hive--数据仓库

1.1.1 hive是什么？

Hive是基于 Hadoop 的一个数据仓库工具：

1. hive本身不提供数据存储功能，使用HDFS做数据存储；
2. hive也不分布式计算框架，hive的核心工作就是把sql语句翻译成MR程序；
3. hive也不提供资源调度系统，也是默认由Hadoop当中YARN集群来调度；
4. 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。

1.1.2 hive和Hadoop关系

Hive利用HDFS存储数据，利用MapReduce查询数据,聚合函数需要经过MapReduce，非聚合函数直接读取hdfs块信息，不通过MapReduce。

1.1.3 hive特点

可以将结构化的数据文件映射为一张数据库表（二维表），并提供类SQL查询功能
可以将sql语句转换为MapReduce任务进行运行。Hive 将用户的HiveQL 语句通过解释器转换为MapReduce 作业提交到Hadoop 集群上，Hadoop 监控作业执行过程，然后返回作业执行结果给用户。
Hive 在加载数据过程中不会对数据进行任何的修改，只是将数据移动到HDFS 中Hive 设定的目录下，因此，Hive 不支持对数据的改写和添加，所有的数据都是在加载的时候确定的。
Hive的适应场景：只适合做海量离线数据的统计分析。
Hive中所有的数据都存储在 HDFS 中，没有专门的数据存储格式（可支持Text，SequenceFile，ParquetFile，RCFILE等）
只需要在创建表的时候告诉 Hive 数据中的列分隔符和行分隔符，Hive 就可以解析数据。
Hive 中包含以下数据模型：DB、Table，External Table，Partition，Bucket。

1.1.4 hive数据的存储

db：在hdfs中表现为${hive.metastore.warehouse.dir}目录下一个文件夹

table：在hdfs中表现所属db目录下一个文件夹

external table：与table类似，不过其数据存放位置可以在任意指定路径

partition：在hdfs中表现为table目录下的子目录

bucket：在hdfs中表现为同一个表目录下根据hash散列之后的多个文件

1.1.5 Hive 体系结构

1.1.6 hive的架构原理

　　Driver是核心，Driver可以解析语法，最难的就是解析sql的语法，只要把SQL的语法解析知道怎么做了，它内部用MapReduce模板程序，它很容易把它组装起来，比如做一个join操作，最重要的是识别语法，认识你的语法，知道你语法有什么东西，解析出来会得到一个语法树，根据一些语法树，去找一些MapReduce模板程序，把它组装起来。

　　例如：有二个表去join，内部有一个优化机制，有一个默认值，如果小表小于默认值，就采用map—join ，如果小表大于默认值，就采用reduce——join（其中map——join是先把小表加载到内存中）,组装时候就是输入一些参数：比如：你的输入数据在哪里，你的表数据的分隔符是什么，你的文件格式是什么：然而这些东西是我们建表的时候就指定了，所以这些都知道了，程序就可以正常的跑起来。

　　Hive有了Driver之后，还需要借助Metastore，Metastore里边记录了hive中所建的：库，表，分区，分桶的信息，描述信息都在Metastore，如果用了MySQL作为hive的Metastore：需要注意的是：你建的表不是直接建在MySQL里，而是把这个表的描述信息放在了MySQL里，而tables表，字段表是存在HDFS上的hive表上，hive会自动把他的目录规划/usr/hive/warehouse/库文件/库目录/表目录，你的数据就在目录下

1.1.7 内外表

内部表在删除表的时候，会删除元数据和数据；外部表在删除表的时候，只删除元数据，不删除数据

内部表和外部表使用场景：

一般情况来说，如果数据只交给hive处理，那么一般直接使用内部表；
如果数据需要多个不同的组件进行处理，那么最好用外部表，一个目录的数据需要被spark、hbase等其他组件使用，并且hive也要使用，那么该份数据通过创建一张临时表为外部表，然后通过写HQL语句转换该份数据到hive内部表中

