Hive数仓操作（一）

Hive 介绍

Hive 是一个基于 Hadoop 的数据仓库工具，旨在简化大规模数据集的管理和分析。它将结构化数据文件映射为表，并提供类似 SQL 的查询功能。Hive 的数据存储在 Hadoop 分布式文件系统（HDFS）中，使用 Hive 查询语言（HQL）进行数据处理。

1. Hive 的本质： HQL转化为MapReduce

1. 数据存储：Hive 的数据存储在 HDFS 中。
2. 底层实现：Hive 通过 MapReduce 框架处理数据，适合大数据量的分析任务。
3. 执行延迟：Hive 的执行延迟较高，适合于对实时性要求不高的数据分析场景。

2. Hive 的优点

1. 简单易用：采用类 SQL 语法，快速开发能力强。
2. 低学习成本：避免手动编写 MapReduce 程序，减少开发人员的学习成本。
3. 大数据处理：优势在于处理大规模数据，对于小数据量没有明显优势。
4. 自定义扩展：支持用户自定义函数，能够满足特定需求。

3. Hive 和关系型数据库的比较

尽管 Hive 采用了类似 SQL 的查询语言 HQL，使得它在表面上看起来像一个数据库，但实际上，Hive 和数据库除了拥有类似的查询语言，再无类似之处，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工具。

1. 查询语言：Hive 提供了针对其特性设计的类 SQL 查询语言 HQL，熟悉 SQL 的开发者可以快速上手。

2. 数据存储位置：Hive 的数据都存储在 HDFS 中，而关系型数据库则可以保存在本地文件系统或块设备中。

3. 数据更新：Hive 主要用于读多写少的场景，不建议频繁更新数据，而关系型数据库的设计则支持频繁的 CRUD 操作。

4. 索引：Hive 在数据加载过程中不会自动创建索引，因此查询时可能需要全表扫描，这会导致较高的延迟。相对而言，关系型数据库通常会为重要字段创建索引，查询效率较高。

5. 执行：Hive 查询通过 Hadoop 的 MapReduce 来实现，而关系型数据库则通常有自己的执行引擎，处理速度更快。

6. 执行延迟：由于缺乏索引和使用 MapReduce，Hive 的查询延迟较高，因此不适合在线实时查询。

7. 可扩展性：Hive 的可扩展性与 Hadoop 一致，能够在集群上水平扩展，支持大规模数据的处理。而传统关系型数据库在 ACID 语义的严格限制下，扩展性相对有限。

8. 数据规模：Hive 利用 MapReduce 进行并行计算，能够支持 PB/TB 级别的数据规模。相比之下，关系型数据库的处理能力通常较小，适合 GB 级别的数据。

9. 应用场景：Hive 是为数据仓库设计的，适用于数据分析和批处理，而关系型数据库更适合在线事务处理（OLTP）和实时数据查询。

4. Hive 的元数据存储

元数据是描述数据的数据，Hive 需要有一个地方来存储元数据，它包括以下内容：

• 数据库的名称
• 表的名称
• 表的列名
• 表的类型
• 列的类型
• 表的数据在 HDFS 上的位置

为了管理这些元数据，Hive 一般使用 关系型数据库如MySQL 作为存储后端。

相关操作

1. 登录 MySQL 数据库

在命令行中使用以下命令登录到 MySQL：

mysql -h 127.0.0.1 -u root -p123456

这里，-h 指定主机地址，-u 指定用户名，-p 后跟密码。

2. 查看 MySQL 中的数据库

登录后，可以显示 MySQL 中现有的数据库：

SHOW DATABASES;

会看到多个数据库，其中有一个名为 hive 的数据库，用来存储 Hive 的元数据。

3. 切换到 Hive 数据库

使用以下命令切换到 hive 数据库：

USE hive;