接上一篇文章hbase的基本操作，做进一步深入。细想一下，使用put命令插入数据到hbase，使用get方法从hbase读取数据还是有诸多不方便。显然，NO SQL数据库在某些操作上还是没有支持SQL的数据库更加便捷。那么，是否可以将hbase与什么关联一下，既支持hbase的NO SQL又保留SQL的一些特性？答案是hbase与hive关联可以实现上述需求。
如何关联
关联前，先创建hbase表，而后创hive关联hbase表。这是因为，创hive关联hbase表时候，会检查关联的hbase表是否存在，也会检查hive字段与hbase的列值对应关系是否能成立（简单来说，会检查hbase的列族，列是否存在）。关联表时需注意’hbase.columns.mapping’这个值，此值与hive的字段自上而下一一对应。一般来说，hive的第一行为主键，对应到hbase为”key”。另外一个注意点是’hbase.table.name’后需填写hbase的表名。
create external table test.hbase_test(
key string,
column_1 string,
column_2 string,
column_3 string,
column_4 string,
column_5 string
)
stored by 'org.apache.hadoop.hive.hbase.HBaseStorageHandler' with
serdeproperties('hbase.columns.mapping'=':key,column_family_1:column_1,column_family_1:column_2,column_family_2:column_3,column_family_2:column_4,column_family_3:column_family_3')
tblproperties('hbase.table.name'='hbase_test');以上，创建了一张hive表test.hbase_test并与已创建的hbase表关联hbase_test。
关联表后，hbase的NO SQL操作依旧，具体就不介绍了，参考上一篇文章hbase的基本操作。同时，也具有一些HIVE SQL的特性。比如，插入数据的方式丰富了（需注意，hive表插入数据时，不支持指定字段，故插入时不可指定字段。否则，执行时会报错）：
insert into test.hbase_test values('key_100', 'value100', 'value100', 'value100', 'value100', 'value100');若需插入多条数据：
insert into test.hbase_test values('key_101', 'value101', 'value101', 'value101', 'value101', 'value101'),('key_102', 'value102', 'value102', 'value102', 'value102', 'value102'),('key_103', 'value103', 'value103', 'value103', 'value103', 'value103');
上面插入语句还有另外一种表现形式：
insert into test.hbase_test select 'key_105', 'value105', 'value105', 'value105', 'value105', 'value105' from test.hbase_test;当需要插入多组数据：
insert into test.hbase_test select 'key_106', 'value106', 'value106', 'value106', 'value106', 'value106' from test.hbase_test union all select 'key_107', 'value107', 'value107', 'value107', 'value107', 'value107' from test.hbase_test;
当然，我说明这种插入方式的重点不是让你用这样“蠢”的方法去造数据，其实是为了说明，你可以直接从某张表/某几张表中取相应的字段插入到hive中去，在操作大量的数据时，不论是操作便捷性还是执行效率都会答复提高。
来看一下插入数据后，通过hbase查看，确认数据是否完整 无误：
hbase(main):002:0> scan 'hbase_test'
ROW COLUMN+CELL
key_1 column=column_family_1:column_1, timestamp=1534306889023, value=value1
key_1 column=column_family_1:column_2, timestamp=1534306889072, value=value2
key_100 column=column_family_1:column_1, timestamp=1534339263770, value=value100
key_100 column=column_family_1:column_2, timestamp=1534339263770, value=value100
key_100 column=column_family_2:column_3, timestamp=1534339263770, value=value100
key_100 column=column_family_2:column_4, timestamp=1534339263770, value=value100
key_100 column=column_family_3:column_family_3, timestamp=1534339263770, value=value100
key_101 column=column_family_1:column_1, timestamp=1534339607141, value=value101
key_101 column=column_family_1:column_2, timestamp=1534339607141, value=value101
key_101 column=column_family_2:column_3, timestamp=1534339607141, value=value101
key_101 column=column_family_2:column_4, timestamp=1534339607141, value=value101
key_101 column=column_family_3:column_family_3, timestamp=1534339607141, value=value101
key_102 column=column_family_1:column_1, timestamp=1534339607141, value=value102
key_102 column=column_family_1:column_2, timestamp=1534339607141, value=value102
key_102 column=column_family_2:column_3, timestamp=1534339607141, value=value102
key_102 column=column_family_2:column_4, timestamp=1534339607141, value=value102
key_102 column=column_family_3:column_family_3, timestamp=1534339607141, value=value102
key_103 column=column_family_1:column_1, timestamp=1534339607141, value=value103
key_103 column=column_family_1:column_2, timestamp=1534339607141, value=value103
key_103 column=column_family_2:column_3, timestamp=1534339607141, value=value103
key_103 column=column_family_2:column_4, timestamp=1534339607141, value=value103
key_103 column=column_family_3:column_family_3, timestamp=1534339607141, value=value103
key_105 column=column_family_1:column_1, timestamp=1534340772390, value=value105
key_105 column=column_family_1:column_2, timestamp=1534340772390, value=value105
key_105 column=column_family_2:column_3, timestamp=1534340772390, value=value105
key_105 column=column_family_2:column_4, timestamp=1534340772390, value=value105
key_105 column=column_family_3:column_family_3, timestamp=1534340772390, value=value105
key_106 column=column_family_1:column_1, timestamp=1534340914867, value=value106
key_106 column=column_family_1:column_2, timestamp=1534340914867, value=value106
key_106 column=column_family_2:column_3, timestamp=1534340914867, value=value106
key_106 column=column_family_2:column_4, timestamp=1534340914867, value=value106
key_106 column=column_family_3:column_family_3, timestamp=1534340914867, value=value106
key_107 column=column_family_1:column_1, timestamp=1534340914867, value=value107
key_107 column=column_family_1:column_2, timestamp=1534340914867, value=value107
key_107 column=column_family_2:column_3, timestamp=1534340914867, value=value107
key_107 column=column_family_2:column_4, timestamp=1534340914867, value=value107
key_107 column=column_family_3:column_family_3, timestamp=1534340914867, value=value107
key_2 column=column_family_1:column_1, timestamp=1534306889078, value=value4
key_2 column=column_family_1:column_2, timestamp=1534306889083, value=value5
key_3 column=column_family_1:column_2, timestamp=1534306889093, value=value5
key_4 column=column_family_1:column_1, timestamp=1534306889099, value=value1
key_4 column=column_family_2:column_3, timestamp=1534306889104, value=value3
key_4 column=column_family_3:, timestamp=1534306889116, value=value1
key_5 column=column_family_1:column_1, timestamp=1534306889122, value=value1
key_5 column=column_family_2:column_3, timestamp=1534306889128, value=value4
key_5 column=column_family_3:, timestamp=1534306889144, value=value2
12 row(s) in 0.4970 seconds创建hive表时，可以指定hdfs上的存储路径，而后可以通过hadoop命令，put csv格式的文件至hive表中，此亦不失一种插入数据的方法（在hive相关文章中作详细说明吧）。