Hive 数据仓库

一、关系型数据库

1.什么是关系型数据库？

就像Excel 表格一样，数据存在行（记录）和列（字段）组成的表里，表与表之间还能 “拉关系”（主键、外键）。

• 常见选手：MySQL、Oracle、SQL Server …
• 核心元素：数据库 → 表 → 行/列 → 主键（身份证号）

适合小数据、高一致性

2.关系型数据库的 “瓶颈”

• 读写太猛：网站每秒上万次请求，硬盘 I/O 扛不住
• 海量数据查询慢：一张表上亿条，查询像大海捞针
• 扩展困难：加机器很难，升级要停机，像给飞机换引擎
• 不需要那么严格：发朋友圈晚几秒看到也无所谓，不用实时

大数据时代，传统数据库力不从心

理解：关系型数据库像学校图书馆的卡片柜，找书快，但书太多了就翻不动。而互联网每天产生海量数据（微博、抖音），需要新工具 —— 这就是Hive出场的原因！

二、Hive —— 大象上的数据仓库

1.Hive 是什么？

Hive是搭建在Hadoop（大象）之上的数据仓库工具。它把SQL 语句翻译成MapReduce 任务在集群上跑。

• 简单易上手：写 SQL 就能分析大数据，不用学 Java
• 扩展性强：数据可以存在 HDFS 上，不怕大
• 容错好：某个节点挂了，任务还能继续
• 支持自定义函数：可以自己造轮子

2.Hive 怎么工作？

用户接口（命令行/Web）→Hive 引擎（解析 SQL）→ 生成MapReduce 作业→ 在Hadoop 集群执行

Hive SQL ➜ 翻译官 ➜ MapReduce ➜ 结果返回

优势： 上百行 MR 代码，一行 HQL 搞定！
缺点： 不适合低延迟（秒级响应），擅长批处理（日志分析、离线报表）

比喻：Hive 就像一个“翻译官”，你说英语（SQL），它翻译成 Hadoop 能懂的 MapReduce 方言去干活。你只管写查询，不用管底层怎么跑。

三、 Hive 的数据模型 · 四兄弟

1.内部表 & 外部表

• 内部表：数据存在 Hive 仓库目录，删表时数据和元数据一起删。
• 外部表：数据存在自己指定的 HDFS 路径，删表时只删元数据，数据还在。

创建内部表

CREATE TABLE person (...);

创建外部表

CREATE EXTERNAL TABLE person (...) LOCATION '/hivedb';

2.分区表 & 桶表

• 分区表：按文件夹划分（如按日期 city=‘北京’），查询时只扫描对应文件夹，快！
• 桶表：按哈希分成多个文件（如按 age 分 5 个桶），适合抽样、连接加速。

分区表示例

PARTITIONED BY (city STRING)

桶表示例

CLUSTERED BY (age) INTO 5 BUCKETS

记住：分区 = 按文件夹整理（像课本按单元分），桶 = 把数据打散到几个文件（像把同学按学号分到5个小组）。

四、Hive 部署 & 常用命令

1.部署要点

• 环境：CentOS + Hadoop + MySQL（存元数据）
• 安装：下载 Hive，配置 hive-site.xml（连 MySQL）
• 初始化：schematool -dbType mysql -initSchema
• 启动：命令行输入hive就进入啦

元数据存在 MySQL，可以多人同时用

2.基本命令

• show databases;看所有库
• use mydb;切换库
• show tables;看所有表
• desc formatted table_name;看表结构
• load data local inpath '/path' into table t;加载本地数据
• select * from t limit 10;查前10条

实际操作：创建一个内部表 person_inside，加载一个逗号分隔的 txt 文件，然后查询 — 像在教室里用 SQL 玩数据！

五、HWI 网页界面 & HiveServer2

1.HWI (Web 界面)

• 通过浏览器访问 Hive，不用装客户端
• 查看表结构、执行查询、查看任务状态
• 适合不想敲命令的同学

配置后访问 http://ip:9999/hwi

2.HiveServer2

• 提供JDBC/ODBC接口，让程序（如 Java、Python）连接 Hive
• 支持多用户并发，比 HiveServer1 强大
• 自带Web UI（端口 10002），能看到会话、查询日志

Beeline 连接：!connect jdbc:hive2://...

总结： HWI 是 “浏览器版 Hive”，HiveServer2 是 “服务版 Hive”，让其他程序也能调用它。

六、常用查询 & 多表连接

1.连接（JOIN）

• 内连接：只返回两边都匹配的数据
• 左外连接：左边全保留，右边没匹配就 NULL
• 全外连接：左右全部保留
• 左半连接：相当于 IN 子查询

SELECT * FROM employee JOIN job ON employee.id = job.emp_id;

2.导出 & 排序

• 导出到本地：INSERT OVERWRITE LOCAL DIRECTORY '/tmp' SELECT ...
• 导出到HDFS：INSERT OVERWRITE DIRECTORY '/hivedb' SELECT ...
• 排序：SELECT * FROM t SORT BY age DESC LIMIT 5;取年龄最大的5个
• 模糊查询：SELECT * FROM t WHERE name LIKE '张%';

注意：Hive 的 SQL 和 MySQL 很像，但 Hive 更偏向分析，不支持行级更新、事务，它主打 “一次写入，多次分析”。