A Brief Introduction to Hive

Slides版本请点击

1. Hive简介

Hive是基于Hadoop的，用于读、写和管理大型数据集的数据仓库软件，由Facebook实现并开源。它依赖分布式存储，使用SQL语法进行查询。

Hive的特点：

  • 通过简单的SQL式的语句来实现结构化数据的ETL（extract/transform/load)操作，并生成数据分析结果。
  • 可以直接读取Apache HDFS或Apache HBase中的数据
  • 通过Apache Tez、Apache Spark或MapReduce执行查询
  • Hive的本质是将SQL语句转换为MapReduce任务运行，使不熟悉MapReduce的用户方便地利用HQL处理和计算存储在HDFS上的数据
  • 它专为OLAP设计，不是一个关系数据库，也不是被设计用于OLTP，不适合进行实时查询和行级更新（不能增删查改）

Hadoop生态：

Hadoop EcosystemHadoop Ecosystem

2. Hive的数据模型

imgimg

  • Tables - 表

    Hive中的表与关系数据库中的表类似，每一个表在HDFS中拥有一个目录。表中存储的数据是序列化的，用户可以将数据与序列格式关联起来。

    • 序列化是对象转化为字节序列的过程，反序列化是字节码恢复为对象的过程
    • Hive支持integer, float, string等原始数据类型，也支持map, list, struct等复杂的数据类型。用户可以通过添加自定义的序列化和反序列化的方法来添加新的数据格式和数据类型。

  • Partitions - 分区

    分区决定了数据在目录中的分布。

    • 举例：

      表T被存储在文件夹/wh/T中，在列ds和ctry上设置了分区，那么ds的值为20190327且ctry值为China的数据将会被存储在子目录/wh/T/ds=20190327/ctry=China 中。

