1.1、Hive简介
什么是Hive
Hive是基于Hadoop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。
其本质是将SQL转换为MapReduce的任务进行运算，底层由HDFS来提供数据的存储，说白了hive可以理解为一个将SQL转换为MapReduce的任务的工具，甚至更进一步可以说hive就是一个MapReduce的客户端
为什么使用Hive
- 直接使用hadoop所面临的问题
人员学习成本太高
项目周期要求太短
MapReduce实现复杂查询逻辑开发难度太大
- 为什么要使用Hive
操作接口采用类SQL语法，提供快速开发的能力。
避免了去写MapReduce，减少开发人员的学习成本。
功能扩展很方便。
Hive的特点
- 可扩展
Hive可以自由的扩展集群的规模，一般情况下不需要重启服务。
- 延展性
Hive支持用户自定义函数，用户可以根据自己的需求来实现自己的函数。
- 容错
良好的容错性，节点出现问题SQL仍可完成执行。
1.2、Hive架构
架构图
基本组成
用户接口：包括CLI、JDBC/ODBC、WebGUI。其中，CLI(command line interface)为shell命令行；JDBC/ODBC是Hive的JAVA实现，与传统数据库JDBC类似；WebGUI是通过浏览器访问Hive。
元数据存储：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。
解释器、编译器、优化器、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。生成的查询计划存储在HDFS 中，并在随后有MapReduce 调用执行。
1.3、Hive与Hadoop的关系
Hive利用HDFS存储数据，利用MapReduce查询分析数据
2.4、Hive与传统数据库对比[a1]
hive用于海量数据的离线数据分析
- [a1]查询语言。由于 SQL 被广泛的应用在数据仓库中，因此，专门针对 Hive 的特性设计了类 SQL 的查询语言 HQL。熟悉 SQL 开发的开发者可以很方便的使用 Hive 进行开发。
- 数据存储位置。Hive 是建立在 Hadoop 之上的，所有 Hive 的数据都是存储在 HDFS 中的。而数据库则可以将数据保存在块设备或者本地文件系统中。
- 数据格式。Hive 中没有定义专门的数据格式，数据格式可以由用户指定，用户定义数据格式需要指定三个属性：列分隔符（通常为空格、”\t”、”\x001″）、行分隔符（”\n”）以及读取文件数据的方法（Hive 中默认有三个文件格式 TextFile，SequenceFile 以及 RCFile）。由于在加载数据的过程中，不需要从用户数据格式到 Hive 定义的数据格式的转换，因此，Hive 在加载的过程中不会对数据本身进行任何修改，而只是将数据内容复制或者移动到相应的 HDFS 目录中。而在数据库中，不同的数据库有不同的存储引擎，定义了自己的数据格式。所有数据都会按照一定的组织存储，因此，数据库加载数据的过程会比较耗时。
- 数据更新。由于 Hive 是针对数据仓库应用设计的，而数据仓库的内容是读多写少的。因此，Hive 中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中确定好的。而数据库中的数据通常是需要经常进行修改的，因此可以使用 INSERT INTO ... VALUES 添加数据，使用 UPDATE ... SET 修改数据。
- 索引。之前已经说过，Hive 在加载数据的过程中不会对数据进行任何处理，甚至不会对数据进行扫描，因此也没有对数据中的某些 Key 建立索引。Hive 要访问数据中满足条件的特定值时，需要暴力扫描整个数据，因此访问延迟较高。由于 MapReduce 的引入， Hive 可以并行访问数据，因此即使没有索引，对于大数据量的访问，Hive 仍然可以体现出优势。数据库中，通常会针对一个或者几个列建立索引，因此对于少量的特定条件的数据的访问，数据库可以有很高的效率，较低的延迟。由于数据的访问延迟较高，决定了 Hive 不适合在线数据查询。
- 执行。Hive 中大多数查询的执行是通过 Hadoop 提供的 MapReduce 来实现的，而数据库通常有自己的执行引擎。
- 执行延迟。之前提到，Hive 在查询数据的时候，由于没有索引，需要扫描整个表，因此延迟较高。另外一个导致 Hive 执行延迟高的因素是 MapReduce 框架。由于 MapReduce 本身具有较高的延迟，因此在利用 MapReduce 执行 Hive 查询时，也会有较高的延迟。相对的，数据库的执行延迟较低。当然，这个低是有条件的，即数据规模较小，当数据规模大到超过数据库的处理能力的时候，Hive 的并行计算显然能体现出优势。
- 可扩展性。由于 Hive 是建立在 Hadoop 之上的，因此 Hive 的可扩展性是和 Hadoop 的可扩展性是一致的（世界上最大的 Hadoop 集群在 Yahoo!，2009年的规模在 4000 台节点左右）。而数据库由于 ACID 语义的严格限制，扩展行非常有限。目前最先进的并行数据库 Oracle 在理论上的扩展能力也只有 100 台左右。
