1.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。本质是将 SQL 转换为 MapReduce 程序。主要用途：用来做离线数据分析，比直接用 MapReduce 开发效率更高
2.离线项目在使用hive的前后区别
之前用 Hadoop MapReduce 人员学习成本高，MapReduce 实现复杂查询逻辑开发难度太大
之后使用hive：操作接口采用类 SQL 语法，提供快速开发的能力避免了去写 MapReduce，减少开发人员的学习成本功能扩展很方便
3.Hive与hadoop
Hive利用HDFS存储数据，利用MapReduce查询分析数据。使用hive首先在hdfs上要有结构化数据，然后把结构化数据映射成我们hive的表，hive封装了sql语法解析器和mr程序模板库，就可以用hsql生成mr程序操作数据，
4.hive架构：
5.hive组件：用户接口：包括 CLI、JDBC/ODBC、WebGUI。其中，CLI(command lineinterface)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。
6.Hive安装与部署
Hive 安装前需要安装好 JDK 和 Hadoop。配置好环境变量。
根据元数据存储的介质不同，分为下面两个版本，其中 derby 属于内嵌模式。实际生产环境中则使用 mysql 来进行元数据的存储
内置derby版：
解压hive安装包
bin/hive启动即可使用
缺点：不同路径启动hive，每一个hive拥有一套自己的元数据，无法共享
mysql版：
解压、修改配置文件
vi conf/hive-site.xml
配置 Mysql 元数据库信息
7.Hive的使用方式
平时自己学习可以用hive交互shell的方式启动hive：bin/hive
开发模式中是将hive启动为一个服务器，来对外提供服务，操作是通过服务来远程连接的，这种模式的操作是在hive节点服务器操作bin/hiveserver2命令，这是会一直处于等待模式，运行的进程多了一个RunJar，
然后在我们可操作的节点用beeline去连接，
命令：bin/beeline -u jdbc:hive2://(hive节点：端口号) -n root
或者：bin/beeline
! Connect jdbc:hive2://(hive节点：端口号)
这样就可以操作了，而且前提我们配置了源数据的存储数据库（例如mysql）后，在任何节点操作hive，都是操作同一个源数据的hive，不会出现不同节点不同目录操作不同hive源数据的情况。
8.Hive与结构化数据的映射
建立hive数据库与数据表都会在hdfs产生相应的目录（hive/warehouse）我们建立表的时候字段应该与结构化数据的列对应上，并且建表时规定分隔符，最后结构化数据复制到相应的目录（hive/warehouse）就可以完成映射。映射成功以后就可以通过sql来操作分析结构化数据（注意实质底层还是生成了mr程序）。
9.建表语法
CREATE [EXTERNAL] TABLE [IF NOT EXISTS] table_name
[(col_name data_type [COMMENT col_comment], ...)]
[COMMENT table_comment]
[PARTITIONED BY (col_name data_type [COMMENT col_comment], ...)]
[CLUSTERED BY (col_name, col_name, ...)
[SORTED BY (col_name [ASC|DESC], ...)] INTO num_buckets BUCKETS]
[ROW FORMAT row_format]
[STORED AS file_format]
[LOCATION hdfs_path]
9.1CREATE TABLE 创建一个指定名字的表。如果相同名字的表已经存在，则抛出异常；用户可以用 IF NOT EXISTS S 选项来忽略这个异常。
9.2EXTERNAL关键字可以让用户创建一个外部表，在建表的同时指定一个指向实际数据的路径（ LOCATION）。Hive 创建内部表时，会将数据移动到数据仓库指向的路径；若创建外部表，仅记录数据所在的路径，不对数据的位置做任何改变。在删除表的时候，内部表的元数据和数据会被一起删除，而外部表只删除元数据，不删除数据。
9.3LIKE 允许用户复制现有的表结构，但是不复制数据。CREATE [EXTERNAL] TABLE [IF NOT EXISTS] [db_name.]table_name LIKE existing_table;
9.4ROW FORMAT DELIMITED
[FIELDS TERMINATED BY char]
[COLLECTION ITEMS TERMINATED BY char]
[MAP KEYS TERMINATED BY char]
[LINES TERMINATED BY char] | SERDE serde_name
[WITH SERDEPROPERTIES
(property_name=property_value, property_name=property_value,...)]
