Hive简介
hive详解 hive入门必看
上图是OLAP引擎整体架构图，分为三个层面：数据存储层，计算资源层以及OLAP服务层。（我们从olap引入hive，如果重点关注hive，这部分作为扩展即可。）
• OLAP引擎是基于Spark和Hadoop的SQL引擎，内部依赖Druid，HDFS，HIVE存储来存储相关数据。为了与离线计算集群解耦，OLAP自身内部有一套完整的HDFS存储，HIVE存储以及Yarn资源池。
• OLAP引擎外部对底层HIVE访问需要通过API层进行转发，比如新增分区，修改表结构等，运行在离线计算集群上的加速等任务无法操作OLAP引擎底层Hive数据仓库。
-----数据仓库-----
Hive是数据仓库，与传统的数据库（mysql、oracle等）不同，但是hive也并不是Nosql。数据库主要处理用于事务处理，也就是对操作性数据进行增删改查；而数据仓库主要作用于分析处理、挖掘信息，可以说hive只适合于批量数据的统计分析。数据仓库就等同于一种分析型数据库。
Hive与传统数据库的比较：
HIVE | RDBMS | |
存储位置 | Hdfs | LocalFS |
查询语言 | Hql | Sql |
执行 | MR | Executor |
执行延迟 | 高 | 低 |
处理规模 | 大 | 小 |
可扩展性 | 高 | 低 |
加载模式 | 读时模式 | 写时模式 |
对关系型数据库而言，加载数据时就会检查数据是否符合表模式，不符合就会拒绝加载，叫做“写时模式”，写时模式在加载数据时会校验数据，并且会对数据建索引，压缩数据，所以加载数据会很慢，但是加载完成后查询时，速度会很快；而hive在加载数据时不会去检查数据，你可以load任何格式的数据，包括图片等都可以load进去，但是在select的时候会检查表内数据格式，叫做“读时模式”。
-----存储-----
Hive的元数据存储在关系型数据库中；表数据存储依赖于hdfs，是存储在hdfs上的，具体又分为内部表和外部表：
① 内部表数据由Hive自身管理，外部表数据由HDFS管理；
② 删除内部表会直接删除元数据（metadata）及存储数据；删除外部表仅仅会删除元数据，HDFS上的文件并不会被删除；
③ 无论内部表还是外部表，导入hdfs数据是mv，导入本地数据是copy
1） 元数据(metadata)
元数据是用来存储表数据信息的，比如表名，字段名，字段类型，存储位置等等，通常存储在mysql中，mysql地址可从hive-site.xml查找。
SELECT count(*) TABLES, table_schema FROM information_schema.TABLES where table_schema = ‘hive_bigquery_metastore’ GROUP BY table_schema;
2）内部表(managed table)：
内部表数据由Hive自身管理，因为底层是hdfs，所以，所谓的hive内部是相对于外部表来说的，数据还是存储在hdfs上。
Hive默认建的是内部表：
create table test_inout(A int,name string); //建表语句，建表成功后，会在hdfs上新建存储该表数据的目录；
load data inpath ‘/user/olap/hive/4.txt’ into table test_inout; //导入hdfs上的数据，导入之后可以在50070页面查看变化，一个是看’/user/olAp/hive/4.txt’已经被删除，转移到test_inout目录下了。
默认分隔符是^A，ASCII的码控制符\001，用ctrl+v然后再ctrl+a可以敲出来，所以一般建表时会指定分隔符
create table test_inn(id int,name string) fields terminated by ‘,’;
假如load的数据文件分隔符与表约定的分隔符不一致，仍可load成功，但是查询时会是null数据。这是hive的一个特性：load数据时不会做格式检查，只是将文件拷贝到对应的目录下，在查询时才会将文件数据与表定义的格式做比较。
当删除内部表时，底层hdfs的数据同步被删除，这是内部表与外部表的区别之一。
3）外部表(external table)
外部表建表 与内部表建表语句类似，只是多了一个external。适用场景：同样的数据需要被多人分享时。比如对于一些原始日志文件，同时被多个部门同时操作的时候就需要使用外部表，如果不小心将meta data删除了，HDFS上 的data还在可以恢复，增加了数据的安全性。
create external table test_out (id int,name string) row format delimited fields terminated by ‘,’;
load data local inpath “/home/bigdata/shenyuqiang/out.txt” into table test_out;
但是外部表不能使用truncate来清数据；而使用drop时，外部表只是删除meta信息，data数据还是存储在hdfs上不会被删掉，meta信息是否被删除可以去元数据库里tbls表里验证对于hdfs上数据是否删除，最直观的是检查50070页面，也可使用hdoop命令查看;不指定location建表，hive会在默认位置存放表数据
总的来说，导入数据时，导入到内部表，是导入到自己的内部目录下，由hive管理；而导入到外部表则不由hive管理。
删除数据时，删除内部表，是同时删除了的元数据和表数据；而删除外部表数据只是删除了 元数据。
-----存储格式 parquet-----
官方：”为Hadoop生态系统中的任何项目提供压缩，高效的列式数据”