  • Buckets - 桶

    在分区的基础上对数据进行进一步的划分，采用对列值哈希，然后除以桶的个数求余的方式决定该条记录存放在哪个桶当中。

    • 举例：在上例分区的基础上对userid列进行分桶，则会产生如下目录：

      /wh/T/ds=20190327/ctry=China/part-0000 /wh/T/ds=20190327/ctry=China/part-0001等

    优点：

    • 对于在相同列上进行分桶的表，可以使用Map端连接，只将保存相同列值的桶进行连接操作即可，大大减少了需要连接的数据量；
    • 使取样更加方便。

3. Hive的查询语言

Hive使用类SQL的查询语言Hive-SQL，它支持选择、投影、连接、聚合、 联合以及子查询操作。

  • Data Definition Language - 数据定义语言

    {create/alter/drop} {table/view/partition}

  • Data Manipulation Language - 数据操纵语言

    insert overwrite

  • Query Language - 查询语言

    HQL语言支持多表插入(multi-table insert)，即在相同的数据输入上用单条查询语句执行多个查询

  • 扩展语言

    可以调用java实现的用户定义列变换函数、用户定义聚合函数，还可以使用其他语言编写的map-reduce脚本

4. Hive架构

Hive ArchitectureHive Architecture

15535106198531553510619853

  • External Interfaces

    包括CLI、WebUI和API（如JDBC、ODBC）

  • Thrift Server

    用于从API处执行HQL语句

  • Metastore

    用于存储系统目录和表、列、分区的元数据（使用derby或mysql数据库存储，不能使用HDFS因为不支持随机存取）

  • Driver（包括Compiler, Optimizer, Executor）

    管理HQL语句的生命周期，追踪执行时间、返回的结果条数等数据

  • Compiler

    在Driver收到HQL语句时，将其翻译为一系列的map-reduce任务执行，这些任务组成了一个有向无环图（DAG）

  • Execution Engine

    Driver会将每个map-reduce任务按拓扑顺序传递给Execution Engine执行。目前hive使用Hadoop作为执行引擎。

5. 查询的生命周期

1
2
3
4
5
6
7
8
9
graph TD
style id fill:#2ff,fill-opacity:0.1,stroke:#faa,stroke-width:2px
style id3 fill:#2ff,fill-opacity:0.1,stroke:#faa,stroke-width:2px
CLI/WebUI/API --Query--> Compiler
Metastore --metadata--> Compiler
Compiler --parse, type-check, semantic analyze-->id(Logica lPlan)
id(Logical Plan)-->id2[Rule Based Optimizer]
id2[Rule Based Optimizer] --> id3(Optimized Plan)
id3(Optimized Plan) --> id4[Execution Engine]
  • 优化器的工作原理
    • 将多个使用相同键的连接操作合并成一个连接，以便形成一个map-reduce任务；
    • 为连接、分组和自定义map-reduce运算添加重分区操作，这些重分区操作意味着map操作与reduce操作的分界点；
    • 提前对列进行修剪，将谓词与扫描运算符放在一起以减少数据传送的次数；
    • 如果数据表已经进行了分区，则将不需要的分区修剪掉；
    • 如果遇到取样操作，则将不需要的桶修剪掉。

6. Hive与传统SQL数据库的比较

Hive 关系数据库管理系统
专注于分析 专注于联机查询或分析
不支持事务 通常支持事务
支持按分区添加，不能随机添加单个记录，不支持in-place update 支持随机的添加和更新操作
通过mapreduce实现分布式处理 视产品而定
可扩展至成百上千个节点 几乎不能扩展到超过20个节点
处理每PB数据的成本很低 What’s a petabyte?

7. Demonstration

  • 启动hdfs, hive
1
$ start-dfs.sh
1
2
3
Starting namenodes on [localhost]
Starting datanodes
Starting secondary namenodes [sherry-HP-ENVY-Notebook-13-ab0XX]
1
$ hive
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
SLF4J: Class path contains multiple SLF4J bindings.
SLF4J: Found binding in [jar:file:/opt/hive/lib/log4j-slf4j-impl-2.10.0.jar!/org/slf4j/impl/StaticLoggerBinder.class]
SLF4J: Found binding in [jar:file:/usr/local/hadoop/share/hadoop/common/lib/slf4j-log4j12-1.7.25.jar!/org/slf4j/impl/StaticLoggerBinder.class]
SLF4J: See http://www.slf4j.org/codes.html#multiple_bindings for an explanation.
SLF4J: Actual binding is of type [org.apache.logging.slf4j.Log4jLoggerFactory]
SLF4J: Class path contains multiple SLF4J bindings.
SLF4J: Found binding in [jar:file:/opt/hive/lib/log4j-slf4j-impl-2.10.0.jar!/org/slf4j/impl/StaticLoggerBinder.class]
SLF4J: Found binding in [jar:file:/usr/local/hadoop/share/hadoop/common/lib/slf4j-log4j12-1.7.25.jar!/org/slf4j/impl/StaticLoggerBinder.class]
SLF4J: See http://www.slf4j.org/codes.html#multiple_bindings for an explanation.
SLF4J: Actual binding is of type [org.apache.logging.slf4j.Log4jLoggerFactory]
Hive Session ID = e95e48ee-b6a7-482b-a68a-45a70597bc9a

Logging initialized using configuration in jar:file:/opt/hive/lib/hive-common-3.1.1.jar!/hive-log4j2.properties Async: true
Hive-on-MR is deprecated in Hive 2 and may not be available in the future versions. Consider using a different execution engine (i.e. spark, tez) or using Hive 1.X releases.
hive>
  • 将数据文件复制到hdfs
1
2
3
$ hdfs dfs -mkdir /movielens
$ hdfs dfs -copyFromLocal ~/Documents/dataWarehouse/ml-1m/*.csv /movielens/
$ hdfs dfs -ls /movielens
1
2
3
4
Found 3 items
-rw-r--r--   1 sherry supergroup     163542 2019-03-26 09:36 /movielens/movies.csv
-rw-r--r--   1 sherry supergroup   21593504 2019-03-26 09:36 /movielens/ratings.csv
-rw-r--r--   1 sherry supergroup     110208 2019-03-26 09:36 /movielens/users.csv
  • 创建数据库
1
2
CREATE DATABASES movielens;
USE movielens;
  • 创建数据表
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
-- 创建movies表
CREATE EXTERNAL TABLE movies (MovieID INT, 
	Title varchar(60), 
	Genres varchar(60))
ROW FORMAT DELIMITED FIELDS TERMINATED BY ',' 
LINES TERMINATED BY "\n"
STORED AS TEXTFILE
LOCATION '/movielens/ml-1m/mvs.txt';

