大数据入门-五分钟读懂Hive

3.大数据入门-大数据技术概述(二)")

4.大数据入门-三分钟读懂Hadoop

5.大数据入门-五分钟读懂HDFS

一、概念

====

Hive是基于Hadoop的一个数据仓库工具，用来进行数据抽取，转化，加载，这是一种可以存储，查询和分析存储在Hadoop中的大规模数据的机制。Hive数据仓库工具能将结构化的数据文件映射成一张表，并提供SQL查询功能，能将SQL语句转化成为MapReduce来执行。Hive的优点是学习成本低，可以通过类SQL语句实现快速MapReduce统计，使MapReduce变得更加简单，而不必开发专门的MapReduce任务。Hive十分适合对数据仓库进行分析。

二、架构

====

三、表分类

=====

内部表：未被External修饰的是内部表(Managed Table)，数据由自身管理，数据存储的位置是hive.metastore.warehouse.dir，(默认：/user/hive/warehouse)删除内部表会直接删除元数据(Metadata)及存储数据；对内部表的修改会将修改直接同步给元数据。

外部表：被External修饰的是外部表(External Table)，数据由HDFS管理，部表数据的存储位置由自己制定(如果没有LOCATION，Hive将在HDFS上的/user/hive/warehouse文件夹下以外部表的表名创建一个文件夹，并将属于这个表的数据存放在这里)，删除外部表仅仅会删除元数据，HDFS上的文件并不会被删除，而对外部表的表结构和分区进行修改，则需要修复(MSCK REPAIR TABLE table_name)。

四、Hive常用语句

==========

1.Hive建表语句

create table t1( id int,

name string ,

hobby array ,

add map<String,

string> )

row format delimited

fields terminated by ‘,’

collection items terminated by ‘-’

map keys terminated by ‘:’ ;

2.Hive新增列

alter table test.t1 add columns(a string);

3.Hive删除列

alter table test.t1 replace columns(id int,name string,hobby array,add map<string,string>);

4.Hive修改列

alter table test.t1 change a b int;

5.Hive清空表

truncate table test.t1;

6.Hive加载数据

load data local inpath ‘/home/hadoopap/desktop/data’ overwrite into table t1;

7.HDFS删除文件操作

sudo -u hdfs hadoop fs -rm -r -f /user/hive/warehouse/db名/表名/分区名

五、存储格式

======

1.Textfile

Hive数据表的默认格式，数据不做压缩，磁盘开销大，数据解析开销大。存储方式：行存储。

可以使用Gzip压缩算法，但压缩后的文件不支持split。

在反序列化过程中，必须逐个字符判断是不是分隔符和行结束符，因此反序列化开销会比SequenceFile高几十倍。

2.RCFile

存储方式：数据按行分块，每块按列存储。结合了行存储和列存储的优点：

首先，RCFile 保证同一行的数据位于同一节点，因此元组重构的开销很低。其次，像列存储一样，RCFile 能够利用列维度的数据压缩，并且能跳过不必要的列读取。

数据追加：RCFile不支持任意方式的数据写操作，仅提供一种追加接口，这是因为底层的 HDFS当前仅仅支持数据追加写文件尾部。

行组大小：行组变大有助于提高数据压缩的效率，但是可能会损害数据的读取性能，因为这样增加了 Lazy 解压性能的消耗。而且行组变大会占用更多的内存，这会影响并发执行的其他MR作业。 考虑到存储空间和查询效率两个方面，Facebook 选择 4MB 作为默认的行组大小，当然也允许用户自行选择参数进行配置。

3.ORCFile

存储方式：数据按行分块，每块按照列存储。

压缩快，可切分，快速列存取。效率比Rcfile高，是Rcfile的改良版本。

支持各种复杂的数据类型，比如datetime,decimal,以及复杂的struct。

4.Parquet

Parquet能够很好的压缩，有很好的查询性能，支持有限的模式演进。但是写速度通常比较慢。这中文件格式主要是用在Cloudera Impala上面的。

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

需要这份系统化资料的朋友，可以戳这里获取

VWjvrqU-1714294860493)]

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

需要这份系统化资料的朋友，可以戳这里获取