所以要了解parquet，先了解列存。列式存储(ColumnAr or column-bAsed)是相对于传统关系型数据库的行式存储(Row-bAsedstorAge)来说的。简单来说两者的区别就是如何组织表。
示例表，有3个字段
A(int) | B(string) | C(string) |
1 | B1 | C1 |
2 | B2 | C2 |
3 | B3 | C3 |
行存储逻辑图
1 | B1 | C1 | 2 | B2 | C2 | 3 | B3 | C3 |
列存逻辑图
1 | 2 | 3 | B1 | B2 | B3 | C1 | C2 | C3 |
• 列存查询的时候不需要扫描全部的数据，而只需要读取每次查询涉及的列，这样可以将I/O消耗降低N倍
• 由于每一列的成员都是同质的，可以针对不同的数据类型使用更高效的数据压缩算法，进一步减小I/O。
• 由于每一列的成员的同构性，可以使用更加适合的编码方式。
存储方式主要分为行存与列存，二者互有优缺点：
行存 | 列存 | ||
数据写入 | 一次写入，数据完整性得到保证 | 拆分成多列写入，IO高 | 行存占优 |
数据修改 | 指定位置修改一次 | 需定位到多个列的位置写入，磁头移动高 | 行存占优 |
数据读取 | 整存整取，一次取出一行数据；行数据有多种类型字段，解析会消耗大量cpu | 只取需要用到的列；数据同质，利于解析 | 列存更适于大数据分析 |
针对以上的优缺点，可以设想下如何优化： 行存缺点就是会产生冗余数据，第一，在设计表的时候就注意避免冗余列的产生； 第二是优化数据存储记录结构，保证从磁盘读取的数据进入内存后，能快速分解消除冗余列。 列存缺点是数据写入完整性不缺定、写入效率低，可以考虑在写入过程中加入类似关系型数据库中的“回滚”机制，一旦某列写失败，此前写入的数据全部失效；写入效率低的应对方案，可以增加硬盘的方式多线程并行写入，但是要考虑成本。 大多数公司的列存采用的是parquet存储格式，比如新建数据集等，面向分析的列存储文件格式；
-----分区分桶-----
在hive select查询时，会扫描全表，对大数据来说，全表扫描消耗的时间是巨大的，甚至会卡死。所以引入分区的概念，只查询我们所关心的部分数据，简单来说分区就是集合，就是把一个或几个字段作为分区字段，符合分区条件的数据就会落到对应的分区集合中。企业中最常见的就是以时间作为分区，每天的数据入到当天的分区里，表下存在对应的分区目录， hdfs上可以明显的看到表与分区的层级关系。这样就大大提高了查询效率。但是在实际生产中，分桶策略使用频率较低，更常见的还是使用分区。
Create table test_partition (A int,name string) partitioned by (dates string);
在表或分区之上，hive可以继续对数据进行更细粒度的划分，也就是分桶。
- 为什么分桶
主要是为了获取更高的查询处理效率。桶为表加上了额外的结构，Hive 在处理有些查询时能利用这个结构。比如JOIN操作。对于JOIN操作两个表有一个相同的列，如果对这两个表都进行了桶操作。那么将保存相同列值的桶进行JOIN操作就可以，可以大大减少JOIN的数据量。
以下面为例：select A.a,A.name,b.addr from A join b on A.a = b.a; 如果A表和b表已经是分桶表，而且分桶的字段是a字段，那么做这个操作的时候就不需要再进行全表笛卡尔积了，用8条数据测试二者相差2秒。
create table t_buck(A int,name string) clustered by (A) into 4 buckets;
【create table t_buck_copy(A int,name string);
load data local inpath ‘/home/bigdata/shenyuqiang/hash.txt’ into table t_buck_copy;】
set hive.enforce.bucketing= true; //强制分桶
set mapreduce.job.reduces=4;
insert into t_buck select * from t_buck_copy cluster by (A); //桶表不能通过load的方式直接加载数据，只能从另一张表中插入数据，且执行时，reduce个数与桶个数相同
select * from t_buck tablesample(bucket 1 out of 4 on A);
select test_inout.name,test_inn.name from test_inout,test_inn where test_inout.A = test_inn.A; 普通表
select test_buck1.name,test_buck2.name from test_buck1,test_buck2 where test_buck1.A=test_buck2.A; 桶表
2．怎么分桶–数据分桶的原理:
跟MR中的HashPartitioner的原理一模一样
MR中：按照key的hash值对reduceTask的个数取模。
Hive中：按照分桶字段的hash值对分桶的个数做取模运算，以此决定该条记录存放在哪个桶当中，最大化程度上保证数据的平均分配。
做hash运算时，hash函数的选择取决于分桶字段的数据类型
抽样语句：select * from test_buck tablesample(bucket x out of y on A);
x表示从哪个bucket开始抽取,y表示相隔多少个桶再抽取。y必须是table总bucket数的倍数或者因子
例如，table总共分了4份，当y=2时，抽取(4/2=)2个bucket的数据，y=4时，抽取（4/4=）1个bucket； select * from test_buck tAblesAmple(bucket 1 out of 2 on A);
