iceberg学习笔记（2）—— 与Hive集成

前置知识：

1.了解hadoop基础知识，并能够搭建hadoop集群 

2.了解hive基础知识

3.Iceberg学习笔记（1）—— 基础知识-CSDN博客

可以参考：

Hadoop基础入门（1）：框架概述及集群环境搭建_THE WHY的博客-CSDN博客

Hive基础知识总结-CSDN博客

环境准备

hive和iceberg的适配关系

注意：

Iceberg与Hive 2和Hive 3.1.2/3的集成，支持以下特性：

1. 创建表
2. 删除表
3. 读取表
4. 插入表（INSERT into）

更多功能需要Hive 4.x（目前alpha版本）才能支持

hive与iceberg的环境搭建：
1.上传jar包到hive的路径下：

mkdir auxlib

cp iceberg-hive-runtime-1.1.0.jar /opt/module/hive/auxlib

cp libfb303-0.9.3.jar /opt/module/hive/auxlib 

auxlib文件夹通常用于存放一些用户自定义的jar包，比如UDF、UDAF函数等

在hive-site.xml中可以通过hive.aux.jars.path参数绑定auxlib文件夹的路径

2.修改hive-site.xml，添加配置项

<property>
  <name>iceberg.engine.hive.enabled</name>
  <value>true</value>
</property>

<property>
  <name>hive.aux.jars.path</name>
  <value>/opt/module/apache-hive-3.1.2-bin/auxlib</value>
</property>

开启iceberg支持以及绑定jar包依赖

如果hive需要使用Tez引擎，注意事项如下：

1.使用Hive版本>=3.1.2，需要TEZ版本>=0.10.1

2.在hive-site.xml中指定tez更新配置：

<property>
<name>tez.mrreader.config.update.properties</name>
<value>hive.io.file.readcolumn.names,hive.io.file.readcolumn.ids</value>
</property>

3.从Iceberg 0.11.0开始，如果Hive使用Tez引擎，需要关闭向量化执行 

<property>
<name>hive.vectorized.execution.enabled</name>
<value>false</value>
</property>

有关Tez引擎：

Tez是一个由Apache开源的支持DAG作业的计算框架，它直接源于MapReduce框架，核心思想是将Map和Reduce两个操作进一步拆分。在Hive中，Tez被用作其运行引擎，性能优于Hive默认的MR引擎。这主要是因为Tez可以将多个有依赖的作业转换为一个作业，这样只需写一次HDFS，且中间节点较少，从而大大提升作业的计算性能

有关向量化执行：

Hive的向量化执行是一种优化技术，它将查询操作应用于数据向量。传统的Hive执行方式是逐行处理数据，而向量化模式则允许一次处理多行数据，从而减少了数据处理的开销。这种模式通过将一组数据作为一个向量进行处理，利用SIMD（单指令多数据）指令集来并行执行操作，进而提高了查询的效率。然而，值得注意的是，开启向量化并不是万能的，它需要同时满足一些条件才能发挥出效果。此外，向量化查询执行在Hive 0.13.0及以后版本可用，并且默认情况下是关闭的，用户可以通过设置"set hive.vectorized.execution"来启用。

相关配置完成后开启hadoop以及HMS服务即可

nohup /opt/module/apache-hive-3.1.2-bin/bin/hive --service metastore &

nohup /opt/module/apache-hive-3.1.2-bin/bin/hive --service hiveserver2 &

/opt/module/apache-hive-3.1.2-bin/bin/beeline -u jdbc:hive2://hadoop102:10000 -n why

Hive Catalog

catalog是database的上一层抽象，翻译过来叫做“目录”

catalog的作用在于提供了远端连接的入口，对元数据进行统一的管理

Iceberg支持多种不同的Catalog类型，例如:Hive、Hadoop、亚马逊的AWS Glue和自定义Catalog

• 没有设置iceberg.catalog，默认使用HiveCatalog

CREATE TABLE iceberg_test1 (i int) 
STORED BY 'org.apache.iceberg.mr.hive.HiveIcebergStorageHandler';

通过STORED BY指定创建的是iceberg表

在hive4中，可以简写为'iceberg'

• 设置了 iceberg.catalog的类型，使用指定的Catalog类型：

• 设置 iceberg.catalog=location_based_table，直接通过指定的根路径来加载Iceberg表

使用默认的catalog

CREATE TABLE iceberg_test1 (i int) 
STORED BY 'org.apache.iceberg.mr.hive.HiveIcebergStorageHandler';

INSERT INTO iceberg_test1 values(1);

