hive

一、数据仓库的基本概念

1、数据仓库

英文名称为Data Warehouse，可简写为DW或DWH。数据仓库的目的是构建面向分析的集成化数据环境，为企业提供决策支持（Decision Support）。它出于分析性报告和决策支持目的而创建。

数据仓库并不“生产”任何数据，自身也不需要“消费”任何的数据，数据来源于外部，并且开放给外部应用，这也是为什么叫“仓库”，而不叫“工厂”的原因。

2、架构图

二、hive

1、什么是hive?

Hive是基于Hadoop的一个数据仓库工具，可以将结构化的数据文件映射为一张数据库表，并提供类SQL查询功能。

将SQL转换为MapReduce的任务进行运算，底层由HDFS来提供数据存储，hive可以理解为一个将SQL转换为MapReduce的任务的工具，甚至更可以说hive就是一个MapReduce的客户端

2、为什么使用hive？

• 直接使用hadoop所面临的问题

　　人员学习成本太高，项目周期要求太短，MapReduce实现复杂查询逻辑开发难度太大

• 为什么要使用Hive

　　操作接口采用类SQL语法，提供快速开发的能力。避免了去写MapReduce，功能扩展很方便。

3、hive的特点

• 可扩展

　　　Hive可以自由的扩展集群的规模，一般情况下不需要重启服务。

• 延展性

　　　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。

• 容错

　　　良好的容错性，节点出现问题SQL仍可完成执行

4、hive架构

基本组成

用户接口：包括CLI、JDBC/ODBC、WebGUI。其中，CLI(command line interface)为shell命令行；JDBC/ODBC是Hive的JAVA实现，与传统数据库JDBC类似；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mysql/derby中。Hive 将元数据存储在数据库中。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。

解释器、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，并在随后由MapReduce 调用执行。

Hive利用HDFS存储数据，利用MapReduce查询分析数据

 

5、hive与传统数据库对比

hive用于海量数据的离线数据分析

总结：hive具有sql数据库的外表，但应用场景完全不同，hive只适合用来做批量数据统计分析

6、hive的数据存储

（1）、Hive中所有的数据都存储在 HDFS 中，没有专门的数据存储格式（可支持Text，SequenceFile，ParquetFile，ORC格式RCFILE等）

SequenceFile是hadoop中的一种文件格式：

    　　文件内容是以序列化的kv对象来组织的

 （2）、只需要在创建表的时候告诉 Hive 数据中的列分隔符和行分隔符，Hive 就可以解析数据。

（3）、Hive 中包含以下数据模型：DB、Table，External Table，Partition，Bucket。

　　　db：在hdfs中表现为${hive.metastore.warehouse.dir}目录下一个文件夹

　　　 table：在hdfs中表现所属db目录下一个文件夹

 　　　external table：与table类似，不过其数据存放位置可以在任意指定路径

　　　 partition：在hdfs中表现为table目录下的子目录

　　　bucket：在hdfs中表现为同一个表目录下根据hash散列之后的多个文件