【数据仓库】Apache Hive初体验
为什么使用Hive？
使用Hadoop MapReduce直接处理数据所面临的问题：人员学习成本太高需要掌握ava语言MapReduce实现，复杂查询逻辑开发难度太大！
1，使用Hive处理数据的好处操作接口采用类SQL语法，提供快速开发的能力(简单、容易上手)避免直接写MapReduce，减少开发人员的学习成本支持自定义函数，功能扩展很方便
2，背靠Hadoop，擅长存储分析海量数据集合。
什么是Hive
hive介绍
Apache Hive是一款建立在Hadoop之上的开源数据仓库系统，可以将存储在Hadoop文件中的结构化、半结构化数据文件映射为一张数据库表，基于表提供了一种类似SQL的查询模型，称为Hive查询语言(HQL)，用于访问和分析存储在Hadoop文件中的大型数据集。
Hive核心是将HQL转换为MapReduce程序，然后将程序提交到Hadoop群集执行Hive由Facebook实现并开源。
架构图
组件
用户接口
包括 CLI、JDBC/0DBC、WebGU。其中，CLI(command line interface)为shell命行;Hive中的Thrift服务器允许外部客户端通过网络与Hive进行交互，类似于JDBC或ODBC协议。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 ysql/derby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。
Driver驱动程序，包括语法解析器、计划编译器、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，并在随后有执行引擎调用执行。
执行引擎
Hive本身并不直接处理数据文件。而是通过执行引警处理。当下Hive支持MapReduce、Tez、Spark3种执行引警
Data Mode1概念
数据模型：用来描述数据、组织数据和对数据进行操作，是对现实世界数据特征的描述Hive的数据模型类似于RDBMS库表结构，此外还有自己特有模型
Hive中的数据可以在粒度级别上分为三类
Table表
Partition 分区
Bucket 分桶
Databases 数据库
Hive作为一个数据仓库，在结构上积极向传统数据库看齐，也分数据库( Schema)，每个数据库下面有各自的表组成。默认数据库default。
Hive的数据都是存储在HDFS上的，默认有一个根目录，在hive-site.xml中，由参数hive.metastore.warehouse.dir指定。默认值为/user/hive/warehouse。
因此，Hive中的数据库在HDFS上的存储路径为:
$fhive.metastore.warehouse.dir]/databasename.db
比如，名为itcast的数据库存储路径为:
/user/hive/warehouse/itcast.db
Tables 表
Hive表与关系数据库中的表相同。Hive中的表所对应的数据通常是存储在HDFS中，而表相关的元数据是存储在RDBMS中。
Hive中的表的数据在HDFS上的存储路径为:
$fhive.metastore.warehouse.dirl/databasename.db/tablename
Partitions 分区
1，Partition分区是hive的一种优化手段表。分区是指根据分区列(例如“日期day”)的值将表划分为不同分区。这样可以更快地对指定分区数据进行查询。
2，分区在存储层面上的表现是:table表目录下以子文件夹形式存在。
3，一个文件夹表示一个分区。子文件命名标准: 分区列分区值。
4，Hive还支持分区下继续创建分区，所谓的多重分区。关于分区表的使用和详细介绍，后面模块会单独展开。
Buckets 分桶
Bucket分桶表是hive的一种优化手段表。分桶是指根据表中字段( 例如“编号ID”)的值,经过hash计算规则将数据文件划分成指定的若干个小文件。
分桶规则:hashfunc(字段)% 个数，余数相同的分到同一个文件。
分桶的好处：
1，可以优化join查询和方便抽样查询
2，Bucket分桶表在HDFS中表现为同一个表目录下数据根据hash散列之后变成多个文件。关于桶表以及分桶操作，后面模块会单独展开详细讲解。
Hive和Hadoop关系
从功能来说，数据仓库软件，至少需要具备下述两种能力:
1，存储数据的能力、分析数据的能力。
2，Hive利用HDFS存储数据，利用MapReduce查询分析数据。
Apache Hive作为一款大数据时代的数据仓库软件，当然也具备上述两种能力。只不过Hive并不是自己实现了上述两种能力，而是借助Hadoop。
3，Hive的最大的魅力在于用户专注于编写HQL，Hive帮您转换成为MapReduce程序完成对数据的分析。
Hive不不是没啥用，不过是套壳Hadoop罢了，其实不然。
Hive和MySQL对比
1，Hive虽然具有RDBMS数据库的外表，包括数据模型、SQL语法都十分相似，但应用场景却完全不同。
2，Hlive只适合用来做海量数据的离线分析。Hive的定位是数据仓库，面向分析的OLAP系统。
3，Hive不是大型数据库，也不是要取代MySQL承担业务数据处理。
Hive元数据
元数据(Metadata)，又称中介数据、中继数据，为描述数据的数据( data about data)，主要是描述数据属性(property)的信息，用来支持如指示存储位置、历史数据、资源查找、文件记录等功能。
Hive Metadata
1，Hive Metadata即Hive的元数据
2，包含用Hive创建的database、 table、表的位置、类型、属性，字段顺序类型等元信息。
3，元数据存储在关系型数据库中。如hive内置的Derby、或者第三方如MySQL等。
Hive Metastore
1，Metastore即元数据服务。Metastore服务的作用是管理metadata元数据，对外暴露服务地址，让各种客户端通过连接metastore服务，由metastore再去连接MySQL数据库来存取元数据。
2，有了metastore服务，就可以有多个客户端同时连接，而且这些客户端不需要知道MySQL数据库的用户名和密码，只需要连接metastore服务即可。某种程度上也保证了hive元数据的安全
Metastore配置方式
概述
metastore服务配置有3种模式：内嵌模式本地模式、远程模式区分
3种配置方式的关键是弄清楚两个问题：
1，Metastore服务是否需要单独配置、单独启动?
2，Metadata是存储在内置的derby中，还是第三方RDBMS,比如MySQL
本文中使用企业推荐模式--远程模式部署
内嵌模式
1，内嵌模式(Embedded Metastore)是metastore，默认部署模式。
此种模式下，元数据存储在内置的Derby数据库，并且Derby数据库和metastore服务都嵌入在主HiveServer进程中当启动HiveServer进程时，Derby和metastore都会启动。不需要额外起Metastore服务。但是一次只能支持一个活动用户，适用于测试体验，不适用于生产环境。
本地模式
本地模式(Local Metastore)下,Metastore服务与主HiveServer进程在同一进程中运行，但是存储元数据的数据库在单独的进程中运行，并且可以在单独的主机上。metastore服务将通过JDBC与metastore数据库进行通信本地模式采用外部数据库来存储元数据，推荐使用MySQL。
hive根据hive.metastore.uris 参数值来判断，如果为空，则为本地模式
缺点：每启动一次hive服务，都内置启动了一个metastore。
远程模式
1，远程模式(Remote Metastore)下，Metastore服务在其自己的单独JVM上运行，而不在HiveServer的JVM中运行。如果其他进程希望与Metastore服务器通信，则可以使用Thrift Network API进行通信。
2，远程模式下，需要配置hive.metastore.uris 参数来指定metastore服务运行的机器ip和端口，并且需要单独手动启动metastore服务。元数据也采用外部数据库来存储元数据，推荐使用MySQL。