-- 创建ratings表
CREATE EXTERNAL TABLE ratings (UserID INT, 
	MovieID INT, 
	Rating INT, 
Timestamp STRING)
ROW FORMAT DELIMITED FIELDS TERMINATED BY ',' 
LINES TERMINATED BY "\n"
STORED AS TEXTFILE
LOCATION '/movielens/ml-1m/rts.txt';

-- 创建users表
CREATE EXTERNAL TABLE users (UserID INT, 
	Gender STRING, 
	Age INT,
	Occupation INT, 
	ZIP INT)
ROW FORMAT DELIMITED FIELDS TERMINATED BY ',' 
LINES TERMINATED BY "\n"
STORED AS TEXTFILE
LOCATION '/movielens/ml-1m/usr.txt';
  • 导入数据
1
2
3
LOAD DATA INPATH '/movielens/ml-1m/movies.csv' INTO TABLE movies;
LOAD DATA INPATH '/movielens/ml-1m/ratings.csv' INTO TABLE ratings;
LOAD DATA INPATH '/movielens/ml-1m/users.csv' INTO TABLE users;
1
SELECT * FROM movies LIMIT 10;
1
2
3
4
5
6
7
8
9
10
1 Toy Story (1995)  Animation|Children's|Comedy
2 Jumanji (1995)  Adventure|Children's|Fantasy
3 Grumpier Old Men (1995) Comedy|Romance
4 Waiting to Exhale (1995)  Comedy|Drama
5 Father of the Bride Part II (1995)  Comedy
6 Heat (1995) Action|Crime|Thriller
7 Sabrina (1995)  Comedy|Romance
8 Tom and Huck (1995) Adventure|Children's
9 Sudden Death (1995) Action
10  GoldenEye (1995)  Action|Adventure|Thriller
  • Top 10 viewed
1
2
3
4
5
6
7
8
SELECT movies.MovieID,
	movies.Title,
	COUNT(DISTINCT ratings.UserID) as views
FROM movies JOIN ratings 
	ON (movies.MovieID = ratings.MovieID)
GROUP BY movies.MovieID, movies.Title
ORDER BY views DESC
LIMIT 10;
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
37
38
39
40
41
42
Execution completed successfully
MapredLocal task succeeded
Launching Job 1 out of 2
Number of reduce tasks not specified. Estimated from input data size: 1
In order to change the average load for a reducer (in bytes):
set hive.exec.reducers.bytes.per.reducer=<number>
In order to limit the maximum number of reducers:
set hive.exec.reducers.max=<number>
In order to set a constant number of reducers:
set mapreduce.job.reduces=<number>
Job running in-process (local Hadoop)
2019-03-26 11:21:26,647 Stage-2 map = 0%,  reduce = 0%
2019-03-26 11:21:32,812 Stage-2 map = 100%,  reduce = 0%
2019-03-26 11:21:34,828 Stage-2 map = 100%,  reduce = 100%
Ended Job = job_local1582945428_0001
Launching Job 2 out of 2
Number of reduce tasks determined at compile time: 1
In order to change the average load for a reducer (in bytes):
set hive.exec.reducers.bytes.per.reducer=<number>
In order to limit the maximum number of reducers:
set hive.exec.reducers.max=<number>
In order to set a constant number of reducers:
set mapreduce.job.reduces=<number>
Job running in-process (local Hadoop)
2019-03-26 11:21:36,162 Stage-3 map = 100%,  reduce = 100%
Ended Job = job_local901668662_0002
MapReduce Jobs Launched: 
Stage-Stage-2:  HDFS Read: 43211608 HDFS Write: 0 SUCCESS
Stage-Stage-3:  HDFS Read: 43211608 HDFS Write: 0 SUCCESS
Total MapReduce CPU Time Spent: 0 msec
OK
2858	American Beauty (1999)	3428
260	Star Wars: Episode IV - A New Hope (1977)	2991
1196	Star Wars: Episode V - The Empire Strikes Back (1980)	2990
1210	Star Wars: Episode VI - Return of the Jedi (1983)	2883
480	Jurassic Park (1993)	2672
2028	Saving Private Ryan (1998)	2653
589	Terminator 2: Judgment Day (1991)	2649
2571	Matrix	2590
1270	Back to the Future (1985)	2583
593	Silence of the Lambs	2578
Time taken: 20.208 seconds, Fetched: 10 row(s)
  • Hive与myql任务执行时间对比
项目 hive mysql
load-movies 0.712s 0.09s
load-ratings 0.195s 2.95s
load-users 0.238s 0.09s
query-top10 viewed 20.208s 248.42s 
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
-- Reuslt from mysql
+---------+-------------------------------------------------------+-------+
| MovieID | Title                                                 | views |
+---------+-------------------------------------------------------+-------+
|    2858 | American Beauty (1999)                                |  3428 |
|     260 | Star Wars: Episode IV - A New Hope (1977)             |  2991 |
|    1196 | Star Wars: Episode V - The Empire Strikes Back (1980) |  2990 |
|    1210 | Star Wars: Episode VI - Return of the Jedi (1983)     |  2883 |
|     480 | Jurassic Park (1993)                                  |  2672 |
|    2028 | Saving Private Ryan (1998)                            |  2653 |
|     589 | Terminator 2: Judgment Day (1991)                     |  2649 |
|    2571 | Matrix                                                |  2590 |
|    1270 | Back to the Future (1985)                             |  2583 |
|     593 | Silence of the Lambs                                  |  2578 |
+---------+-------------------------------------------------------+-------+
10 rows in set (4 min 8.42 sec)

