Hive-数据仓库

       Hive是一个构建在Hadoop上的数据仓库平台，其设计目标是使Hadoop上的数据操作与传统SQL结合，让熟悉SQL编程的开发人员能够轻松向Hadoop平台迁移。Hive可以在HDFS上构建仓库来存储结构化的数据，这些数据是来源于HDFS上的原始数据，Hive提供了类似于SQL查询语言的HiveQL，可以执行查询、变换数据等操作。通过解析，HiveQL语句在底层被变换为相应的MapReduce操作。

Hive组成

      Hive的体系结构如图所示。包含shell环境、元数据库、解析器和数据仓库等组件。

    （1）用户接口：包括Hive shell，Thrift客户端，Web管理；

    （2）Thrift服务器：当Hive以服务器模式运行时，可以作为Thrift服务器，供客户端连接。

    （3）元数据库：通常存储在关系数据库如MySQL、Derby等。 Hive的元数据库中保存了表的属性和服务信息，为查询操作提供依据，默认的元数据库是内嵌的Deby，这种情况下metastore和其他Hive服务运行在一个Java虚拟机里，只允许建立单个会话，要实现多用户多会话支持，需要配置一个独立的元数据库，提供元数据服务。

    （4）解析器：包括解释器、编译器、优化器、执行器，通过一系列的处理对HiveQL查询语句的词法分析、语法分析、编译、优化以及查询计划的生成。查询计划由MapReduce调用执行。

    （5）Hadoop：数据仓库和查询计划存储在HDFS上，计算过程由MapReduce执行。

      Hive需要的安装软件包：Hive稳定版本，Linux下的MySQL作为元数据库，Hadoop版本。根据metastore的位置可以将Hive的运行模式分为三种：内嵌模式、本地模式和远程模式。安装完成后就可以Hive的shell上执行命令，了解Hive的使用方式和Hive的相关目录。

【注】在用户生成查询的时候，会生成一个MapReduce任务。

HiveQL常用操作

       Hive上/user/hive/warehouse目录是Hive的数据仓库目录，每个表对应一个表名命名的目录。目录先存放导入文件、分区目录、桶目录等数据文件。Hive的查询日志默认保存在本地文件系统的/tmp/<user.name>目录下，Hive的MapReduce执行计划保存在本地的/tmp/<user.name>/hive中。这三个目录可以分别通过属性hive.metastore.metadb.dir、hive.querylog.location和hive.exec.scratchdir设置。

       MySQL中保存了Hive的元数据信息、包括表的属性、桶信息和分区信息等。以Hive账号登陆MySQL查看元数据信息。在MySQL中这个命名为hive的database是Hive保存元数据的数据库，并不是Hive的数据库。

      Hive支持基本类型和复杂类型，基本类型主要有数值型、布尔型和字符型。复杂型有三种：ARRAY、MAP和STRUCT。

（1）创建表

       创建表的格式：

Create [EXTERNAL] TABLE [IF NOT EXISTS] table_name 
[(col_name data_type [COMMENT col_comment], ...)] 
[COMMENT table_comment] 
[PARTITIONED BY (col_name data_type [COMMENT col_comment], ...)] 
[CLUSTERED BY (col_name, col_name, ...) [SORTED BY (col_name [ASC|DESC], ...)] INTO num_buckets BUCKETS] 
[ROW FORMAT row_format] 
[STORED AS file_format] 
[LOCATION hdfs_path]

      Hive中的表可以分为托管表和外部表，托管表的数据移动到仓库目录下，由Hive管理，外部表的数据在指定的位置，不在Hive的数据仓库中，只是在Hive元数据库中注册。下面创建一个托管表，创建一个userinfo表，表中含有两列，列与列以tab键分隔，分别存储用户id（int类型）、用户名字name（string类型）。

create table userinfo (id int, name string)row format delimited fields teminated by '\t';

（2）数据导入

       建表后，可以从本地系统或HDFS中导入数据文件。如果数据在HDFS上，则不需要local关键字。托管表导入的数据可以在数据仓库目录user/warehouse/<tablename>中看到。

load data local inpath '/home/dengpeng/1' overwrite into table userinfo;

（3）分区

      分区是表的部分列的集合，可以为频繁使用的数据建立分区，这样查找的数据时就不要扫描整个表，对提高查找速率很有帮助。

create table ptest(userid int) partitioned by(name string) 
    row format delimited fields terminated by '\t';
load data local inpath 'home/dengpeng/' into table ptest partition (name='jack');
load data local inpath 'home/dengpeng/jack' overwrite into table ptest partition (name='jack');

【注】建立分区以后，会在相应的表目录下建立以分区名命名的目录，目录下是分区的数据。

（4）桶

      可以把表或分区组织成桶，桶是按行分开组织成特定字段，每个桶 对应桶redule操作。在建立桶之前设置hive.enforce.bucketing属性为true，使hive识别桶。建立桶之后，要向桶里面插入数据。Hive使用对分桶所用的值进行hash，并用hash结果除以桶的个数做取余运算方式来选桶，保证每个桶都有数据。

hive.enforce.bucketing = true;
create table btest (id int,name string) clustered by (id) into 3 buckets
      row format delimited fields terminated by '\t';
insert overwrite table btest select * from userinfo;

【注】建立桶后，数据仓库下有桶目录，几个桶对应几个目录。

（5）修改表

      重命名表名、增加数据列的操作。

alter table userinfo rename to test;
alter table userinfo add colunms (grade string);

（6）删除表

      对于托管表，drop操作会删除元数据和数据文件，对于外部表，只删除元数据。

drop table test;

（7）连接表

      连接是将两个表中在共同数据项上相互匹配的那些行合并起来。HiveQL的连接分为内连接、左向外连接、右向外连接、全外连接和半连接。

（8）子查询

       标准的SQL子查询支持嵌套的select子句，HiveQL对子查询的支持很有限，只能在from引导的子句中出现子查询。

（9）创建视图

       Hive只支持创建逻辑视图，并不支持物理视图，建立视图后可以在MySQL元数据库中看到创建的视图表，但是在Hive的数据仓库目录下没有相应的视图表目录。

（10）多表插入

       多表插入指在同一条语句中，把读取的同一份元数据插入到不同的表中。