深入理解hive基础学习

Hive 是什么? 　　

　　1.Hive 是基于 Hadoop处理结构化数据的一个数据仓库工具，可以将结构化的数据文件映射为一张数据库表，并提供类 SQL 查询功能。

　　2.Hive 利用 HDFS 存储数据，利用MapReduce 查询分析数据。本质是将 SQL 转换为 MapReduce 程序,比直接用 MapReduce 开发效率更高。 Hive通常是存储在关系数据库如 mysql/derby 中。 Hive 将元数据存储在数据库中。Hive 中的元数据包括表的名字，表的列和分区及其属性，表的属性（是否为外部表等），表的数据所在目录等。

　　3.Hive 与传统 DB 的区别?

　　3.1从本质上讲hive底层是依赖于HDFS和mapreduce，而传统的数据库是依赖于本地文件系统和本设备，这就决定了hive是用mapreduce操作的HDFS数据。

　　3.2hive不是关系式数据库，不适合OLTP在线事务处理是延迟性很高的操作，不适合实时查询和行级更新。存储数据在关系型数据库中，使用的语言是HQL

　　3.3传统数据库： OLTP-->面向事务(Transaction) 操作型处理就是关系型数据库： mysql，oracle sqlserver db2 主要是支持业务，面向业务。
　　　　Hive： OLAP-->面向分析（Analytical）分析型处理就是数据仓库 ,面对的是历史数据（历史数据中的一部分就来自于数据库）开展分析
　　

　　4.1传统数据库表的模式是写时模式，在加载数据时强制确定的，如果数据不符合模式，数据会被拒绝加载；而hive是读时模式，对数据的验证并不在加载数据时进行，而是在查询的时候进行，但是读时模式加载数据时非常迅速的。

hive体系机构：

　　1.Hive就相当于一个SQL语言引擎，将用户提交出的SQL语句，解析成MapReduce程序，由底层的Hadoop来执行。

对于用户来说，有三种接口方式：

CLI：命令行方式
JDBC/ODBC：通过类似于MySQL接口的方式进行访问
Web GUI：通过HTTP页面进行访问。

　　2.metastore是Hive元数据的集中存放地，metastore分为两个部分：服务和后台的数据存储

HIVE支持的数据类型　　

INT，TINYINT/SMALLINT/BIGINT，BOOLEAN，FLOAT，，DOUBLE，STRING ，BINARY，TIMESTAMP，ARRAY, MAP, STRUCT, UNION，DECIMAL

HIVE内部表和外部表

　　hive创建的表有两种，内部表和外部表，默认情况下是创建内部表，将表直接放入他自己的仓库目录，而这两种表的区别主要是在LOAD和DROP表的语义上面；

　　对于内部表的创建表并且加载数据表的操作HQL语句：

　　　　create table manage_table(id int,name string ,age int);　　//创建表

　　　　load data inpath '/user/centos/data.txt' into table manage_table ;//把hdfs://user/centos/data.txt 移动到hive 的 manae_tables表的仓库目录下面，即是hdfs://user/hive/warehouse/manage_table的目录下面

　　　　我们都知道，加载操作就是对文件系统中的文件进行移动或者重命名，因此速度回非常的快，即是是内部表，hive也不检查目录中的文件是否符合要加载的文件是否符合我们所声明的表的模式，如果有数据或者模式不匹配，我们只会在查询阶段进行检查。

　　对于内部表的删除表的操作HQL语句：

　　drop table manage_table,这个表包括他的元数据和数据会被一起进行删除，因此在这里要强调一点：对于内部表而言，load是移动操作，而drop是移动操作会使得数据彻底丢失。

　　对于外部表而言，创建表和加载数据：

　　create external table external_table(id int ,name string,age int);　　//创建外部表

　　load data inpath '/user/centos/data.txt' into table external table;
　　这个地方要强调一点：在加入了external关键字之后，hive知道数据并不是由自己来进行管理的，不会把数据移动到自己的仓库目录的下面，drop table manage_table,这个表的数据存储在外部，删除的时候数据不会被删除

hive分区和桶

　　1.(hive的优化手段之一)分区表：在hive表中，表的每一个分区对应一个目录，从，目录的层面上来控制数据的搜索范围

　　　$hive>create table t3(id int ,name string,age int) partitioned by (year int ,month int) row format delimited fields terminated ',';//创建分区表

