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表，并提供类SQL 查询功能。
本质是：将HQL 转化成MapReduce 程序

• 1）Hive 处理的数据存储在HDFS
• 2）Hive 分析数据底层的实现是MapReduce
• 3）执行程序运行在Yarn 上

2 Hive的优缺点

优点：

• 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 避免了去写MapReduce，减少开发人员的学习成本。
• 3 Hive 的执行延迟比较高，因此Hive 常用于数据分析，对实时性要求不高的场合。
• 4 Hive 优势在于处理大数据，对于处理小数据没有优势，因为Hive 的执行延迟比较高。
• 5 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。

缺点：

• 1 Hive 的HQL 表达能力有限
  （1）迭代式算法无法表达
  （2）数据挖掘方面不擅长
• 2 Hive 的效率比较低
  （1）Hive 自动生成的MapReduce 作业，通常情况下不够智能化
  （2）Hive 调优比较困难，粒度较粗

Hive 架构原理

• 1．用户接口：Client
  CLI（hive shell）、JDBC/ODBC(java 访问hive)、WEBUI（浏览器访问hive）
• 2．元数据：Metastore元数据包括：表名、表所属的数据库（默认是default）、表的拥有者、列/分区字段、表的类型（是否是外部表）、表的数据所在目录等；
  默认存储在自带的derby 数据库中，推荐使用MySQL 存储Metastore
• 3．Hadoop
  使用HDFS 进行存储，使用MapReduce 进行计算。
• 4．驱动器：Driver
  （1）解析器（SQL Parser）：将SQL 字符串转换成抽象语法树AST，这一步一般都用
  第三方工具库完成，比如antlr；对AST 进行语法分析，比如表是否存在、字段是否存
  在、SQL 语义是否有误。
  （2）编译器（Physical Plan）：将AST 编译生成逻辑执行计划。
  （3）优化器（Query Optimizer）：对逻辑执行计划进行优化。
  （4）执行器（Execution）：把逻辑执行计划转换成可以运行的物理计划。对于Hive 来说，就是MR/Spark。
  
  Hive 通过给用户提供的一系列交互接口，接收到用户的指令(SQL)，使用自己的Driver，结合元数据(MetaStore)，将这些指令翻译成MapReduce，提交到Hadoop 中执行，最后，将执行返回的结果输出到用户交互接口。

Hive和数据库比较

由于 Hive 采用了类似SQL 的查询语言 HQL(Hive Query Language)，因此很容易将 Hive 理解为数据库。其实从结构上来看，Hive 和数据库除了拥有类似的查询语言，再无类似之处。本文将从多个方面来阐述 Hive 和数据库的差异。数据库可以用在 Online 的应用中，但是Hive 是为数据仓库而设计的，清楚这一点，有助于从应用角度理解 Hive 的特性。

• 1 查询语言
  由于SQL 被广泛的应用在数据仓库中，因此，专门针对Hive 的特性设计了类SQL 的查询语言 HQL 。熟悉 SQL 开发 的开发者可以很方便的使用 Hive 进行开发。
• 2 数据存储位置
  Hive 是建立在 Hadoop 之上的，所有 Hive 的数据都是存储在 HDFS 中的。而数据库则
  可以将数据保存在块设备或者本地文件系统中。
• 3 数据更新
  由于 Hive 是针对数据仓库应用设计的，而 数据仓库的内容是读多写少的。 因此， Hive中不 建议 对数据的改写，所有的数据都是在加载的时候确定好的。 而数据库中的数据通常是需要经常进行修改的，因此可以使用 INSERT INTO VALUES 添加数据，使用 UPDATE SET 修改数据。
• 4 索引
  Hive 在加载数据的过程中不会对数据进行任何处理，甚至不会对数据进行扫描，因此 也没有对数据中的某些 Key 建立索引。 Hive 要访问数据中满足条件的特定值时，需要 暴力扫描整个数据 ，因此访问延迟较高。由于 MapReduce 的引入， Hive 可以并行访问数据，因此即使没有索引，对于 大数据 量的访问， Hive 仍然可以体现出优势。 数据库中，通常会针对一个或者几个列建立索引，因此对于少量的特定条件的数据的访问，数据库可以有很高的效率，较低的延迟。由于数据的访问延迟较高，决定了 Hive 不适合在线数据查询。
• 5 执行
  Hive 中大多数查询的执行是通过 Hadoop 提供的 MapReduce 来实现的。而数据库通常有自己的执行引擎。
• 6 执行延迟
  Hive 在查询数据的时候，由于没有索引，需要扫描整个表，因此延迟较高。另外一个导致 Hive 执行延迟高的因素是 MapReduce 框架。由于MapReduce 本身具有较 高的延迟，因此在利用 MapReduce 执行 Hive 查询时，也会有较高的延迟。相对的，数据库的执行延迟较低。当然，这个低是有条件的，即数据规模较小，当数据规模大到超过数据库的处理能力的时候， Hive 的并行计算显然能体现出优势。
• 7 可扩展性
  由于 Hive 是建立在 Hadoop 之上的，因此 Hive 的可扩展性是和 Hadoop 的可扩展性是。一致的（世界上最大的 Hadoop 集群在 Yahoo! 2009 年的规模在 4000 台节点左右）。而数据库由于 ACID 语义的严格限制，扩展行非常有限。目前最先进的并行数 据库 Oracle 在理论上的扩展能力也只有 100 台左右。
• 8 数据规模
  由于Hive 建立在集群上并可以利用 MapReduce 进行并行计算，因此可以支持很大规模的数据；对应的，数据库可以支持的数据规模较小。

Hive数据类型

• 基本数据类型
  -
  

Hive 管理表和外部表

• 管理表
  默认创建的表都是所谓的管理表，有时也被称为内部表。因为这种表，
  Hive 会（或多或少地） 控制着数据的生命周期。 Hive 默认情况下会将这些表的数据存储在由配置项hive.metastore.warehouse.dir( 例如， ，/user/hive/ 所定义的目录的子目录下。 当我们删除一个管理表时，Hive 也会删除这个表中数据。管理表不适合和其他工具共享数据。
• 外部表
  Hive 并非认为其完全拥有这份数据。删除该表并不会删除掉这
  份数据，不过描述表的元数据信息会被删除掉。

Hive分区表

分区表实际上就是对应一个HDFS 文件系统上的独立的文件夹，该文件夹下是该分区所有的数据文件。 Hive 中的分区就是分目录 ，把一个大的数据集根据业务需要分割成小的数据集。在查询时通过 WHERE 子句中的表达式选择查询所需要的指定的分区，这样的查询效率会提高很多。

Hive排序

• 全局排序（Order by）
  Order By：全局排序，一个Reducer
  ASC: 升序（默认）
  DESC: 降序
• 内部排序(Sort by)
  每个 Reducer 内部进行排序，对全局结果集来说不是排序。
• 分区排序 （Distribute By）
  类似 MR 中 partition ，进行分区，结合 sort by 使用。
  注意： Hive 要求 DISTRIBUTE BY 语句要写在 SORT BY 语句之前。
  对于 distribute by 进行测试，一定要分配多 reduce 进行处理，否则无法看到 distribute by的效果。
• Cluster by
  当distribute by 和sorts by 字段相同时，可以使用cluster by 方式。
  cluster by 除了具有distribute by 的功能外还兼具sort by 的功能。但是排序只能是升序排序，不能指定排序规则为ASC 或者DESC。
  以下两种写法等价:
  hive (default)> select * from emp cluster by deptno;
  hive (default)> select * from emp distribute by deptno sort by deptno;
  注意：按照部门编号分区，不一定就是固定死的数值，可以是20 号和30 号部门分到一个分区里面去。

Hive分桶

分区针对的是数据的存储路径；分桶针对的是数据文件。
分区提供一个隔离数据和优化查询的便利方式。不过，并非所有的数据集都可形成合理的分区，特别是之前所提到过的要确定合适的划分大小这个疑虑。
分桶是将数据集分解成更容易管理的若干部分的另一个技术。

分桶抽样查询

对于非常大的数据集，有时用户需要使用的是一个具有代表性的查询结果而不是全部结果。 Hive 可以通过对表进行抽样来满足这个需求。查询表stu_buck 中的数据。
hive (default)> select * from stu_buck tablesample(buck et 1 out of 4 on id);
注：tablesample 是抽样语句，语法： TABLESAMPLE(BUCKET x OUT OF y) 。
y必须是 table 总 bucket 数的倍数或者因子。 hive 根据 y 的大小，决定抽样的比例。例如， table 总共分了 4 份，当 y=2 时，抽取 (4/2=)2 个 bucket 的数据，当 y=8 时，抽取 (4/8=)1/2个 bucket 的数据。
x表示从哪个 bucket 开始抽取 ，如果需要取多个分区，以后的分区号为当前分区号加上y 。例如， table 总 bucket 数为 4 ta blesample(bucket 1 out of 2 ))，表示总共抽取 4/ 2 2 个bucket 的数据，抽取第 1 x) 个和第 3 (x +y 个 bucket 的数据。
注意：
x 的值必须小于等于 y 的值，否则FAILED: SemanticException [Error 10061]: Numerator should not be bigger than
denominator in sample clause for table stu_buck

Hive调优

• Fetch抓取
  Fetch抓取是指， Hive 中对某些情况的查询可以不必使用 MapReduce 计算 。例如：SELECT * FROM employees; 在这种情况下， Hive 可以简单地读取 employee 对应的存储目录下的文件，然后输出查询结果到控制台。
  在hive default.xml.template 文件中 hive.fetch.task.conversion 默认是 more ，老版本 hive默认是 minimal ，该属性修改为 more 以后，在全局查找、字段查找、 limit 查找等都不走mapreduce 。
• 本地模式
  大多数的Hadoop Job 是需要 Hadoop 提供的完整的可扩展性来处理大数据集的。不过，有时 Hive 的输入数据量是非常小的。在这种情况下，为查询触发执行任务消耗的时间可能会比实际 job 的执行时间要多的多。对于大多数这种情况， Hive 可以通过本地模式在单台机器上处理所有的任务。对于小数据集，执行时间可以明显被缩短。用户可以通过设置hive.exec.mode.local.auto 的值为 true ，来让 Hive 在适当的时候自动
  启动这个优化。