Hive基础知识
1 Hive相关概念
1.1 Hive是什么
Hive是基于 Hadoop 的一个数据仓库工具，可以将结构化的数据映射为一张数据库表，并提供 HQL(Hive SQL)查询功能，最终底层将HQL语句转换为MapReduce任务的，底层数据是存储在 HDFS 上。
1.2 Hive的产生背景
使用MapReduce，所面临的问题： ①人员学习成本太高；②项目周期要求太短；③MapReduce 实现复杂查询逻辑开发难度太大。
MapReduce分布式计算的时候，绝大多数的场景针对于结构化数据的，而针对结构化数据做数据统计分析，sql语句是最擅长的。Facebook 实现并开源Hive，操作接口采用类 SQL 的语法，提供快速开发的能力；避免了写 MapReduce，减少开发人员的学习成本；可自由扩展集群规模而无需重启服务，还支持用户自定义函数。
1.3 Hive的特点
（1）是Hive是基于 Hadoop 的一个数据仓库工具，底层数据存储在HDFS ，计算转换为MapReduce；
数据仓库与数据库的区别：见本文最后一节。Hive不支持事务。
（2）可以将结构化的数据映射为一张数据库表，Hive只能做结构化数据，所以Hive是不可以完全替代MapReduce，因为MapReduce不仅仅可以针对结构化数据，还可以针对半结构化数据；
（3）并提供 HQL(Hive SQL)查询功能；
（4）Hive的本质是将 SQL 语句转换为 MapReduce 任务运行；
（5）使不熟悉 MapReduce 的用户很方便地利用 HQL 处理和计算 HDFS 上的结构化的数据，适用于离线的批量数据计算。
1.4 Hive的优缺点
优点：
（1）可扩展性（横向扩展）：可自由的扩展集群的规模，一般不需要重启。
横向扩展：用更多的节点支撑更大量的请求，通过分担压力的方式扩展集群的规模
纵向扩展：扩展一个点的能力支撑更大的请求
（2）延展性：hive中提供的内置函数271个，还可以自定义函数
（3）良好的容错性：可以保障即使有节点出现问题，SQL 语句仍可完成执行
缺点：
（1）不支持 delete操作肯update操作
（2）不支持事务：因为不支持删改，所以主要用来做 OLAP（联机分析处理），而不是OLTP（联机事务处理），这就是数据处理的两大级别
（3）查询延时很严重：因为 MapReduce 的启动过程消耗很长时间，所以不能 用在交互查询系统中。
2 Hive的安装
由于内嵌 Derby 版本，启动hive的时候只会加载当前目录下的元数据库一旦切换目录 ，元数据库无法加载，所以derby适用于单用户不适用多用户，也不能随便切换目录，所在一般不用，下面介绍外置MySQL 版本的Hive的安装
（1）准备好 MySQL；
（2）上传
apache-hive-2.3.2-bin.tar.gz
（3）解压
tar -xvzf apache-hive-2.3.2-bin.tar.gz -C /home/refuel/opt/modules
（4）配置环境变量
vim /home/refuel/.bashrc_profile 添加以下两行内容：
export HIVE_HOME=/home/refuel/opt/modules/apache-hive-2.3.2-bin
export PATH=$PATH:$HIVE_HOME/bin
保存退出后执行 source /home/refuel/.bashrc_profile
（5）修改配置文件
touch /home/refuel/opt/modules/apache-hive-2.3.2-bin/conf/hive-site.xml
vim /home/refuel/opt/modules/apache-hive-2.3.2-bin/conf/hive-site.xml
<configuration><property><name>javax.jdo.option.ConnectionURL</name><value>jdbc:mysql://bigdata01:3306/hivedb?createDatabaseIfNotExist=true</value><description>元数据连接的url bd1904hive元数据库在mysql</description><!-- 如果 mysql 和 hive 在同一个服务器节点，那么请更改 hadoop02 为 localhost --></property><property><name>javax.jdo.option.ConnectionDriverName</name><value>com.mysql.jdbc.Driver</value><description>Driver class name for a JDBC metastore</description></property><property><name>javax.jdo.option.ConnectionUserName</name><value>root</value><description>username to use against metastore database</description></property><property><name>javax.jdo.option.ConnectionPassword</name><value>123456</value><description>password to use against metastore database</description></property>
</configuration>（6）将mysql的驱动（mysql-connector-java-5.1.40-bin.jar）放到hive的lib下
（7）初始化hive的元数据库
schematool -dbType mysql -initSchema
（8）启动 Hive 客户端
hive
3 Hive的基本架构
（1）用户接口层
①CLI，Shell 终端命令行，采用交互形式使用 Hive 命令行与 Hive 进行交互，最常用；
②JDBC/ODBC，是 Hive 的基于JDBC操作提供的客户端，用户通过这连接至Hive server 服务；
③Web UI，通过浏览器访问 Hive
（2）跨语言服务平台层
