Hive概述

数据仓库

OLTP

联机事务处理，用于满足业务上的数据存储。
数据量小，支持事务（需要满足ACID），效率高，延迟性比较低。这种模型就是数据库。数据库工具可以实现这种存储模型，常用MySQL、Oracle。

OLAP

联机分析处理，专门用于解决数据处理的数据存储的平台。
数据类大，不需要支持事务，时间的要求不高（离线的OLAP一般要求的时效性是T+1）。这种模型就是数据仓库。数据仓库工具可以实现这种模型，常用Hive、GreenPlum。

数据仓库设计

数据仓库是更加规范化和统一化的数据管理的设计模型，用于实现数据加工和处理的平台，实现数据的应用。

可以把数据仓库看作是一个数据的超市：所有数据按照分类进行存放，在数据仓库中对数据进行加工。类似笔者家里的群晖DS218J，所有数据进行集中存储。

数据仓库流程

ETL：数据清洗，将各种各样的数据按照规则进行过滤，补全、转换。

分层：数据从进入数据仓库到最后被应用，数据经过处理的步骤。

建模：表应该怎么建，表的设计。

Hive简介

Hive官网

Hive的诞生

源于FaceBook，用Hadoop实现大数据分析时遇到了这种问题：
分析的需求只有业务人员才知道怎么分析，但是他们不会写Java，顶多会SQL。分析的程序只有开发人员才知道怎么开发，但是他们不会写分析报表。FaceBook就让开发人员写了一个工具，将SQL语句转换为MapReduce程序。

Hive的功能

将HDFS文件映射成表数据

可以用来构建数据仓库，实现分布式的数据存储。

将SQL转换为程序并执行

将SQL转换为MapReduce/Tez/Spark的程序，提交给YARN执行。

但是MapReduce性能极差，一般要使用分布式SQL引擎Presto、Impala、SparkSQL等更先进的工具。

Hive的应用场景

作为数据仓库工具，实现数据仓库的构建。
分布式SQL计算查询。

Hive的架构

Hive客户端

连接用户与服务端。提供SQL开发界面，允许用户开发SQL，将用户开发的SQL提交给Hive的服务端。最后将服务端执行的结果返回给用户。

Hive服务端

接受客户端的请求。

SQL解析器Parser

解析用户提交的SQL语句，将SQL转换为分布式计算或者分布式存储的程序提交给Hadoop运行。

编译器Plan

将SQL生成执行计划。

优化器Optimizer

选择最优的方案来实现。

执行器Execution

执行对应的处理操作。

Hive元数据

存储整个Hive中所有核心的数据（Hive中所有数据库、表的信息），记录了HDFS文件与Hive表的映射关系。

Hive部署这篇及后续章节将继续阐述Hive。