--Result from Hive
2858	American Beauty (1999)									3428
260		Star Wars: Episode IV - A New Hope (1977)				2991
1196	Star Wars: Episode V - The Empire Strikes Back (1980)	2990
1210	Star Wars: Episode VI - Return of the Jedi (1983)		2883
480		Jurassic Park (1993)									2672
2028	Saving Private Ryan (1998)								2653
589		Terminator 2: Judgment Day (1991)						2649
2571	Matrix													2590
1270	Back to the Future (1985)								2583
593		Silence of the Lambs									2578
Time taken: 20.208 seconds, Fetched: 10 row(s)
  • 创建分区表
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
--创建新的分区表
CREATE TABLE users1(userid INT, 
Age INT,
Occupation INT,
ZIP INT)
PARTITIONED BY (gender STRING);

--设置动态分区
set hive.exec.dynamic.partition=true;
set hive.exec.dynamic.partition.mode=nonstrict;

--向分区表中插入数据
INSERT INTO TABLE users1
PARTITION(gender)
SELECT userid, age, occupation, zip, gender as gender
FROM users;
1
2
3
4
5
$ hdfs dfs -ls /user/hive/warehouse/movielens.db/users1

Found 2 items
drwxr-xr-x   - sherry supergroup          0 2019-03-26 15:19 /user/hive/warehouse/movielens.db/users1/gender=F
drwxr-xr-x   - sherry supergroup          0 2019-03-26 15:19 /user/hive/warehouse/movielens.db/users1/gender=M
  • 创建分桶表
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
-- 创建movies_bucketed表
CREATE TABLE movies_bucketed (MovieID INT,
    Title varchar(60),
    Genres varchar(60))
CLUSTERED BY(movieid) INTO 32 BUCKETS;

-- 载入数据
INSERT OVERWRITE TABLE movies_bucketed
SELECT Movieid, Title, Genres from movies;

-- 创建ratings_bucketed表
CREATE TABLE ratings_bucketed(Userid INT,
    Movieid INT,
    Rating INT,
    `Timestamp` STRING)
CLUSTERED BY(movieid) INTO 32 BUCKETS;

