既有适合小白学习的零基础资料,也有适合3年以上经验的小伙伴深入学习提升的进阶课程,涵盖了95%以上大数据知识点,真正体系化!
由于文件比较多,这里只是将部分目录截图出来,全套包含大厂面经、学习笔记、源码讲义、实战项目、大纲路线、讲解视频,并且后续会持续更新
-
数据导入:
- Hive 可以从多种数据源导入数据,包括本地文件系统、HDFS、HBase、Amazon S3 等。
- 使用 HiveQL 的
LOAD DATA
命令可以将数据加载到 Hive 表中。该命令支持从本地文件系统或 HDFS 中加载数据,也可以加载数据到指定的分区中。 - Hive 还支持外部表(External Table),外部表的数据存储在指定的位置,可以是 HDFS 或其他文件系统,对外部表进行数据导入不会改变数据的存储位置。
-
数据存储:
- Hive 使用表来组织和管理数据,每个表对应一个目录,该目录下包含数据文件、元数据文件等。
- 表的数据存储在 HDFS 中,可以选择不同的存储格式,如文本文件、序列文件、Parquet 等。
- 如果表使用了分区,数据文件会按照分区的方式存储在对应的子目录中。
-
数据导出:
- 使用 HiveQL 的
INSERT INTO
命令可以将查询结果导出到本地文件系统或 HDFS 中。 - Hive 还支持将查询结果导出到其他数据源,如关系型数据库、HBase 等。
- 使用 HiveQL 的
总的来说,Hive 通过将数据存储在 HDFS 中,并通过表来组织和管理数据,实现了对大规模数据的高效读写和查询。同时,Hive 还提供了丰富的数据导入导出功能,支持多种文件格式和数据源,满足了不同场景下的数据处理需求。
2. hive和传统数据库之间的区别
这些区别主要源于它们的设计目标、数据模型、查询语言、数据处理方式等方面。
-
设计目标:
- Hive 的设计目标是处理大规模的分布式数据,它是建立在 Hadoop 生态系统之上的工具,适用于大数据分析和处理。
- 传统数据库的设计目标是提供高性能的事务处理(OLTP),通常用于处理中小规模的结构化数据。
-
数据模型:
- Hive 使用基于文件的数据模型,将数据存储在 Hadoop 分布式文件系统(HDFS)中,支持多种文件格式,如文本、序列文件、Parquet 等。
- 传统数据库使用基于表格的数据模型,数据以行和列的形式组织存储,支持事务和索引等特性。
-
查询语言:
- Hive 使用 HiveQL,这是一种类似于 SQL 的查询语言,支持类似于 SQL 的语法和操作,但不同于传统数据库的 SQL,HiveQL 可以用于查询大规模数据。
- 传统数据库使用 SQL(结构化查询语言)作为查询语言,支持丰富的查询操作和数据操作功能。
-
数据处理方式:
- Hive 是基于批处理的,它适用于大规模数据的离线处理和分析,通常不适用于实时数据处理。
- 传统数据库通常是面向事务的,支持实时的交互式查询和事务处理。
-
性能:
既有适合小白学习的零基础资料,也有适合3年以上经验的小伙伴深入学习提升的进阶课程,涵盖了95%以上大数据知识点,真正体系化!
由于文件比较多,这里只是将部分目录截图出来,全套包含大厂面经、学习笔记、源码讲义、实战项目、大纲路线、讲解视频,并且后续会持续更新
新**