- 数据规模。由于 Hive 建立在集群上并可以利用 MapReduce 进行并行计算，因此可以支持很大规模的数据；对应的，数据库可以支持的数据规模较小。
总结：hive具有sql数据库的外表，但应用场景完全不同，hive只适合用来做批量数据统计分析
1.5、Hive的数据存储
- 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，ORC格式RCFILE等）
SequenceFile是hadoop中的一种文件格式：
文件内容是以序列化的kv对象来组织的
2、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。
3、Hive 中包含以下数据模型：DB、Table，External Table，Partition，Bucket。
1.5、Hive交互连接方式:
hive的交互方式：
第一种方式 bin/hive
第二种方式：使用beeline客户端来进行连接
启动服务端hiveserver2
bin/hive --service hiveserver2 前台启动
nohup bin/hive --service hiveserver2 2>&1 & 进程后台启动
启动客户端，使用beeline的方式连接我们的服务端
bin/beeline
beeline> !connect jdbc:hive2://node03.hadoop.com:10000
输入用户名root 密码 123456即可连接上
第三种交互方式：使用hive -e不进入hive客户端直接执行sql语句
bin/hive -e "use myhive;select * from test;"
bin/hive -f hive.sql 通过 -f 指定我们需要执行的sql脚本文件
1.6、HiveSQL语句:
创建数据库与创建数据库表操作
创建数据库操作：create database if not exists xxx;
创建数据库表的操作：
CREATE [EXTERNAL] TABLE [IF NOT EXISTS] table_name 创建表的三个关键字段
[(col_name data_type [COMMENT col_comment], ...)] 定义我们的列名，以及列的类型
[COMMENT table_comment] 注释信息，只能用英文或者拼音，不接受中文
[PARTITIONED BY (col_name data_type [COMMENT col_comment], ...)] 分区：这里的是hive的分区，分的是文件夹
[CLUSTERED BY (col_name, col_name, ...) 分桶：按照字段进行划分文件
[SORTED BY (col_name [ASC|DESC], ...)] INTO num_buckets BUCKETS] stored by 划分到多少个桶里面去
[ROW FORMAT row_format] 指定字段之间的分隔符
[STORED AS file_format] 数据的存储格式为哪一种
[LOCATION hdfs_path] 指定我们这个表在hdfs的哪一个位置
hive当中的第一种表模型：管理表 又叫做 内部表
最明显的一个特征：删除表的时候，会把hdfs的数据同步删除
创建内部表的语法 create table stu (id int ,name string);
注意创建内部表不要带external关键字
创建内部表：指定分隔符，指定文件存储格式，指定hdfs的存放位置
create table if not exists stu2(id int ,name string ) row format delimited fields terminated by '\t' stored as textfile location '/user/stu2';
根据查询结果创建表
create table stu3 as select * from stu2; 这种语法就会把我们stu2里面的数据以及表结构都复制到stu3里面来
复制表结构
create table stu4 like stu2; 只会把stu2的表结构复制给stu4 ,不会复制数据
hive当中的第二种表模型：外部表 外部表删表是不会删除数据的，创建外部表的关键字 external
外部表的数据都是指定hdfs的文件路径加载进来的，外部表认为自己没有独享这份数据，所以删除外部表的时候，不会同步删除hdfs的数据
与内部表的特征针锋相对，删除表的时候，不会删除表数据
创建外部techer表，并且指定字段之间的分隔符
create external table techer(t_id string,t_name string) row format delimited fields terminated by '\t';
创建外部stduent表，并且指定字段之间的分隔符