-- 载入数据
INSERT OVERWRITE TABLE ratings_bucketed
SELECT Userid, Movieid, Rating, `Timestamp` FROM ratings

15535869907511553586990751

1
2
3
4
5
6
7
8
9
10
11
12
set hive.optimize.bucketmapjoin=true;

SELECT movies_bucketed.Movieid, 
	movies_bucketed.Title, 
	COUNT(DISTINCT ratings_bucketed.Userid) AS views
FROM movies_bucketed JOIN ratings_bucketed 
	ON (movies_bucketed.Movieid = ratings_bucketed.Movieid)
GROUP BY movies_bucketed.Movieid, movies_bucketed.Title
ORDER BY views DESC
LIMIT 10;

Time taken: 17.914 seconds, Fetched: 10 row(s)
1
SELECT * FROM movies_bucketed TABLESAMPLE(BUCKET 3 OUT OF 32);
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
1312	Female Perversions (1996)	Drama
2336	Elizabeth (1998)	Drama
1504	Hollow Reed (1996)	Drama
480		Jurassic Park (1993)	Action|Adventure|Sci-Fi
1633	Ulee's Gold (1997)	Drama
961		Little Lord Fauntleroy (1936)	Drama
865		Small Faces (1995)	Drama
3329	Year My Voice Broke	 The (1987)
866		Bound (1996)	Crime|Drama|Romance|Thriller
3010	Rosetta (1999)	Drama
3811	Breaker Morant (1980)	Drama|War
3076	Irma la Douce (1963)	Comedy
2756	Wanted: Dead or Alive (1987)	Action
2212	Man Who Knew Too Much	 The (1934)
……

Time taken: 0.989 seconds, Fetched: 109 row(s)
  • Hive中的Join策略
Join策略类型 方法 优点 缺点
Shuffle Join 通过对数据进行重新排序与map reduce实现连接操作 不需要考虑数据规模 速度慢，消耗的资源多
Broadcast Join 小的数据表会被加载到所有节点的内存中，mapper会扫描大的数据表并进行连接 非常快，只需要对大的数据表进行一次扫描 较小的数据表的规模必须足够小，能够被内存容纳
Sort-Merge-Bucket Join mapper利用连接键的相同同分布进行高效的连接 对于任何规模的数据表都非常快 数据必须预先进行排序和分桶

imgimg

135014_ekR7_568818.png135014_ekR7_568818.png

135056_wVBt_568818.png135056_wVBt_568818.png

参考文献

[1] Thusoo A , Sarma J S , Jain N , et al. Hive - A Warehousing Solution Over a Map-Reduce Framework[J]. Proceedings of the VLDB Endowment, 2009, 2(2):1626-1629.

[2] Thusoo A , Sarma J S , Jain N , et al. Hive – A Petabyte Scale Data Warehouse Using Hadoop[J]. 2010.

[3] O’Malley O. Hive Tutorial[EB/OL]. https://cwiki.apache.org/confluence/display/Hive/Tutorial, 2019-03-05/2019-03-26.

[4] Cook I. Hive LanguageManual[EB/OL]. https://cwiki.apache.org/confluence/display/Hive/LanguageManual, 2018-10-05/2019-03-26.

[5] Verma A. Getting Started With Hive[EB/OL]. https://towardsdatascience.com/getting-started-with-hive-ad8a93862f1a, 2018-06-12/2019-03-26.

[6] Muise A. 2013 July 23 Toronto Hadoop User Group Hive Tuning[EB/OL]. https://www.slideshare.net/adammuise/2013-jul-23thughivetuningdeepdive, 2013-06-23/2019-03-26.