指定catalog类型

使用 HiveCatalog

首先进行相关参数的设置：

set iceberg.catalog.iceberg_hive.type=hive;
set iceberg.catalog.iceberg_hive.uri=thrift://hadoop102:9083;
set iceberg.catalog.iceberg_hive.clients=10;
set iceberg.catalog.iceberg_hive.warehouse=hdfs://hadoop102:8020/user/hive/warehouse/iceberg-hive;

然后创建表并插入数据，通过TBLPROPERTIES指定catalog的类型；

CREATE TABLE iceberg_test2 (i int) 
STORED BY 'org.apache.iceberg.mr.hive.HiveIcebergStorageHandler'
TBLPROPERTIES('iceberg.catalog'='iceberg_hive');
 
INSERT INTO iceberg_test2 values(1);

问题说明：

①iceberg.catalog.iceberg_hive.type中，iceberg_hive是自定义的名称，只要和TBLPROPERTIES('iceberg.catalog'='iceberg_hive');中的对应起来就可以；

②iceberg.catalog.iceberg_hive.warehouse设置失效，但官网的示例是这样给出的，无论如何设置该参数，路径仍会按照hive-site.xml中配置的来存储

但使用HadoopCatalog时有效；

使用 HadoopCatalog

设置相关参数：

set iceberg.catalog.iceberg_hadoop.type=hadoop;
set iceberg.catalog.iceberg_hadoop.warehouse=hdfs://hadoop102:8020/user/hive/warehouse/iceberg-hadoop;

创建表并插入数据：

CREATE TABLE iceberg_test3 (i int) 
STORED BY 'org.apache.iceberg.mr.hive.HiveIcebergStorageHandler' 
LOCATION 'hdfs://hadoop102:8020/user/hive/warehouse/iceberg-hadoop/default/iceberg_test3'
TBLPROPERTIES('iceberg.catalog'='iceberg_hadoop');

INSERT INTO iceberg_test3 values(1);

注意：

必须设置LOCATION，且其中的路径和iceberg.catalog.iceberg_hadoop.warehouse配置的要一致，否则会报错；

指定路径加载

如果HDFS中已经存在iceberg格式表，我们可以通过在Hive中创建Icerberg格式表指定对应的location路径映射数据

DROP TABLE IF EXISTS iceberg_test4;
CREATE EXTERNAL TABLE iceberg_test4 (i int)
STORED BY 'org.apache.iceberg.mr.hive.HiveIcebergStorageHandler'
LOCATION 'hdfs://hadoop102:8020/user/hive/warehouse/iceberg-hadoop/default/iceberg_test3'
TBLPROPERTIES ('iceberg.catalog'='location_based_table');

如上例，基于hdfs://hadoop102:8020/user/hive/warehouse/iceberg-hadoop/default/iceberg_test3路径创建了表iceberg_test4，这样iceberg_test3中的数据就能同步到iceberg_test4中去；

需要注意：

①两张表的表格式需要相同；

②iceberg_test4需要是外部表（EXTERNAL），否则修改iceberg_test4中的数据可能对iceberg_test3中的数据造成影响

③指定LOCATION时一定要注意指定正确的位置，因为即使路径不存在也不会报错，但数据无法同步

基本操作

创建表

创建外部表

CREATE EXTERNAL TABLE iceberg_create1 (i int) 
STORED BY 'org.apache.iceberg.mr.hive.HiveIcebergStorageHandler';

describe formatted iceberg_create1;

创建内部表

CREATE TABLE iceberg_create2 (i int) 
STORED BY 'org.apache.iceberg.mr.hive.HiveIcebergStorageHandler';

describe formatted iceberg_create2;

创建分区表

CREATE EXTERNAL TABLE iceberg_create3 (id int,name string)
PARTITIONED BY (age int)
STORED BY 'org.apache.iceberg.mr.hive.HiveIcebergStorageHandler';

describe formatted iceberg_create3;

注意：

Hive语法创建分区表，不会在HMS中创建分区，而是将分区数据转换为Iceberg标识分区。这种情况下不能使用Iceberg的分区转换，例如：days(timestamp)，如果想要使用Iceberg格式表的分区转换标识分区，需要使用Spark或者Flink引擎创建表

修改表

只支持HiveCatalog表修改表属性，Iceberg表属性和Hive表属性存储在HMS中是同步的

ALTER TABLE iceberg_create1 SET TBLPROPERTIES('external.table.purge'='FALSE');

插入表

支持标准单表INSERT INTO操作

INSERT INTO iceberg_create2 VALUES (1);
INSERT INTO iceberg_create1 select * from iceberg_create2;

在HIVE 3.x中，INSERT OVERWRITE虽然能执行，但其实是追加

INSERT OVERWRITE TABLE iceberg_create2 VALUES (2);

查询后发现数据并没有覆盖掉：

删除表

drop table <tablename>