2.Apache Hive

Apache Hive概述
Apache Hive是一款建立在Hadoop之上的开源数据仓库系统，可以将存储在Hadoop文件中的结构化、半结构化数据文件映射为一张数据库表，基于表提供了一种类似SQL的查询模型，称为Hivev查询语言（HQL），用于访问和分析存储在Hadoop文件中的大型数据集。

Hive核心是将HQL转换为MapReduce程序，然后将程序提交到Hadoop集群执行。
Hive由Facebook实现并开源。

使用Hive处理数据的好处
操作接口采用类SQL语法，提供快速开发的能力
避免直接写MapReduce，减少开发人员的学习成本
支持自定义函数，功能扩展很方便
背靠Hadoop，擅长存储分析海量数据集

用户专注于编写HQL，Hive将其转换成MapReduce程序完成对数据的分析

1.Apache Hive架构、组件

1.1 组件

用户接口
包括CLI、JDBC/ODBV、WrbGUI

元数据存储
通常是存储在关系数据库如mysql/derby中。

Driver驱动程序
包括语法解析器、计划编译器、优化器、执行器

执行引擎
Hive本身并不直接处理数据文件。而是通过执行引擎处理。当下Hive支持MapReduce、Tez、Spark3三种执行引擎

1.2 Hive数据模型

Data Model概念
数据模型：用来秒数数据、组织数据和对数据进行操作，是对现实世界数据特征的描述
Hive的数据模型类似于RDBMS库表结构，此外还有自己特有模型
Hive中的数据可以在粒度级别上分为三类：表、分区、分桶

数据库
Hive的数据都是存储在HDFS上的，默认有一个根目录，在hive-site.xml中，由参数hive.metastore.warehouse.dir指定。默认值为/user/hive/warehouse

Hive和MySQL对比

	Apache Hive	Mysql
定位	数据仓库	数据库
使用场景	HQL	SQL
数据存储	HDFS	Local FS
执行引擎	MR。Tez、Spark	Excutor
执行延迟	高	低
处理数据规模	大	小
常见操作	导入数据、查询	增删改查

1.3 元数据

Hive Metadata
元数据就是描述数据的数据。
Hive元数据就是表和文件之间的各种对应关系
Hive元数据存储在关系型数据库中。如hive内置的Derby、或者第三方如MySQL等。

Hive Metastore
Metastore即元数据服务。Metastore服务的作用是管理metadata元数据，对外暴露服务地址，让各种客户端通过链接metastore服务，由metastore再去连接MySQL再去连接MySQL数据库来存取元数据。

metastore配置方式
metastore服务配置有3中模式：内嵌模式、本地模式、远程模式（推荐）

	内嵌模式	地址模式	远程模式
Metastore单独配置、启动	否	否	是
Metadata存储介质	Derby	Mysql	Mysql

1.4 Hive部署实战（未操作）

安装前准备

服务器基础环境：集群时间同步、防火墙关闭、主机Host映射、免密登录、JDK安装
Hadoop集权健康可用：启动Hive之前必须先启动Hadoop集群。特别要注意，徐等待HDFS安全模式关闭之后在运行Hive

Hadoop与Hive整合
因为Hive需要把数据存储在HDFS上，并且通过MapReduce作为执行引擎处理数据
因此需要在Hadoop中添加相关配置属性，以满足Hive在Hadoop上运行
修改Hadoop中core-site.xml，并且hadoop集群同步配置文件，重启生效

<!-- 整合hive -->
<property>
    <name>hadoop.proxyuser.root.hosts</name>
    <value>*</value>
</property>
<property>
    <name>hadoop.proxyuser.root.groups</name>
    <value>*</value>
</property>

内嵌模式
内嵌模式特征：不需要安装数据库，不需要配置启动Metastore服务，解压安装包初始化即可测试Hive

本地模式
本地模式特征：需要安装数据库MySQL来存储元数据，但是不需要配置启动Metastore服务。

远程模式
特点：需要安装MySQL来存储Hive元数据，需要单独配置启动Metastore服务

1.5 Hive命令行客户端

bin/hive、bin/beeline
第一代： $HIVE_HOME/bin/hive，不推荐使用第二代：$ HIVE_HOME/bin/beeline，官方推荐使用，更安全

Beeline在嵌入式和全程模式下均可工作
在嵌入式模式下，它运行嵌入式Hive；远程模式下beeline通过Thrift连接到单独的HiveServer2服务上。

HiveServer、HiveServer2都是Hive自带的两种服务，允许客户端在不启动CLI（命令行）的情况下对Hive中的数据进行操作，且两个都允许远程客户端使用多种编程语言如java，python项hive提交请求，取回结果。
HiveServer已经废弃，HiveServer2支持多客户端的并发和身份认证，旨在未开放API客户端如JDBC/ODBC提供更好的支持。

关系梳理

Bin/hive客户端使用只需启动Metastore，而使用bin/beeline启动HiveServer2之前必须先启动metastore

1.6 Hive初体验

Hive使用和MySQL的差别

Hive SQL语法和标准SQL很类似，使得学习成本降低不少
Hive底层是通过MapReduce执行的数据插入动作，所以速度很慢
如果大数据集一条一条插入的话非常不显示的，成本极高
Hive应该具有自己特有的数据插入方式，结构化文件映射成表

Hive将结构话数据映射成为表
在Hive中创建表跟结构化文件映射成功，需要注意以下几个问题：

创建表时，字段顺序、字段类型要和文件中保持一致
如果类型不一致，hive会尝试转换，但时不保证转换成功。不成功显示null
文件好像要放置在Hive表对应的HDFS目录，值得探讨
建表时好像要根据文件内容指定分隔符，值得探讨
上述问题都是Hive的各个知识点，有待于我们接下来不断深入学习

使用Hive进行小数据分析

Hive底层的确是通过MapReduce执行引擎来处理数据的
执行完一个MapReduce程序需要的时间不短
如果是小数据集，使用hive进行分析将得不偿失，延迟很高
如果是大数据集，使用hive进行分析，底层MapReduce分布式计算很爽