Hive知识梳理
版权声明：本文为博主原创文章，未经博主允许不得转载。https://www.jianshu.com/p/1ca9fbfe2fbb
【Hive学习路线图】
【什么是Hive】
1、Facebook实现并开源
2、是基于Hadoop的一个数据仓库工具
3、将结构化的数据映射为一张数据库表
4、提供HQL(Hive SQL）查询
5、底层数据存储在HDFS上
6、本质是将SQL语句转换为MR任务运行
7、适用于离线批量数据计算、统计分析，也就是数据仓库，使不熟悉MR的用户很方便利用HQL处理和计算HDFS上结构化数据
【特点】
1、Hive启动延时很长，不适用交互查询
2、不支持事务（没有增删改，所以主要应用OLAP联机分析处理，而非OLTP联机事务处理）
【内部架构】
Hive内部架构由四部分组成：
1、用户接口
CLI，Shell （command line interface）终端命令行，采用交互式形式使用Hive命令行与Hive交互（调试、生产、学习）
JDBC/ODBC，是Hive基于Java或C操作提供的客户端，用户（运维、开发、应用）通过其连接至Hive Server服务
Web UI，通过浏览器访问
2、跨语言服务
thirft server可以用来进行可扩展且跨语言的服务，可以让用户使用不同的编程语言来调用Hive的接口。
3、底层的Driver
Driver组件完成HQL查询语句从词法分析、语法分析、编译、优化及生成逻辑执行计划的生成。生成的逻辑执行计划存储在HDFS中，并由MR调用执行。
Hive的核心是驱动引擎，这与RDBMS很像，由四部分组成：
（1）解释器：将Hive SQL语句转换为抽象语法树（AST）
（2）编译器：将语法树编译为逻辑执行计划
（3）优化器：对逻辑执行计划进行优化
（4）执行器：调用底层运行框架执行逻辑执行计划
执行流程：Hive Sql通过命令行或客户端提交，经过compiler编译器，运用Metastore中的元数据进行类型检测和语法分析，生成一个逻辑方案，通过优化，产生一个MR任务。
4、元数据存储
元数据是存储在Hive中的数据描述信息，包括：表名、列、分区及其属性、表的属性、数据所在目录等。
Hive自带默认会存将Metastore存在Derby数据库中。由于Derby只允许一个会话连接，不适合多用户操作，不适用生产环境。所以生产常用mysql作为元数据库，Hive和Mysql之间通过MetaStore服务交互。
【数据组织】
1、Hive存储结构包括数据库、表、视图、分区、表数据
数据库、表、分区等都都对应HDFS上的一个目录。表数据对应HDFS对应目录下的文件。
2、Hive中所有数据都存储在HDFS上，可支持TextFile、SequenceFile、RCFile、PQ或自定义格式，目前生产采用RCFile
3、Hive表分隔符
Hive默认列分隔符：Ctrl+A，\001
默认行分隔符：换行符 \n
4、数据模型
database：在HDFS中表现为{hive.metastore.warehouse,dir}目录下一个文件
table：在HDFS中表现为所属database目录下的一个文件夹
external table：与table类似，不过其数据存放位置可以指定任意HDFS目录
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或者分区目录下根据某个字段值进行hash散列之后的多个文件
view：与传统数据库类似，只读
5、除元数据存储在mysql中，其他所有数据都存放在HDFS上
6、Hive表分为内部表、外部表、分区表和Bucket表
【内部表和外部表区别】
删除内部表，表元数据和数据均删除
删除外部表，表元数据删除，数据保留
使用外部表的场景是针对一个数据集有多个不同的 Schema
【分区表和分区桶】
Hive数据表可以根据某些字段进行分区操作，细化数据管理，提高查询性能。
表和分区可以进一步被划分为Buckets，分桶表的原理类似MR编程中的HashPatrion。