Hive学习笔记

下周《数据仓库》的课程展示，我被分配到的题目是Hive，索性就边准备边学习一下Hive的相关知识。

1. Hive是什么

（略过，等我交完毕业论文再写）

（所以说我为什么在论文ddl两周前还有心情写博客啊orz）

2. Hive在Linux环境下的安装

安装过程简直是一步一个坑，心累。

2.1 安装Java

首先要确定自己已经安装了Java，使用java --version命令来查看自己的Java版本。至于怎么安装就不在这里赘述了。

注意最好安装1.8版本的JDK，9/10/11中某些类被禁用/移除了，之后会影响HDFS的使用。

如果是操作系统自带的OpenJDK，可以输入jsp安装jsp功能相关包，便于后期使用。

2.2 安装Hadoop

首先下载hadoop-3.2.0.tar.gz。官方速度堪忧，推荐北理工镜像站。

下载完成后解压并拷贝到相关目录：

1
2
3
$ tar xzf hadoop-3.2.0.tar.gz
$ sudo mkdir /usr/local/hadoop
$ sudo mv hadoop-3.2.0/* to /usr/local/hadoop/

下面进行安装和配置。Hadoop的安装有三种模式：本地模式(Local/Standalone Mode)，伪分布式模式(Pseudo-Distributed Mode)，分布式模式(Fully-Distributed Mode)，学习Hive一般使用伪分布式（据说，那么在这里我们就采取伪分布式模式进行安装。

首先配置环境变量。打开~/.bashrc文件，加入如下内容：

1
2
3
4
5
6
7
export HADOOP_HOME=/usr/local/hadoop 
export HADOOP_MAPRED_HOME=$HADOOP_HOME 
export HADOOP_COMMON_HOME=$HADOOP_HOME 
export HADOOP_HDFS_HOME=$HADOOP_HOME 
export YARN_HOME=$HADOOP_HOME
export HADOOP_COMMON_LIB_NATIVE_DIR=$HADOOP_HOME/lib/native 
export PATH=$PATH:$HADOOP_HOME/sbin:$HADOOP_HOME/bin

刷新.bashrc文件以应用到系统：

1
$ source ~/.bashrc

接下来对Hadoop的系统配置文件（在$HADOOP_HOME/etc/hadoop目录下）进行一系列的配置。

  • 在hadoop-env.sh文件中指定JDK所在目录：

    对于oracleJDK来说一般在/usr/java文件夹下，而坑爹的openJDK则在/usr/lib/jvm/java-11-openjdk-amd64(请根据不同版本自行查找)。

    1
    export JAVA_HOME=/usr/lib/jvm/java-11-openjdk-amd64

  • 配置core-site.xml文件：

    在<configuration></configuration>标签之间加入以下内容：

    1
    2
    3
    4
    <property>
        <name>fs.defaultFS</name>
        <value>hdfs://localhost:9000</value>
    </property>

  • 配置hdfs-site.xml`文件：

    在<configuration></configuration>标签之间加入以下内容：

    1
    2
    3
    4
    <property>
        <name>dfs.replication</name>
        <value>1</value>
    </property>

此外还需要安装ssh客户端：

1
$ sudo apt-get install openssh-server

并配置无需密码即可链接：

1
2
3
$ ssh-keygen -t rsa -P '' -f ~/.ssh/id_rsa
$ cat ~/.ssh/id_rsa.pub >> ~/.ssh/authorized_keys
$ chmod 0600 ~/.ssh/authorized_keys

2.3 验证并启动Hadoop

首先格式化文件系统

1
2
$ cd /usr/local/hadoop
$ bin/hdfs namenode -format

启动文件系统

1
$ sbin/start-dfs.sh

然后在在浏览器中输入http://localhost:9870即可访问hdfsWeb，点击Utilities - Browse the file system进行文件管理。

这个时候，Java 9/10/11用户就会看到报错。

Java 9/10请在hadoop-env.sh中加入

1
export HADOOP_OPTS="${HADOOP_OPTS} --add-modules java.activation "