例如，table总bucket数为4，tablesample(bucket 1 out of 2)，表示总共抽取（4/2=）2个bucket的数据，分别为第1个bucket和第（1+2=3）个bucket的数据。select * from test_buck tAblesAmple(bucket 1 out of 2 on A);
所以如果想看每个bucket里存储的数据，y取bucket个数的数值，x从1取到y
3.基于分区的基础上分桶
create table test_buck4(A int,name string) partitioned by (dates string) clustered by(A) sorted by (A asc) into 4 buckets row format delimited fields terminated by ‘,’;insert into table test_buck4 partition(dates=‘20180909000000’) select A,name from test_buck4_copy where dates=’ 20180909000000’ cluster by (A);
-----Hql-----
Hive的出现目的是为了简化MapReduce编程，本着会sql的总比会Java的多的现象特点，但是hive分析数据底层的实现是转换成MR。成本低
CREATE TABLE test_0807_01(
A int,
name string)
PARTITIONED BY (
dates string)
ROW FORMAT DELIMITED
FIELDS TERMINATED BY ‘|’
COLLECTION ITEMS TERMINATED BY ‘_’;
1）UDF用户自定义函数
编程步骤：
- 继承org.apache.hadoop.hive.ql.UDF
- 实现evaluate函数，该函数支持重载
First, you need to create A new class that extends UDF, with one or more methods named evaluate.
第二步，向hive环境中添加jar：add jar /home/bigdata/shenyuqiang/HiveUDF.jar;
注册临时函数，create temporary function myudf as “hiveCon.MyUdf”;
之后就可以使用了
销毁临时函数的命令：drop temporary function xx
2）核心：hql怎么转换成mapreduce
驱动器：driver
包含：解析器、编译器、优化器、执行器
解析器：将sql字符串转换成抽象语法树AST，这一步一般都通过第三方工具库完成，比如Antlr；将AST进行语法分析，比如表是否存在、字段是否存在、sql语义是否有误.
编译器：将AST编译生成逻辑执行计划
优化器：对逻辑执行计划进行优化
执行器：把逻辑执行计划转换成可以运行的物理计划。对hive来说，就是翻译成mapreduce.
-----运维-----
日志定位
在启动hive的时候，可以看到日志初始化的信息，日志相关信息就配置在hive-log4j.properties文件中的hive.log.dir
通过修改以下配置，使打印出来的信息带db.tableName
几种临时参数的设置，只在当前有效，退出后失效。
hive> set mapred.reduce.tasks = 6; //hiveShell设置启动6个任务
hive --hiveconf hive.root.logger=INFO,console; //启动hive时设置将日志打印在控制台
在hive中也可操作dfs命令，查看hdfs文件系统
dfs -lsr /user/olap/hive/warehouse/olap.db;
同样，也支持部分操作本地文件系统的命令，需要在命令前加！
Hive的几种交互方式
hive –help
-d,–define <key=value> VAriAble subsitution to Apply to hive
commAnds. e.g. -d A=B or --define A=B
–database Specify the database to use
-e SQL from command line
-f SQL from files
-H,–help Print help informAtion
–hiveconf <property=value> Use value for given property
–hivevar <key=value> VariAble subsitution to Apply to hive commands. e.g. --hivevar A=B
===============================
-i InitiAlizAtion SQL file
-S,–silent Silent mode in interActive shell
-v,–verbose Verbose mode (echo executed SQL to the
console)
修复分区的两种方式
msck repair table tablename;
alter table teblename add partition();
-----总结-----
HIVE：
*处理的数据存储在hdfs
*分析数据底层实现是mapreduce
*程序运行在yarn
Sql on hadoop
Hive的强大之处在于对数据的ETL处理
抽取（extract）、交互转换（transform）、加载（load）