能让不同的编程语言调用 Hive 的接口，老版本是thift server 新版本是hiveserver2
（3）核心驱动层
Driver驱动器组件完成将HQL语句转化为MapReduce任务，并进行提交。Hive 的核心是驱动引擎， 驱动引擎由四部分组成：
①解释器：解释器的作用是将 HiveSQL 语句转换为抽象语法树（AST）
②编译器：编译器是将抽象语法树编译为逻辑执行计划
③优化器：优化器是对逻辑执行计划进行优化
④执行器：执行器是调用底层的运行框架执行最终优化结果的逻辑执行计划
（4）元数据层
元数据：描述数据的数据，Hive的元数据就是存储在 Hive 中的数据的描述信息。Hive 中的元数据通常包括：
①描述数据库相关信息的数据（DBS），Hive中创建一个数据库这个表中插入1条数据进行描述
如：
| #数据库数据存储的hdfs的位置 数据库名 hdfs://hivedb/user/hive/warehouse default |
②描述表的信息（TBLS），Hive中有一个表，这个表就会有一条信息
如：
| #表名 dbid 表类型(MANAGED_TABLE:管理表) student 7 MANAGED_TABLE |
③表的字段信息（columns_v2），Hive中显示的表结构来自元数据的
如：
| 表id 字段名 字段类型 字段顺序 1 id int 0 |
4 Hive的数据组织形式
（1）Database数据库
便于数据精细化管理，将不同模块的数据，存储在不同的数据库中。
（2）Table表
1）按照权限分（表数据管理权限）：分为内部表（也叫管理表）或外部表。
①内部表（managed_table）：表数据（HDFS）的管理权限都是Hive自己所有的，对于存储表数据的HDFS目录 Hive具备绝对的权限的（数据的删除）。默认创建的表，都是内部表。内部表在进行删除的时候元数据和表数据一并被删除的。
②外部表（external_table）：表数据的管理权限是HDFS的 ，Hive不具备表数据权限的（数据删除），Hive对这个数据 只有使用权限 没有删除权限。外部表在进行删除的时候元数据会被删除，但是表数据不会被删除，要想彻底删除需要手动删除HDFS的数据。创建时加上external 关键字就是外部表。
内部表和外部表区别：
①建表语句：默认为内部表，创建时加external为外部表；
②删除数据时：内部表删除元数据和原始数据（表数据）一并删除，外部表删除只删除元数据；
③应用场景：
外部表：公共数据，如好多部门同用的数据，清洗原始日志数据
内部表：如自己部门的数据
2）按照功能分：分为分区表和分桶表
①分区表：Hive的分区表完全不同于MapReduce中的分区
Hive中每一个表中存储都是海量的数据，我们在进行查询时候 如select * from person where age=18;执行的全表扫描，数据量大，全表扫描严重影响查询效率。为了提高查询效率，将原来的表进行划分成不同的区域，查询的时候降低扫描范围，这里的每一个区域 就叫做一个分区。
分区本质上相当于将原来的表划分成一个个的小表，分区依据按照需要过滤的字段作为分区字段。一个分区表对应一个目录。
| /user/hive/warehouse/table1.db/person/00000 没有分区的目录 有分区目录如下： /user/hive/warehouse/table1.db/person/age=19/0000 /user/hive/warehouse/table1.db/person/age=18/0000 /user/hive/warehouse/table1.db/person/age=20/0000 |
②分桶表：类似于MapReduce中的分区，将原始数据 按照一定的规则，分成不同的文件
作用主要有两个：提升抽样性能（取某一个或几个桶中的数据）和提升join性能（）
默认分桶规则为：分桶字段 .hash & Integer_max % 分桶个数
| /user/hive/warehouse/table1.db/person/00000 没有分桶的文件 /user/hive/warehouse/table1.db/person/00000 0 |
（3）View视图（类型：VIRTUAL_VIEW）
Hive中只存在逻辑视图 不存在物化视图，Hive中的视图不会真正的执行 仅仅将视图代表的sql语句存储，视图类似于sql查询语句的快捷方式。
视图的作用：提sql高代码的可读性
5 数据仓库
数据仓库（data warehouse）概念：含义数据仓库是一个面向主题的，集成的，不可更新的，随时间不断变化的数据集合，他可以支持企业或组织的决策分析处理。是多个数据库服务器的整体集群
数据库：按某种数据结构存储的数据的仓库，是单独的一个运行的数据主体集合，针对小批量的数据的。
（1）数据库是面向事务的设计，数据仓库是面向主题设计的；
（2）数据库一般存储在线数据即当前值，数据仓库存储的一般是历史数据；
（3）数据库设计是尽量避免冗余，数据仓库在设计是有意引入冗余；
（4）数据库是为捕获数据而设计，数据仓库是为分析数据而设计，数据库中数据的目标是面向业务处理人员的，为业务处理人员提供信息处理的支持，而数据仓库则是面向高层管理人员的，为其提供决策支持；
（5）数据库内数据是动态变化的，只要有业务发生，数据就会被更新，而数据仓库则是静态的历史数据，只能定期添加、刷新；
（6）数据库中数据访问频率较高，但访问量较少，而数据仓库的访问频率低但访问量却很高；
（7）数据库在访问数据时要求响应速度快，其响应时间一般在几秒内，而数据仓库的响应时间则可长达数几小时。
数据仓库的物理上就是数据库，数据库中有实时业务系统，我们通常所说的OLTP（On-Line Transaction Processing在线事务处理），要求的是数据库访问频率高，并发量和实时处理的能力要求高，按照秒甚至毫秒来进行的。比如银行、电力交换等业务。数据库中还有一种是联机分析系统。我们通常所说的OLAP（On-Line Analysis Processing），是用来存储过往的历史数据，将可能有用的所有数据归类放到一个库中，就是仓库。届时需要做趋势分析或者其他预测应用时，才访问数据库，实时性要求不是很高。OLAP业务应用比如宏观股指分析、年度的天气分析等。
