云计算复习之Hive数据仓库期末复习整理

声明: 
              1. 本文针对的是一个知识的梳理，自行整理以及方便记忆
              2. 若有错误不当之处, 请指出

一、hive的定义与理解

首先，hive是一个构建于hadoop集群之上的数据仓库应用。那么，得先了解一下什么是数据仓库？数据仓库是一个数据集合，用于支持管理决策。简单来说就是为了分析数据而设计的仓库。

那么hive就好理解了，hive是一个翻译器，不具备计算能力，存储能力，是一个构建于hadoop集群之上的系统，用于存储和处理数据。而它将得到的数据映射到一张数据表，然后存储在hafs之上。

hive提供了自己的SQL语句，即HQL，现在来看看和sql的不同之处，和SQL很多相似的地方，免去了学习一门新语言的时间，（对于我这种摆烂的还是挺好的）。

二、系统架构

如图所示，hive的的系统架构为这个，一般为以下几步：

1.用户建表，给入sql语句

2.Metastore（元数据）记录对应的路径。

3.映射表的关系返回给用户

4.通过接口连接hive，通过cli发布HQL

5.hive解析查询制订逻辑查询计划

6.转换成MapReduce作业

7.在Hadoop上执行MapReduce

运行机制

三、基本操作

DDL操作（数据定义语言）包括：Create、Alter、Show、Drop等。

（1）create database- 创建新数据库

查看仓库DB的信息和路径

（2）alter database - 修改数据库

（3）drop database - 删除数据库

（4）create table - 创建新表

先查看表，已存在cat这个表

.创建一个名为cat的内部表，有两个字段为cat_id和cat_name，字符类型为string。

create table cat(cat_id string,cat_name string);  

创建一个外部表，表名为cat2，有两个字段为cat_id和cat_name，字符类型为string

create external table if not exists cat2(cat_id string,cat_name string);  

（5）alter table - 变更（改变）数据库表

修改cat表的表结构。对cat表添加两个字段group_id和cat_code

alter table cat add columns(group_id string,cat_code string);

可以用desc cat查看

（6）drop table - 删除表

（7）create index - 创建索引（搜索键）

（8）drop index - 删除索引

（9）show table - 查看表

DML操作（数据操作语言）包括：Load 、Insert、Update、Delete、Merge。

（1）load data - 加载数据

①insert into - 插入数据

②insert overwrite - 覆盖数据（insert ... values从Hive 0.14开始可用。）

（2）update table - 更新表（update在Hive 0.14开始可用，并且只能在支持ACID的表上执行）

（3）delete from table where id = 1; - 删除表中ID等于1的数据（delete在Hive 0.14开始可用，并且只能在支持ACID的表上执行）

（4）merge - 合并（MERGE在Hive 2.2开始可用，并且只能在支持ACID的表上执行）

Hive中数据的导入导出

以下介绍四种常见的数据导入方式：

1.从本地文件系统中导入数据到Hive表。

首先，在Hive中创建一个cat_group表，包含group_id和group_name两个字段，字符类型为string，以“\t”为分隔符，并查看结果。

1. create table cat_group(group_id string,group_name string) row format delimited fields terminated by '\t'  stored as textfile;  
2. show tables; 

[row format delimited]关键字，是用来设置创建的表在加载数据的时候，支持的列分隔符。

[stored as textfile]关键字，是用来设置加载数据的数据类型，默认是TEXTFILE，如果文件数据是纯文本，就是使用 [stored as textfile]，然后从本地直接拷贝到HDFS上，Hive直接可以识别数据。

通过select语句查看cat_group表中是否成功导入数据，由于数据量大，使用limit关键字限制输出10条记录。

1. select * from cat_group limit 10;  

   2.将HDFS上的数据导入到Hive中。

   首先，另外开启一个操作窗口，在HDFS上创建/myhive2目录。

2. 然后，将本地/data/hive2/下的cat_group表上传到HDFS的/myhive2上，并查看是否创建成功。
3. 将cat_group1表中的数据导入到cat_group2表中。
4. insert overwrite table cat_group2 select * from cat_group1;  （insert overwrite 会覆盖数据)

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

     创建表分区，在Hive中创建一个分区表goods，包含goods_id和goods_status两个字段，字符类型为string，分区为cat_id，字符类型为string，以“\t“为分隔符。(partition by 用来定义分区 )

1. create table goods(goods_id string,goods_status string) partitioned by (cat_id string)  row format delimited fields terminated by '\t';  

向分区表插入数据，将本地/data/hive2下的表goods中数据，插入到分区表goods中。

首先，在Hive中创建一个非分区表goods_1表，用于存储本地/data/hive2下的表goods中数据。

1. create table goods_1(goods_id string,goods_status string,cat_id string)  row format delimited fields terminated by '\t';  
2. 导表操作
   将本地/data/hive2下的表goods中数据导入到Hive中的goods_1表中load data local inpath '/data/hive2/goods' into table goods
3.         同理，再将表goods_1中的数据导入到分区表goods中
          insert into table goods partition(cat_id='52052') select goods_id,goods_status from goods_1 where cat_id='52052'; 
        
4. 查看表goods中的分区
   show partitions goods; 
   

5. 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。桶为表提供了额外的结构，Hive在处理某些查询时利用这个结构，能够有效地提高查询效率。 

   分区针对的是数据的存储路径；分桶针对的是数据文件。

6. 创建桶

   创建一个名为goods_t的表，包含两个字段goods_id和goods_status，字符类型都为string，按cat_id string做分区，按goods_status列聚类和goods_id列排序，划分成两个桶，clustered by用来指定划分通分桶用的列和要划分桶的个数create table goods_t(goods_id string,goods_status string) partitioned by (cat_id string)  clustered by(goods_status) sorted by (goods_id) into 2 buckets;  

7. 用insert子句将其他表中的数据加载到分桶表
   insert overwite table good1 select * from goods_t;
   (每个桶对于MapReduce的输出文件分区，一个作业产生)

   1. 导入数据的语法
      （1）load data [local] inpath 'filepath' [overwrite] into table tablename [partition(partcol=val1,partcol2=cal2...)]
      local的意思是导入linux的本地的数据，若是从hdfs上导入就不用加
      filepath指的是数据的路径
      overwrite指定覆盖表之前的数据
      partition分区表的意思
      （2）单表查询导入数据
               insert [overwrite|into] table 表1
               [partition (part1=val1,part2=val2) ] select字段1，字段2，字段3 from 表2;

   2.