Hive基本概念及数据存储

1、hive简单介绍

Hive是什么？

Hive是基于Hadoop的一个数据仓库工具，可以将结构化的数据文件映射为一张数据库表，并提供类SQL查询功能。

Hive的优点：

操作接口采用类SQL语法，提供项目快速开发的能力，提高生产力。
避免一直写MapReduce，简化MapReduce实现复杂查询逻辑的开发，减少开发人员的学习成本。
功能扩展很方便。

Hive的特点：

可扩展性
Hive可以自由的扩展集群的规模，一般情况下不需要重启服务。

延展性
Hive支持用户自定义函数，用户可以根据自己的需求来实现自己的函数。

容错性
良好的容错性，节点出现问题SQL仍可完成执行。

2、Hive架构

架构图

基本组成

用户接口：包括CLI、JDBC/ODBC、WebGUI。其中，CLI(command line interface)为shell命令行；JDBC/ODBC是Hive的JAVA实现，与传统数据库JDBC类似；WebGUI是通过浏览器访问Hive。
元数据存储：通常是存储在关系数据库如mysql/derby中。Hive 将元数据存储在数据库中。Hive 中的元数据包括表的名字，表的列和分区及其属性，表的属性（是否为外部表等），表的数据所在目录等。
解释器、编译器、优化器、执行器:完成HQL 查询语句从词法分析、语法分析、编译、优化以及查询计划的生成。生成的查询计划存储在HDFS 中，并在随后有MapReduce 调用执行。

3、Hive与Hadoop的关系

Hive利用HDFS存储数据，利用MapReduce查询分析数据

4、Hive与传统数据库对比

hive用于海量数据的离线数据分析，具有sql数据库的外表，但应用场景完全不同，hive只适合用来做批量数据统计分析。

Hive与传统关系型数据库对比图：

5、Hive的数据存储

1、Hive中所有的数据都存储在 HDFS 系统中。没有专门的数据存储格式（可支持Text，SequenceFile，ParquetFile，RCFILE等），也没有为数据建立索引，用户可以非常自由的组织 Hive 中的表。
SequenceFile是hadoop中的一种文件格式：
文件内容是以序列化的k-v对象来组织的。
2、在创建表的时候只要告诉 Hive 数据中的列分隔符和行分隔符，Hive 就可以进行解析数据。
3、Hive 中包含以下数据模型：DB、Table，External Table，Partition，Bucket。
db：在hdfs中表现为${hive.metastore.warehouse.dir}目录下一个文件夹
table（表）：在hdfs中表现所属db目录下一个文件夹。和数据库中的 Table 在概念上是类似的，每一个 Table 在 Hive 中都有一个相应的目录存储数据。
external table（外部表）：与table类似，不过其数据存放位置可以在任意指定路径。
partition（分区）：在hdfs中表现为table目录下的子目录。在 Hive 中，表中的一个 Partition 对应于表下的一个目录，所有的 Partition 的数据都存储在对应的目录中。
bucket（桶）：在hdfs中表现为同一个表目录下根据hash散列之后的多个文件

table和external table的区别

Table 的创建过程和数据加载过程（这两个过程可以在同一个语句中完成），在加载数据的过程中，实际数据会被移动到数据仓库目录中；之后对数据对访问将会直接在数据仓库目录中完成。删除表时，表中的数据和元数据将会被同时删除。


External Table 只有一个过程，加载数据和创建表同时完成（CREATE EXTERNAL TABLE ……LOCATION），实际数据是存储在 LOCATION 后面指定的 HDFS 路径中，并不会移动到数据仓库目录中。当删除一个 External Table 时，仅删除元数据，表中的数据不会真正被删除。