1.1.8 分桶

分桶操作：按照用户创建表时指定的分桶字段进行hash散列，跟MapReduce中的HashPartitioner的原理一模一样。

MapReduce中：按照key的hash值去模除以reductTask的个数；Hive中：按照分桶字段的hash值去模除以分桶的个数

hive分桶操作的效果：把一个文件按照某个特定的字段和桶数散列成多个文件好处：

1、方便抽样；

2、提高join查询效率

1.1.9 Hive分区

　　做统计的时候少统计，把我们的数据放在多个文件夹里边，我们统计时候，可以指定分区，这样范围就会小一些，这样就减少了运行的时间。

1.1.10 Hive 的所有跟数据相关的概念

db: myhive, table: student 元数据：hivedb

Hive的元数据指的是 myhive 和 student等等的库和表的相关的各种定义信息，该元数据都是存储在mysql中的：

myhive是hive中的一个数据库的概念，其实就是HDFS上的一个文件夹，跟mysql没有多大的关系；
myhive是hive中的一个数据库，那么就会在元数据库hivedb当中的DBS表中存储一个记录，这一条记录就是myhive这个hive中数据的相关描述信息。
hive中创建一个库，就相当于是在hivedb中DBS（数据库）中插入一张表，并且在HDFS上建立相应的目录—主目录；
hive中创建一个表，就相当于在hivedb中TBLS（数据库中的表）表中插入一条记录，并且在HDFS上项目的库目录下创建一个子目录；
一个hive数据仓库就依赖于一个RDBMS（关系数据库管理系统）中的一个数据库，一个数据库实例对应于一个Hive数据仓库；
存储于该hive数据仓库中的所有数据的描述信息，都统统存储在元数据库hivedb中。
Hive元数据：描述和管理这些block信息的数据，由namenode管理，一定指跟 hivedb相关，跟mysql相关；
Hive源数据-- block块： HDFS上的对应表的目录下的文件HDFS上的数据和元数据。

1.1.11 源数据与元数据

myhive 和 hivedb的区别：

myhive是hive中的数据库：用来存储真实数据—源数据；
hivedb是mysql中的数据库: 用来多个类似myhive库的真实数据的描述数据—元数据；

1.1.12 Hive基本命令整理

创建表：CREATE TABLE pokes (foo INT, bar STRING);
Creates a table called pokes with
two columns, the first being an integer and the other a string

创建一个新表，结构与其他一样
hive> create table new_table like records;

创建分区表：
hive> create table logs(ts bigint,line string) partitioned by (dt
String,country String);

加载分区表数据：
hive> load data local inpath '/home/hadoop/input/hive/partitions/file1' into
table logs partition (dt='2001-01-01',country='GB');

展示表中有多少分区：
hive> show partitions logs;

展示所有表：
hive> SHOW TABLES;
lists all the tables
hive> SHOW TABLES '.*s';

lists all the table that end with 's'.
The pattern matching follows Java regular
expressions. Check out this link for documentation

显示表的结构信息
hive> DESCRIBE invites;
shows the list of columns

更新表的名称：
hive> ALTER TABLE source RENAME TO target;

添加新一列
hive> ALTER TABLE invites ADD COLUMNS (new_col2 INT COMMENT 'a comment');
删除表：
hive> DROP TABLE records;
删除表中数据，但要保持表的结构定义
hive> dfs -rmr /user/hive/warehouse/records;

从本地文件加载数据：
hive> LOAD DATA LOCAL INPATH '/home/hadoop/input/ncdc/micro-tab/sample.txt'
OVERWRITE INTO TABLE records;

显示所有函数：
hive> show functions;

查看函数用法：
hive> describe function substr;

查看数组、map、结构
hive> select col1[0],col2['b'],col3.c from complex;

其他同oracle相同

1.1.13 hive环境搭建

hive的元数据是存放在mysql中的，首先需要安装mysql数据库；然后修改hive配置文件，主要是数据库用户、密码、hadoop文件存放的路径等等。--请看mysql的环境搭建