Hive的初识

Hive是构建于Hadoop上的数据仓库基础框架，它提供了以下功能：

• 可通过SQL轻松的访问数据，从而实现数据仓库的任务。如提取/转换/加载，报告和数据分析。
• 对各种数据格式施加结构。
• 访问存储在HDFS或是其他数据存储系统上文件。
• 可使用MapReduce或是Spark作为执行层。
• 通过Hive LLAP，YARN和Slider进行亚秒级查询检索。

Hive架构与基本组成

Hive的体系结构可以分为以下几部分：

• Hive对外提供的接口主要包括CLI，WebUI和基于JDBC/ODBC协议的数据库接口。其中最常用的是CLI。
• Hive将元数据存储在数据库中，如MySQL，Derby。Hive中的元数据包括表的名字、表的列和分区及其属性、表的数据所在目录等。
• 解析器、编辑器、优化器和执行器完成HQL查询语句从词法分析、语法分析、编译、优化以及查询计划的生成。生成的查询技术存储在HDFS中，并在随后由MapReduce调用执行。
• Hive的数据存储在HDFS中，大部分的查询计算都有MapReduce完成。

Hive的metastore的三种模式：

• 内嵌模式：元数据保持在内嵌的Derby模式，只允许一个会话连接。hive默认的启动模式，一般用于单元测试，这种模式有个缺点：hive server重启后所有的元数据都会丢失，而且在同一时间只能有一个进程连接使用数据库（单会话）
• 本地独立模式：在本地安装MySQL，并把元数据放到MySQL中
• 远程模式：将元数据放置在远程的MySQL数据库中。需在服务器端启动MetastoreServer，客户端利用Thrift协议通过MetaStoreServer访问元数据库。

Hive中数据模型：

• 内外表比较
  • Hive中的表跟数据库中的表概念类似，每个表在Hive中都有一个对应的存储目录。内部表默认存在HDFS的/user/hive/warehouse下（该路径由hive-site.xml文件中的${hive.metastore.warehouse.dir}指定，所有的表数据（外表除外）都保存在该目录中）。
  • 内外表的相同之处：都需要指定元数据，都支持分区。
  • 内外表不同之处：实际的数据存储地点不同。
  • 内部表实际的数据存储在数据仓库目录中（默认是集群/user/hive/warehouse下），删除表时，表中的数据和元数据都将会被同时删除。
  • 外部表的实际数据存储在创建语句location指定的HDFS路径中，不会移动到数据库目录中，如果删除一个外部表，仅会删除元数据而表中的数据不会被删除。一般在先有数据后要分析的时候选用外部表，因为可以创建一个外部表指向数据。
• 分区（Partition）：每个表可以有一个或是多个分区键，用于确定数据的存储方式。Hive表中一个分区对应表下的一个目录，所有分区数据都存储在对应的子目录中。
• 桶：对指定列进行哈希计算时，根据哈希值切分数据，每一个桶对应一个文件。