数据仓库、Apache hive 入门

Apache Hive 是什么？

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HIQL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

Hive: 官网：https://hive.apache.org/

Hadoop是什么？

Hadoop是一个由Apache基金会所开发的分布式系统基础架构, 是一个存储系统+计算框架的软件框架。主要解决海量数据存储与计算的问题，是大数据技术中的基石。Hadoop以一种可靠、高效、可伸缩的方式进行数据处理，用户可以在不了解分布式底层细节的情况下，开发分布式程序，用户可以轻松地在Hadoop上开发和运行处理海量数据的应用程序

Hadoop能解决什么问题

1. 海量数据存储（HDFS）

   HDFS(Hadoop Distributed File System) 有高容错性的特点，并且设计用来部署在低廉的（low-cost）硬件上；而且它提供高吞吐量（High throughput）来访问数据，适合那些有着超大数据集（large data set）的应用程序,它由n台运行着DataNode的机器组成和1台（另外一个standby）运行NameNode进程一起构成。每个DataNode 管理一部分数据，然后NameNode负责管理整个HDFS 集群的信息（存储元数据)。

2. 资源管理，调度和分配

   Apache Hadoop YARN（Yet Another Resource Negotiator，另一种资源协调者）是一种新的 Hadoop 资源管理器，它是一个通用资源管理系统和调度平台，可为上层应用提供统 一的资源管理和调度，它的引入为集群在利用率、资源统一管理和数据共享等方面带来了巨 大好处。

Hive 与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:存储数据的能力、分析数据的能力
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。Hive利用HDFS存储数据，利用MapReduce查询分析数据，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。

为什么要用Hive

使用Hadoop MapReduce直接处理数据所面临的问题

1. 人员学习成本太高需要掌握java语言
2. MapReduce实现复杂查询逻辑开发难度大大

使用Hive处理数据的好处

1. 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)
2. 避免直接写MapReduce，减少开发人员的学习成本
3. 支持自定义函数，功能扩展很方便
4. 背靠Hadoop，擅长存储分析海量数据集

Hive的职责

假设在HDFS 文件系统里 存在着 路径为 /data/china_user.txt 文件，内容如下：

需求： 统计 地址为 shanghai 的用户 ?

JAVA 程序员的做法：

1. 读取txt 文件内容 、按照分割符 分割 获取数据，读取到集合中 遍历集合统计 或者创建sql 表 存储，并编写sql 语句进行统计

Hive 做法：

1、建立一张表 t_user 表结构如下：

id	name	age	city
1	zhangsan	18	beijing
2	lisi	25	shanghai
…	…	…	…

2、在hive中能够写sql处理的前提是针对表，而不是针对文件，因此需要将文件和表之间的对应关系描述记录清楚。映射信息专业的叫法称之为元数据信息(元数据是指用来描述数据的数据metadata), 映射信息常存储在关系型数据库中

元数据信息需要记录以下内容：

1. t_user 表对应着china_user.txt 的路径在哪？（文件位置）

2. t_user表中，id 、name、age、city 对应着 txt 文件的哪些位置（字段对应关系）

3. 记录txt 文件中 分隔符是什么？

   …

3、表和文件的映射关系创建成功，用户写完sql之后，hive需要针对sql进行语法校验，并且根据记录的元数据信息解读sql背后的含义，制定执行计划。并且把执行计划转换成MapReduce程序来执行，把执行的结果封装返回给用户

4、Hive 能将HDFS 里的文件映射成一张表，这个映射指的是：文件和数据表的关系

5、Hive 的职责是：将SQL 解析编译成MapReduce 程序