1.1.1 hive是什么？
Hive是基于 Hadoop 的一个数据仓库工具：
- hive本身不提供数据存储功能，使用HDFS做数据存储；
- hive也不分布式计算框架，hive的核心工作就是把sql语句翻译成MR程序；
- hive也不提供资源调度系统，也是默认由Hadoop当中YARN集群来调度；
- 可以将结构化的数据映射为一张数据库表，并提供 HQL(Hive SQL)查询功能。
1.1.2 hive和Hadoop关系
Hive利用HDFS存储数据，利用MapReduce查询数据,聚合函数需要经过MapReduce，非聚合函数直接读取hdfs块信息，不通过MapReduce。
1.1.3 hive特点
- 可以将结构化的数据文件映射为一张数据库表（二维表），并提供类SQL查询功能
- 可以将sql语句转换为MapReduce任务进行运行。Hive 将用户的HiveQL 语句通过解释器转换为MapReduce 作业提交到Hadoop 集群上，Hadoop 监控作业执行过程，然后返回作业执行结果给用户。
- Hive 在加载数据过程中不会对数据进行任何的修改，只是将数据移动到HDFS 中Hive 设定的目录下，因此，Hive 不支持对数据的改写和添加，所有的数据都是在加载的时候确定的。
- Hive的适应场景：只适合做海量离线数据的统计分析。
- Hive中所有的数据都存储在 HDFS 中，没有专门的数据存储格式（可支持Text，SequenceFile，ParquetFile，RCFILE等）
- 只需要在创建表的时候告诉 Hive 数据中的列分隔符和行分隔符，Hive 就可以解析数据。
- Hive 中包含以下数据模型：DB、Table，External Table，Partition，Bucket。
1.1.4 hive数据的存储
db：在hdfs中表现为${hive.metastore.warehouse.dir}目录下一个文件夹
table：在hdfs中表现所属db目录下一个文件夹
external table：与table类似，不过其数据存放位置可以在任意指定路径
partition：在hdfs中表现为table目录下的子目录
bucket：在hdfs中表现为同一个表目录下根据hash散列之后的多个文件
1.1.5 Hive 体系结构
1.1.6 hive的架构原理
Driver是核心，Driver可以解析语法，最难的就是解析sql的语法，只要把SQL的语法解析知道怎么做了，它内部用MapReduce模板程序，它很容易把它组装起来，比如做一个join操作，最重要的是识别语法，认识你的语法，知道你语法有什么东西，解析出来会得到一个语法树，根据一些语法树，去找一些MapReduce模板程序，把它组装起来。
例如：有二个表去join，内部有一个优化机制，有一个默认值，如果小表小于默认值，就采用map—join ，如果小表大于默认值，就采用reduce——join（其中map——join是先把小表加载到内存中）,组装时候就是输入一些参数：比如：你的输入数据在哪里，你的表数据的分隔符是什么，你的文件格式是什么：然而这些东西是我们建表的时候就指定了，所以这些都知道了，程序就可以正常的跑起来。
Hive有了Driver之后，还需要借助Metastore，Metastore里边记录了hive中所建的：库，表，分区，分桶的信息，描述信息都在Metastore，如果用了MySQL作为hive的Metastore：需要注意的是：你建的表不是直接建在MySQL里，而是把这个表的描述信息放在了MySQL里，而tables表，字段表是存在HDFS上的hive表上，hive会自动把他的目录规划/usr/hive/warehouse/库文件/库目录/表目录，你的数据就在目录下
1.1.7 内外表
内部表在删除表的时候，会删除元数据和数据；外部表在删除表的时候，只删除元数据，不删除数据
内部表和外部表使用场景：
- 一般情况来说，如果数据只交给hive处理，那么一般直接使用内部表；
- 如果数据需要多个不同的组件进行处理，那么最好用外部表，一个目录的数据需要被spark、hbase等其他组件使用，并且hive也要使用，那么该份数据通过创建一张临时表为外部表，然后通过写HQL语句转换该份数据到hive内部表中
1.1.8 分桶
分桶操作：按照用户创建表时指定的分桶字段进行hash散列，跟MapReduce中的HashPartitioner的原理一模一样。
MapReduce中：按照key的hash值去模除以reductTask的个数；Hive中：按照分桶字段的hash值去模除以分桶的个数
hive分桶操作的效果：把一个文件按照某个特定的字段和桶数散列成多个文件好处：
1、方便抽样；
2、提高join查询效率
1.1.9 Hive分区
做统计的时候少统计，把我们的数据放在多个文件夹里边，我们统计时候，可以指定分区，这样范围就会小一些，这样就减少了运行的时间。
1.1.10 Hive 的所有跟数据相关的概念
db: myhive, table: student 元数据：hivedb
Hive的元数据指的是 myhive 和 student等等的库和表的相关的各种定义信息，该元数据都是存储在mysql中的：
- myhive是hive中的一个数据库的概念，其实就是HDFS上的一个文件夹，跟mysql没有多大的关系；
- myhive是hive中的一个数据库，那么就会在元数据库hivedb当中的DBS表中存储一个记录，这一条记录就是myhive这个hive中数据的相关描述信息。
- hive中创建一个库，就相当于是在hivedb中DBS（数据库）中插入一张表， 并且在HDFS上建立相应的目录—主目录；
- hive中创建一个表，就相当于在hivedb中TBLS（数据库中的表）表中插入一条记录，并且在HDFS上项目的库目录下创建一个子目录；
- 一个hive数据仓库就依赖于一个RDBMS（关系数据库管理系统）中的一个数据库，一个数据库实例对应于一个Hive数据仓库；
- 存储于该hive数据仓库中的所有数据的描述信息，都统统存储在元数据库hivedb中。
- Hive元数据 ：描述和管理这些block信息的数据，由namenode管理，一定指跟 hivedb相关，跟mysql相关；
- Hive源数据-- block块： HDFS