create external table student(s_id string,s_name string ,s_birth string,s_sex string) row format delimited fields terminated by '\t';
加载数据到表当中去：load data [local]
从本地文件系统加载数据： load data local inpath '/export/servers/hivedatas/student.csv' into table student; 实质上就是把本地文件上传到外部表对应的文件夹下面去了
从hdfs文件系统加载数据： load data inpath '/hivedatas/techer.csv' into table techer; 实质上就是把hdfs的文件移动到表的文件夹下面去了
hive当中的第三种表模型：分区表 就是分文件夹，可以按照时间，或者其他条件，创建一些文件夹
创建一个字段的分区表：关键词就是partitioned by
create table score(s_id string,c_id string,s_score int) partitioned by (month string) row format delimited fields terminated by '\t';
创建一个多分区的字段
create table score2(s_id string,c_id string,s_score int) partitioned by (year string,month string ,day string) row format delimited fields terminated by '\t';
加载数据到分区表当中去： 从本地文件系统加载：load data local inpath '/export/servers/hivedatas/score.csv' into table score partition (month='201806');
加载数据到多分区表当中去：从本地文件系统加载 ：load data local inpath '/export/servers/hivedatas/score.csv' into table score2 partition(year='2018',month='06',day='01');
查看表分区：show partitions tableName
添加一个分区 alter table score add partition(month='xxx')
删除分区：alter table score drop partition(month='xxx')
hive当中的第四种表模型：分桶表 就是分文件 与mr当中的分区类似
创建分桶表的语法 关键字：clustered by (col_name) into xx buckets
create table course(c_id string,c_name string ,t_id string) clustered by (c_id) into 3 buckets row format delimited fields terminated by '\t';
分桶表当中不能直接通过load的方式加载数据，需要我们通过 insert overwrite table course select * from course_common cluster by (c_id);
实际工作当中，如果数据量实在比较大，可以通过分桶加分区的方式一起来创建表 可以考虑创建分区分桶表
hive表当中加载数据：
load data
通过load的方式加载数据 load data local inpath '/export/servers/hivedatas/score.csv' overwrite into table score partition(month='201806');
insert overwrite select
通过一张表，然后将查询结果插入到另外一张表里面去 insert overwrite table score4 partition(month='201802') select s_id ,c_id ,s_score from score;
通过查询语句查询某张表，并且将数据弄到另外一张表里面去
hive的查询语法：
hive的group by 操作 group by的字段要么与select后面的字段保持一致，要么select后面不要出现任何字段
hive的join操作：hive的join操作只支持等值连接，不支持非等值连接
1.7 hive数据存储格式与压缩方式
hive当中的数据存储格式：
行式存储：textFile sequenceFile 都是行式存储
列式存储：orc parquet 可以使我们的数据压缩的更小，压缩的更快
数据查询的时候尽量不要用select * 只选举我们需要的字段即可
hive的数据存储格式：用的比较多的一中行式存储 ： textfile
用的比较多的列式存储： orc parquet
其中orc底层有自带的一种压缩算法，会对数据进行压缩的比较厉害
实际工作当中，很多时候，列式存储的数据格式都是选择orc或者paruet 压缩方式都是选择snappy
