好程序员大数据培训分享Hive基础知识讲解

今天好程序员大数据培训老师给大家技术介绍一下关于Hive的一些基础知识，首先Hive作为数据仓库，起源于Facebook，工作原理大致可以解释为：对用户输入的HQL语句进行解释，编译，优化并执行生成查询计划，并转化为MapReduce任务进而执行：解释器——编译器——优化器——执行器。
　　Hive的元数据一般存储在关系型数据库中，如MySql;
　　底层存储用到的是HDFS分布式存储系统。它的优点：1.?简单易上手：提供了类SQL查询语言HQL；2.可扩展：为超大数据集设计了计算/扩展能力（MR作为计算引擎，HDFS作为存储系统）；3.提供统一的元数据管理；4.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：继承hive的UDF类，重写evaluate方法；5.容错：良好的容错性，节点出现问题SQL仍可完成执行；
　　缺点：1.Hive的HQL表达能力有限；2.效率比较低，自动生成的Mapreduce作业，通常情况下不够智能化，且调优比较困难；
　　Hive用户接口
　　1）HiveCLI（HiveCommandLine，Hive命令行），客户端可以直接在命令行模式下进行操作
　　2）HWI（HiveWebInterface，HiveWeb接口），Hive提供了更直观的Web界面
　　3）hiveserver，Hive提供了Thrift服务，Thrift客户端目前支持C++/Java/PHP/Python/Ruby
　　Hive常用文件格式：
　　Textfile：默认格式，数据不做压缩，磁盘开销大，数据解析开销大；
　　SEQUENCEFILE：SequenceFile是HadoopAPI提供的一种二进制文件支持，其具有使用方便、可分割、可压缩的特点；
　　rcfile：RCFILE是一种行列存储相结合的存储方式。首先，其将数据按行分块，保证同一个record在一个块上，避免读一个记录需要读取多个block。其次，块数据列式存储，有利于数据压缩和快速的列存取;
　　parquet:ApacheParquet是Hadoop生态圈中一种新型列式存储格式，它可以兼容Hadoop生态圈中大多数计算框架;
　　Hive数据导入导出
　　Hive表中的数据，同时支持从本地数据导入、从其他表导入数据、导出数据到本地文件系统、导出数据到HDFS中
　　Hive基本语句
　　Hive建表语句基本跟关系型数据库建表语句相同，区别在于语句尾端指定了列分隔符：
　　ROWFORMATDELIMITEDFIELDSTERMINATEDBY‘,’
　　指定了列分隔符为“，”；
　　对于分区表，会有分区字段的说明：
　　PARTITIONEDBY(countrySTRING,stateSTRING)
　　用“country“、”state”两个字段分区；
　　以及指定存储文件的格式：
　　STOREDASTEXTFILE。
　　关于内连接、外连接和半连接：
　　几种连接区别简单概括为：内连接只显示了俩张表都存在的数据，而外连接则是显示出所有的数据，其中左连接是左外边的表输出完整数据。右外连接是右边的表输出完整数据，全外连接就是两张表的所有行全部输出。做半连接用来补充Hive相对于MySQL等语句缺失的in/exists这样的子句，就用leftjoin代替，和leftjoin的区别在于右边的表数据不会加载进结果；
　　orderby和sortby:
　　ORDERBY会对查询结果集执行一个全局排序,所有的数据都通过一个reducer进行处理;SORTBY，其只会在每个reducer中对数据进行排序，也就是执行一个局部排序过程,生产中可以和DISTRIBUTEBY一起用，实现分区并排序。