hive 建表的时候默认的分割符是'\001'，若在建表的时候没有指明分隔符，load 文件的时候文件的分隔符需要是'\001'；若文件分隔符不是'001'，程序不会
报错，但表查询的结果会全部为'null'；
用 vi 编辑器 Ctrl+v 然后 Ctrl+a 即可输入'\001' -----------> ^A
SerDe 是 Serialize/Deserilize 的简称，目的是用于序列化和反序列化。
Hive 读取文件机制：首先调用 InputFormat（默认 TextInputFormat），返回一条一条记录（默认是一行对应一条记录）。然后调用SerDe （默认LazySimpleSerDe）的 Deserializer，将一条记录切分为各个字段（默认'\001'）。
Hive 写文件机制：将 Row 写入文件时，主要调用 OutputFormat、SerDe 的Seriliazer，顺序与读取相反。
可通过 desc formatted 表名；进行相关信息查看。
当我们的数据格式比较特殊的时候，可以自定义 SerDe。
9.5PARTITIONED BY
在 hive Select 查询中一般会扫描整个表内容，会消耗很多时间做没必要的工作。有时候只需要扫描表中关心的一部分数据，因此建表时引入了 partition 分区概念。
分区表指的是在创建表时指定的 partition 的分区空间。一个表可以拥有一个或者多个分区，每个分区以文件夹的形式单独存在表文件夹的目录下。表和列名不区分大小写。分区是以字段的形式在表结构中存在，通过 describe table 命令可以查看到字段存在，但是该字段不存放实际的数据内容，仅仅是分区的表示。
分区表是为了房子查询的时候全表扫描浪费资源与时间。
分区表就是在建表hdfs目录下多了一级或者多级目录，文件夹名字就是分区值。
分区字段在查询的时候会显示出来，但是是虚拟出来用于标识文件的，真实的结构化数据是没有这个字段的。并且分区字段一定不与表中字段重复，一样会出现问题。
9.6CLUSTERED BY INTO num_buckets BUCKETS
对于每一个表（table）或者分，Hive 可以进一步组织成桶，也就是说桶是更为细粒度的数据范围划分。Hive 也是针对某一列进行桶的组织。Hive 采用对列值哈希，然后除以桶的个数求余的方式决定该条记录存放在哪个桶当中。
默认是不开启，需要自己手动设定，分成几桶也是自己设定，分成几桶底层就划分几个reducetask，
分桶的实质是对表中已经存在的字段进行划分，插入语句比较特殊，用insert+select语句。
分桶主要的优点，在多表联查的时候，join查询会根据笛卡尔积原则，当数据量大的时候，就会大大的影响效率，分桶之后，相同字段不同内容分桶就会把这个问题解决
10.Load
我们把结构化数据与表进行映射需要load操作，但是注意如果数据在hdfs上用load是把数据移动到指定的hdfs建表文件夹下，如果是在结构化数据Linux下，我们load操作会复制到指定的hdfs建表文件夹下
但是外部表可以不用移动/复制结构化数据，因为在创建外部表的时候就指定了结构化数据的地址，还不会再删除表的时候仅仅删除对应表数据，不会删除hdfs的文件，所以在实际开发过程中用外部表的情况更多。
11.Insert
Hive 中 insert 主要是结合 select 查询语句使用，将查询结果插入到表中
Insert还可以用来动态分区，多重插入，我们的表分区也可以是动态的，用一个表查询的结果做为另一个表分区的插入，例如：INSERT OVERWRITE TABLE tablename PARTITION (partcol1[=val1], partcol2[=val2] ...)select_statement FROM from_statement
导出表数据，insert可用来导出表的数据到hdfs也可以到出到本地Linux上。
12 hive的自定义函数UDF
Hive自己有一些函数用草操作字段与数据，我们直接调用即可，可网上搜索hive函数，这里不做说明，那么有时hive自带函数不能解决问题的时候就需要我们自定义函数UDF来解决。
自定义函数编程流程：
12.1 新建java maven项目，添加依赖，写一个 java 类，继承UDF，并重载evaluate方法
12.2 打成 jar 包上传到服务器
12.3 将 jar 包添加到 hive 的 classpath 运行命令：hive>add JAR /home/hadoop/udf.jar;
12.4 创建临时函数与开发好的 java class 关联
12.5 即可在 hql 中使用自定义的函数