据

现在我们看如何使用Spark读写Hive中的数据。注意，操作到这里之前，你一定已经按照前面的各个操作步骤，启动了Hadoop、Hive、MySQL和spark-shell（包含Hive支持）。

在启动之前，我们需要做一些准备工作，我们需要修改“/usr/local/sparkwithhive/conf/spark-env.sh”这个配置文件：

cd /usr/local/spark/spark-2.3.0-bin-hadoop2.7/conf
vim spark-env.sh

这样就使用vim编辑器打开了spark-env.sh这个文件，这文件里面以前可能包含一些配置信息，全部删除，然后输入下面内容：

export JAVA_HOME=/usr/lib/jvm/java-8-openjdk-amd64

export SCALA_HOME=/usr/local/scala/scala-2.10.7

export HADOOP_CONF_DIR=/usr/local/hadoop/etc/hadoop

export SPARK_DIST_CLASSPATH=$(/usr/local/hadoop/bin/hadoop classpath)

export CLASSPATH=$CLASSPATH:/usr/local/hive/lib

export HIVE_CONF_DIR=/usr/local/hive/conf

export SPARK_CLASSPATH=$SPARK_CLASSPATH:/usr/local/hive/lib/mysql-connector-java-5.1.46-bin.jar

保存spark-env.sh这个文件，退出vim编辑器。

为了让Spark能够访问Hive，需要把Hive的配置文件hive-site.xml拷贝到Spark的conf目录下，请在Shell命令提示符状态下操作：

cp /usr/local/hive/conf/hive-site.xml /usr/local/spark/spark-2.3.0-bin-hadoop2.7/conf

把连接用的jar文件拷贝到指定位置

cp mysql-connector-java-5.1.46-bin.jar /usr/local/spark/spark-2.3.0-bin-hadoop2.7/jars/

好了，经过了前面如此漫长的准备过程，现在终于可以启动spark-shell,编写调试Spark连接Hive读写数据的代码了。

下面，请在spark-shell（包含Hive支持）中执行以下命令从Hive中读取数据：

Scala> import org.apache.spark.sql.Row
Scala> import org.apache.spark.sql.SparkSession

Scala> case class Record(key: Int, value: String)

// warehouseLocation points to the default location for managed databases and tables
Scala> val warehouseLocation = "spark-warehouse"

Scala> val spark = SparkSession.builder().appName("Spark Hive Example").config("spark.sql.warehouse.dir", warehouseLocation).enableHiveSupport().getOrCreate()

Scala> import spark.implicits._
Scala> import spark.sql
//下面是运行结果
scala> sql("SELECT * FROM sparktest.student").show()
+---+--------+------+---+
| id|    name|gender|age|
+---+--------+------+---+
|  1| Xueqian|     F| 23|
|  2|Weiliang|     M| 24|
+---+--------+------+---+

启动后就进入了hive命令提示符状态，然后输入如下命令查看sparktest.student表中的数据：

hive> use sparktest;
OK
Time taken: 0.016 seconds

hive> select * from student;
OK
1   Xueqian F   23
2   Weiliang    M   24
Time taken: 0.05 seconds, Fetched: 2 row(s)

下面，我们编写程序向Hive数据库的sparktest.student表中插入两条数据，请切换到spark-shell（含Hive支持）终端窗口，输入以下命令：

scala> import java.util.Properties
scala> import org.apache.spark.sql.types._
scala> import org.apache.spark.sql.Row

//下面我们设置两条数据表示两个学生信息
scala> val studentRDD = spark.sparkContext.parallelize(Array("3 Rongcheng M 26","4 Guanhua M 27")).map(_.split(" "))

//下面要设置模式信息
scala> val schema = StructType(List(StructField("id", IntegerType, true),StructField("name", StringType, true),StructField("gender", StringType, true),StructField("age", IntegerType, true)))

//下面创建Row对象，每个Row对象都是rowRDD中的一行
scala> val rowRDD = studentRDD.map(p => Row(p(0).toInt, p(1).trim, p(2).trim, p(3).toInt))

//建立起Row对象和模式之间的对应关系，也就是把数据和模式对应起来
scala> val studentDF = spark.createDataFrame(rowRDD, schema)

//查看studentDF
scala> studentDF.show()
+---+---------+------+---+
| id|     name|gender|age|
+---+---------+------+---+
|  3|Rongcheng|     M| 26|
|  4|  Guanhua|     M| 27|
+---+---------+------+---+
//下面注册临时表
scala> studentDF.registerTempTable("tempTable")

scala> sql("insert into sparktest.student select * from tempTable")

然后，请切换到刚才的hive终端窗口，输入以下命令查看Hive数据库内容的变化：

hive> select * from student;
OK
1   Xueqian F   23
2   Weiliang    M   24
3   Rongcheng   M   26
4   Guanhua M   27
Time taken: 0.049 seconds, Fetched: 4 row(s)