Java 11用户请下载java.activation并把它放在$HADOOP_HOME/share/hadoop/common中。

到这里hadoop的安装就算大功告成惹！

如果过程中有任何permission denied的问题请修改用户权限 。

2.4 安装hive

（未完待续…

知行秘史

谨以此文纪念即将离知行人民远去的小北门麻辣烫

在双榆树女子大学的土地上，素来存在着品园楼群和知行楼群哪里更适合生存的讨论。

不要问我东风和红楼为什么没有姓名。曾经有师妹在我对她们住东风破表示极其惋惜之后说，凑合住呗，还能让楼空着咋滴？

作为知行居民，我向来羡慕品六的上床下桌。但品园居民对我们的羡慕似乎更加滔滔不绝：快递驿站、知行CBD的烤冷面、汇贤、煎饼、小北门麻辣烫……

但不知从哪天起，
知四楼下生活服务区的两家打印店双双搬走；
小北门麻辣烫要搬去品园附近的美食厨房；
知行CBD的小推车渐渐消失……

当知行成为荒漠的那一天，人们又想起了曾经的车水马龙……

  • 小北门麻辣烫因其地理位置而得名，是人大校园里麻辣烫的王者。
    尽管我个人认为杨国福才是坠吼的
    人大师生常用“小北门”三个字代指这家麻辣烫，但有时也会造成误会。

    例句：
    我：你知道吗？？小北门要搬走了！
    室友：什么？门还能搬走？

    那么，搬离了小北门的小北门麻辣烫还配拥有这个名字么？
    我觉得不行。

  • 小北门麻辣烫的经营范围一度十分广泛。除了主业麻辣烫之外，还曾经有过手抓饼、烤冷面、鸡蛋灌饼、烤面筋、各类小零食等。小北门的烤冷面在我心中一度是超越小红帽阿姨（人大烤冷面の传说）的存在。但不知老板出于何种考虑，截至小北门搬走之前，其经营范围缩小至麻辣烫和小零食，并在门口竖起一块专业麻辣烫的招牌。

Linux环境下Drupal 8页面Not Found的解决办法

最近在学习前端开发，在LAMP环境下安装了drupal 8.62。完成安装看到主页时本以为已经万事大吉，没想到随便点进一个页面都是一个大大的404 Not Found. 综合网上的一些文章^1，尽管没有搞清楚具体原理，但是这个问题大致跟以下几个方面有关：

  1. .htaccess文件没有正确配置
  2. .conf文件的中的重写权限没有开启
  3. 没有启用rewrite模块

根据以上几点，总结出以下解决方法，按照步骤操作应该可以修复。

  1. 检查.htaccess文件是否已经拷贝到drupal主目录下。

    由于.htaccess文件默认隐藏，在安装drupal时很容易忽视。如果/var/www/html/drupal目录下没有.htaccess文件，则需要从压缩包中拷贝。

  2. 修改.conf文件中的重写权限

    需要修改/etc/apache2/sites-available/000-default.conf和/etc/apache2/apache2.conf 文件中的内容：

    在000-default.conf中插入：

    1
    2
    3
    4
    5
    6
    <Directory /var/www/html/000-default>
            Options Indexes FollowSymLinks MultiViews
            AllowOverride All
            Order allow,deny
            allow from all
    </Directory

    在apache2.conf中找到以下代码：

    1
    2
    3
    4
    5
    6
    7
    8
    9
    10
    11
    12
    13
    14
    15
    16
    17
    18
    19
    20
    21
    22
    23
    <Directory />
    	Options FollowSymLinks
    	AllowOverride None
    	Require all denied
    </Directory>

    <Directory /usr/share>
    	AllowOverride None
    	Require all granted
    </Directory>

    <Directory /var/www/>
    	Options Indexes FollowSymLinks
    	AllowOverride None
    	Require all granted
    </Directory>

    <Directory /var/www/html/drupal>
            Options Indexes FollowSymLinks MultiViews
            AllowOverride None
            Order allow,deny
            allow from all
    </Directory>

    将其中的AllowOverride None全部改为AllowOverride All，允许所有用户组进行重写。

  3. 启用rewrite模块

    使用以下命令开启：

    1
    $ sudo a2enmod rewrite

    重启apache2：

    1
    $ sudo service apache2 restart

现在drupal应该可以正常使用了！:raised_hands: