【Hive】

一、Hive是什么

• Hive是一款建立在Hadoop之上的开源数据仓库系统，将Hadoop文件中的结构化、半结构化数据文件映射成一张数据库表，同时提供了一种类SQL语言（HQL），用于访问和分析存在Hadoop中的大型数据集。
• Hive的核心是将HQL转换成MapReduce程序，然后将其提交到Hadoop集群执行。（用户只需要编写HQL而不需要编写MapReduce程序，减少了学习成本、开发成本。）
• Hive利用HDFS存储数据，利用MapReduce查询分析数据
• Hive能将数据文件映射成一张表，能将SQL编译成为MapReduce然后处理这个表
• Hive的底层是用Java语言开发的
• 小数据集使用Hive分析，延迟很高。大数据集使用Hive分析，底层使用MapReduce分布式计算，速度才快。因此Hive是使用在大数据的场景下。

二、Hive的架构图

• hive能够写SQL的前提是针对一张表，而不是文件，因此要将文件和表之间的对应关系记录清楚。这个关系称为元数据信息

元数据信息记录:

1. 表对应的什么文件（对应文件的位置）
2. 表的每列对应文件的哪个字段，是什么类型（字段顺序，字段类型）
3. 文件中各字段的分隔符是什么

Hive工作流程 ：

Hive架构图：

• Metastore元数据服务： 通常用mysql/derby等（关系型数据库）来存储表和文件的映射关系。Metastore服务用来管理metadata元数据，外部只能通过Metastore服务访问元数据的数据库。
• Driver驱动程序： Hive的核心，包括语法解析器、计划编译器、优化器、执行器
• 执行引擎： Hive不处理数据 ，而是由执行引擎处理，目前Hive支持MapReduece、Tez、Spark三种执行引擎。（Hive可以将SQL转换成MapReduce或Tez或Spark，默认是MapReduce）

三、Hive数据模型

Hive从数据模型上看与MySQL很相似，也有库、表、字段。
但是Hive只适合用来做海量数据的离线分析，Hive一般用于数仓，MySQL一般用于业务系统。

	Hive	MySQL
定位	数据仓库	数据库
使用场景	离线数据分析	业务数据事务处理
查询语言	HQL	SQL
数据存储	HDFS	Local FS
执行引擎	MR、Tez、Spark	Excutor
执行延迟	高	低
处理数据规模	大	小
常见操作	导入数据、查询	增删改查

• Hive中的数据可以在粒度级别上分成3类
  Table 表
  Partition 分区
  Bucket 分桶
• 底层存储：
  数据库存储：itcast数据库对应的存储路径是/user/hive/warehouse/itcast.db（创建数据库相当于创建了个文件夹）
  表存储：itcast数据库下t_user表对应的存储路径/user/hive/warehouse/itcast.db/t_user
  partitions分区：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，一个文件夹表示一个分区，分区列=分区值
  

Buckets分桶：分区是指根据表中字段（例如“编号ID”）的值，经过Hash计算规则将文件划分成指定的若干个小文件

四、Hive的各个组件

五、Hive SQL DDL建表语法（重点）

完整的建表语法：

• 不是用loaction的情况下创建表相当于创建了一个文件夹，具体的数据文件需要放在对应的文件夹下
• 也可以在建表语句中使用location关键字指定数据文件在hdfs上的位置
• 一个表对应的文件夹下可以放多个数据文件，会一起解析成一张表

5.1 指定分隔符语法（关键字ROW FORMAT）

5.2 内部表与外部表（关键字EXTERNAL）

建表时用external关键字指定的就是外部表，否则为内部表（Managed Table）
当删除内部表时，会从MetaStore中删除表的元数据，从HDFS中删除表的数据。
当删除外部表时，只会从MetaStore中删除表的元数据，不会删除HDFS中表的数据。
内部表、外部表与是否使用location指定路径没有关系，Location只是指定数据的存储位置，如不使用location指定路径默认存储在hdfs的/user/hive/warehouse下

5.3 分区表（关键字PARTITIONED BY）

当Hive表对应的数据量大，文件多时，为了避免查询时全表扫描（速度慢），可以根据指定的字段（比如：日期、地域）对表进行分区，本质上是通过多个文件夹来管理分区，例如下图的多重分区：

• HDFS中分区表的存储方式：

分区表中需要确保每个分区的数据文件是干净的，是和分区值所对应的，否则没有意义
分区表创建完，直接把数据文件移动到对应文件夹下是没用的，静态分区需要使用load data进行加载

静态分区举例：
静态分区指的是分区的字段值是手动写死的

-- 创建分区表，指定两个分区字段，province和city
create table t_user_province_city (id int, name string, age int) 
partitioned by (province string,city string);

-- 静态分区加载数据（静态分区指的是province和city手工指定）
load data local inpath '/root/hivedata/user.txt' into table t_user_province_city partiton(province='zhejiang',city='hangzhou');
load data local inpath '/root/hivedata/user.txt' into table t_user_province_city partiton(province='zhejiang',city='ningbo');

-- 使用分区表(不用全表扫描，直接找到对应分区下的文件)
select * from t_user_province_city where province='zhejiang' and city='hangzhou'

动态分区举例：
动态分区指的是分区的字段值是基于查询结果（参数位置）自动推断出来的。核心语法是insert+select

-- 创建分区表，指定两个分区字段，province和city
create table t_user_province_city (id int, name string, age int) 
partitioned by (province string,city string);

-- 动态分区(province和city并没有手动指定,而是从select中查出来的province_tmp和city_tmp)
insert into table t_user_province_city partion(province string,city string)
select tmp.*,tmp.province_tmp,tmp.city_tmp from t_user_province_city_tmp tmp

一、分区表不是建表的必要语法，是一种优化手段
二、分区字段不能是表中已有的字段
三、分区字段是虚拟字段，其数据并不存储在底层的文件中
四、分区字段值来自于手动指定（静态分区）或根据查询结果位置推断（动态分区）
五、Hive支持多重分区，可以在分区的基础上继续分区

5.4 分桶表（关键字CLUSTERED BY … INTO 分桶数 BUCKETS）

• 分桶表对应的数据文件在底层会被分解为若干各独立的小文件（一个文件 —> n个文件，当某个分区数据量过大时，可以再进行分桶）
• CLUSTERED BY指定根据哪几个字段进行分桶（字段必须是表中已经存在的字段）
• into n buckets表示分成几桶（几部分文件）
• 指定的字段如果字段一样，一定会分到一个桶中
  

分桶表的好处：
1.基于分桶字段查询时，减少全表扫描（对分桶字段再次计算哈希，找到对应的分桶编号，只查询那一个文件即可）
2.用分桶的字段join时可以提高mr程序效率，减少笛卡尔积数量

3.分桶表数据进行高效抽样（分桶后可以从每个桶中抽取一定比例的数据，可以保证数据更加的平均）

创建分桶表举例：

create table itheima.t_usa_covid19_bucket(
	count_date string,
	country string,
	state string,
	fips int,
	cases int,
	deaths int
)
clustered by(state) into 5 buckets; -- 根据state分为5桶

create table itheima.t_usa_covid19_bucket(
	count_date string,
	country string,
	state string,
	fips int,
	cases int,
	deaths int
)
clustered by(state) 
sorted by (cases desc) into 5 buckets; -- 指定每个分桶内部根据cases降序排列

分桶表数据加载举例：

-- step1:把源数据加载到普通hive表中
create table itheima.t_usa_covid19(
	count_date string,
	country string,
	state string,
	fips int,
	cases int,
	deaths int
)
row format delimited fields terminated by ",";

-- 将源数据上传到HDFS，t_usa_covid19表对应的目录下
hadoop fs -put us-covid-counties.dat /user/hive/warehouse/itheima.db/t_usa_covid19
-- step2:使用insert+select语法将数据加载到分桶表中
insert into t_usa_covid19_bucket select * from t_usa_covid19

六、其他知识

6.1 四种排序order by、cluster by、distribute by、sort by

• order by：全局排序，要汇总数据才能排序，因此只有一个reduce，排序效率低
• cluster by：对某个字段分组且排序，并且只能升序，分的组数取决于reducetask的个数
• distribute by + sort by：distribute by负责根据指定字段进行分组，sort by负责分组内排序，例如：
  select * from student distribute by sex sort by age desc;