　　$hive>alter table t3 add partition(year=2014,month=11) partition(year=2014,mont=12);//在创建分区表之后要记住添加分区，分区表首先创建表，再添加分区，最后再加载数据

　　load data local inpath '/home/centos/customers.txt' into table t3;//在分区表中加载数据

　　　$hive>show partitions t3 ;

　　2.桶表，对应的是文件，桶表的优点在于hash(),按照某一值进行hash分桶，桶是在存储文件的层面上进行过滤，然后在桶里进行搜索就可以很快找到对应的值了。

　　　对于桶表的数量，我们首先应该评估数据量，保证每个桶的数量是blocksize大小的两倍

　　create table(id int,name string ,age int) clustered by (id) into 3 buckets row format delimited fields terminated by ',' stored as textfile; //创建桶表

　　load data local inpath '/home/centos/customers.txt' into table t4;//加载数据到桶表，按照hash来存储到不同的文件中,但是这个地方要注意，加载数据不会进行分桶的操作

　　insert into t4 select id,name,age from t3;//查询t3表的数据插入到表t4中去,这个地方分了3个桶，桶表的

hive常规操作

　　　　1.进入到hive命令行：$>hive;

　　　　2.创建表$hive>create table t(in int,name string,age int);

　　　　3.插入数据：insert into table(id int ,name string,age int) values(1,'tom',23);//这个插入操作会启用一个mr，在工作中，导入数据的方式一般是通过load data 的方式来进行

　　通过远程

　　　　4.使用jdbc的方式连接到hive数据仓库：

package com.it18zhang.hiveDemo;

import java.sql.Connection;

import java.sql.DriverManager;

import java.sql.ResultSet;

import java.sql.Statement;

/**

 * 使用jdbc方式连接到hive数据仓库，数据仓库需要开启hiveserver2服务

 */

public class App {

    public static void main(String[] args) throws Exception {

        Class.forName("org.apache.hive.jdbc.HiveDriver");

        Connection conn =  DriverManager.getConnection("jdbc:hive2://192.168.49.200:10000/mydb1");

        Statement st = conn.createStatement();

        ResultSet rs = st.executeQuery("select id ,name,age from t");

        while(rs.next()){

            System.out.println(rs.getInt(1)+","+rs.getString(2));

        }

        rs.close();

        st.close();

        conn.close();

    }

}

　　5.hive常用命令：

　　　　$hive>create table if not exists t2(id int,name string ,age int ) row format delimited fields terminated by ',' stored as txtfiles//建内部表

　　　　$hive>desc formatted t2//查看表

　　　　$hive>load data local inpath '/home/centos/customers.txt' into table t2;//从本地文件系统添加数据到表中，hive通过本地文件来加载，是把文件上传到hdfs文件系统中来，在hive表的目录下面

　　　　$hive>dfs -rmr /user/hive/warehouse/mydb2.db/t2/customers.txt;　　//从hdfs文件系统删除表，表在被删除之后，在hive中不再能查找出数据了

　　　　$hive>load data inpath '/user/centos/customers.txt' into table t2 ;　　//从hdfs文件系统移动文件道表中来

　　　　$hive>dfs -put /home/centos/customers.txt /user/centos/customers.txt　　//将本地文件系统的文件上传到hdf文件系统下面

　　　　$hive>create table t3 as select *from t2 ; //复制表操作，携带数据和表结构,经过mr

　　　　$hive>create table t4 like t2 ;　　　　//复制表操作，不带数据，只带表结构

　　　　$hive> select count(*) from t2;//聚集函数查询，需要转mr

　　　　$hive>select * from t2 order by id desc ;　　//这个操作需要先将表内的数据进行聚集，然后进行排序，需要转成mr

　　6.连接查询也需要开启mr

　　7.单词统计

　　$hive> select t.word,count(*) c from ((select explode(split(line, ' ')) as word from doc) as t) group by t.word order by c desc limit 2 ;

　　8.导出表的操作：$hive>export table customers '/user/centos/temp.txt'　　//导出数据和表结构

　　9.order是进行全排序，sort是进行map端的排序并且也是本地有序的