扣丁學堂大資料開發之Hive基礎知識精華講解

今天扣丁學堂老師給大家技術介紹一下關於Hive的一些基礎知識，首先Hive作為資料倉儲，起源於Facebook，工作原理大致可以解釋為：對使用者輸入的HQL語句進行解釋，編譯，最佳化並執行生成查詢計劃，並轉化為MapReduce任務進而執行：直譯器——編譯器——最佳化器——執行器。

　　Hive的後設資料一般儲存在關係型資料庫中，如MySql;

　　底層儲存用到的是HDFS分散式儲存系統。它的優點：1.?簡單易上手：提供了類SQL查詢語言HQL；2.可擴充套件：為超大資料集設計了計算/擴充套件能力（MR作為計算引擎，HDFS作為儲存系統）；3.提供統一的後設資料管理；4.Hive支援使用者自定義函式，使用者可以根據自己的需求來實現自己的函式：繼承hive的UDF類，重寫evaluate方法；5.容錯：良好的容錯性，節點出現問題SQL仍可完成執行；

　　缺點：1.Hive的HQL表達能力有限；2.效率比較低，自動生成的Mapreduce作業，通常情況下不夠智慧化，且調優比較困難；

　　Hive使用者介面

　　1）HiveCLI（HiveCommandLine，Hive命令列），客戶端可以直接在命令列模式下進行操作

　　2）HWI（HiveWebInterface，HiveWeb介面），Hive提供了更直觀的Web介面

　　3）hiveserver，Hive提供了Thrift服務，Thrift客戶端目前支援C++/Java/PHP/Python/Ruby

　　Hive常用檔案格式：

　　Textfile：預設格式，資料不做壓縮，磁碟開銷大，資料解析開銷大；

　　SEQUENCEFILE：SequenceFile是HadoopAPI提供的一種二進位制檔案支援，其具有使用方便、可分割、可壓縮的特點；

　　rcfile：RCFILE是一種行列儲存相結合的儲存方式。首先，其將資料按行分塊，保證同一個record在一個塊上，避免讀一個記錄需要讀取多個block。其次，塊資料列式儲存，有利於資料壓縮和快速的列存取;

　　parquet:ApacheParquet是Hadoop生態圈中一種新型列式儲存格式，它可以相容Hadoop生態圈中大多數計算框架;

　　Hive資料匯入匯出

　　Hive表中的資料，同時支援從本地資料匯入、從其他表匯入資料、匯出資料到本地檔案系統、匯出資料到HDFS中

　　Hive基本語句

　　Hive建表語句基本跟關係型資料庫建表語句相同，區別在於語句尾端指定了列分隔符：

　　ROWFORMATDELIMITEDFIELDSTERMINATEDBY‘,’

　　指定了列分隔符為“，”；

　　對於分割槽表，會有分割槽欄位的說明：

　　PARTITIONEDBY(countrySTRING,stateSTRING)

　　用“country“、”state”兩個欄位分割槽；

　　以及指定儲存檔案的格式：

　　STOREDASTEXTFILE。

　　關於內連線、外連線和半連線：

　　幾種連線區別簡單概括為：內連線只顯示了倆張表都存在的資料，而外連線則是顯示出所有的資料，其中左連線是左外邊的表輸出完整資料。右外連線是右邊的表輸出完整資料，全外連線就是兩張表的所有行全部輸出。做半連線用來補充Hive相對於MySQL等語句缺失的in/exists這樣的子句，就用leftjoin代替，和leftjoin的區別在於右邊的表資料不會載入進結果；

　　orderby和sortby:

　　ORDERBY會對查詢結果集執行一個全域性排序,所有的資料都透過一個reducer進行處理;SORTBY，其只會在每個reducer中對資料進行排序，也就是執行一個區域性排序過程,生產中可以和DISTRIBUTEBY一起用，實現分割槽並排序。

作者：扣丁學堂
連結：