大数据之hive

一、hive基本概念

1、hive介绍

hive是hadoop的一个数据仓库工具，用来解决海量结构化日志的数据统计工具，可以将结构化数据文件映射为一张表，并提供查询功能。

hive的本质是将HQL语句转化为MapReduce的程序来进行计算查询服务。其中hive处理后的数据存储在HDFS，也可以加载到本地。

Hive 通过给用户提供的一系列交互接口，接收到用户的指令(SQL)，使用自己的 Driver， 结合元数据(MetaStore)，将这些指令翻译成 MapReduce，提交到 Hadoop 中执行，最后，将 执行返回的结果输出到用户交互接口。

hive优点：操作接口采用类 SQL 语法，提供快速开发的能力（简单、容易上手）。

避免了去写 MapReduce，减少开发人员的学习成本。

Hive 的执行延迟比较高，因此 Hive 常用于数据分析，对实时性要求不高的场合。

Hive 优势在于处理大数据，对于处理小数据没有优势，因为 Hive 的执行延迟比较 高。

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。

缺点：调优比较困难，自动生成的MapReduce作业不够灵活。

2、hive架构

其中，Metastore是hive表的元数据（记录hive表的基本信息），包括表名，列/分区字段，表所属的数据库，表的类型（是否是外部表），表数据所在的目录。

默认存储在自带的 derby 数据库中，推荐使用 MySQL 存储 Metastore（后续还有mysql的安装部署）。

3、hive数据仓库和数据库比较

由于 Hive 采用了类似 SQL 的查询语言 HQL(Hive Query Language)，因此很容易将 Hive 理解为数据库。其实从结构上来看，Hive 和数据库除了拥有类似的查询语言，再无类似之处。 本文将从多个方面来阐述 Hive 和数据库的差异。数据库可以用在 Online 的应用中，但是 Hive 是为数据仓库而设计的，清楚这一点，有助于从应用角度理解 Hive 的特性。

1）数据更新

       由于 Hive 是针对数据仓库应用设计的，而数据仓库的内容是读多写少的。因此，Hive 中不建议对数据的改写，所有的数据都是在加载的时候确定好的。而数据库中的数据通常是需要经常进行修改的，因此可以使用 INSERT INTO … VALUES 添加数据，使用 UPDATE … SET 修 改数据。 

2） 执行延迟

        Hive 在查询数据的时候，由于没有索引，需要扫描整个表，因此延迟较高。另外一个导 致 Hive 执行延迟高的因素是 MapReduce 框架。由于 MapReduce 本身具有较高的延迟，因此 在利用 MapReduce 执行 Hive 查询时，也会有较高的延迟。

        数据库的执行延迟较低。 当然，这个低是有条件的，即数据规模较小，当数据规模大到超过数据库的处理能力的时候， Hive 的并行计算显然能体现出优势（reduce并行计算）。

3）数据规模

        由于 Hive 建立在集群上并可以利用 MapReduce 进行并行计算，因此可以支持很大规模 的数据；对应的，数据库可以支持的数据规模较小。

二、hive安装部署和参数配置

1、安装部署

1）资源下载

资源地址：链接：https://pan.baidu.com/s/1Ky73VlrQaZvBRGhK0UlaAQ
提取码：6ip1

2）安装部署

·将安装文件上传并解压到Linux的目录下，接着修改/etc/profile.d/my_env.sh中添加环境变量，添加内容：

#HIVE_HOME
export HIVE_HOME=/opt/module/hive
export PATH=$PATH:$HIVE_HOME/bin

初始化元数据库（此时使用的仍然是derby默认数据库，后续会将此修改为mysql数据库）

bin/schematool -dbType derby -initSchema

 3）启动hive