Hive期末总结

hive的概念，谁开发的

Apache Hive 是一个Apache 软件基金会维护的开源项目 Facebook贡献
hive是一个基于hadoop的数据仓库工具（对数据汇总查询和分析的工具）

hive执行原理

Hive通过给用户提供的一系列交互接口，接收到用户的指令(SQL)，使用自己的Driver，结合元数据(MetaStore)，将这些指令翻译成MapReduce，提交到Hadoop中执行，最后，将执行返回的结果输出到用户交互接口。

hive的优势劣势

优点

操作接口采用类SQL语法，提供快速开发的能力（简单、容易上手）。
避免了去写MapReduce，减少开发人员的学习成本。
Hive的执行延迟比较高，因此Hive常用于数据分析，对实时性要求不高的场合。
Hive优势在于处理大数据，对于处理小数据没有优势，因为Hive的执行延迟比较高。
可延展：Hive支持用户自定义函数，用户可以根据自己的需求来实现自己的函数。

缺点

1．Hive的HQL表达能力有限

（1）迭代式算法无法表达

（2）数据挖掘方面不擅长

2．Hive的效率比较低

（1）Hive自动生成的MapReduce作业，通常情况下不够智能化

（2）Hive调优比较困难，粒度较粗

hive的元数据和关系型数据库的关系

hive与关系型数据库的关系主要体现在Hive使用关系型数据库来存储其元数据。

Hive的存储

使用HDFS进行存储，使用MapReduce进行计算。

hive的数据存储格式，元数据和真实数据怎么存的(简单了解)

数据存储格式（TEXTFILE\SEQUENCEFILE\RCFILE\ORCFILE）

Hive中的数据通常存储在Hadoop分布式文件系统（HDFS）或其他分布式文件系统中。Hive表可以配置为不同的存储格式，常见的包括：

文本文件：数据以文本形式存储，每行代表一条记录，字段之间通过特定的分隔符分隔。
SequenceFile：Hadoop提供的一种二进制格式，用于存储键值对，适合于存储大量数据。
ORC（Optimized Row Columnar）：一种高效的列式存储格式，优化了读写性能，支持复杂的数据类型和压缩。
Parquet：另一种列式存储格式，与Hive和Spark等大数据工具兼容，支持压缩和编码优化。

元数据存储

Hive的元数据包括表结构、分区信息、数据类型、表之间的关系等。这些元数据存储在关系型数据库中，例如：

内嵌式元数据存储：Hive可以使用内嵌式的Derby数据库作为元数据存储，适用于开发和测试环境。
外部关系型数据库：在生产环境中，Hive通常使用外部关系型数据库（如MySQL、PostgreSQL）来存储元数据，以提供更好的性能和可扩展性。

真实数据存储

真实数据即Hive表中的数据，它们存储在Hadoop的HDFS或与其他存储系统兼容的文件中。数据可以分布在集群的多个节点上，以实现高可用性和容错性。Hive表可以是：

内部表：数据存储在Hive的数据仓库目录下，当表被删除时，数据也会被删除。
外部表：数据存储在指定的外部位置，即使表被删除，数据也不会被删除。

Metastore服务

Hive的Metastore服务是一个独立的守护进程，负责存储和管理Hive的元数据。客户端通过Metastore服务与元数据交互，而Metastore服务则与底层的关系型数据库进行通信。这种架构允许多个Hive客户端共享同一个元数据存储，同时提高了元数据的安全性和可管理性。

总结来说，Hive的元数据存储在关系型数据库中，而真实数据存储在分布式文件系统（hdfs）中。Hive提供了多种数据存储格式以适应不同的查询和存储需求，并通过Metastore服务来统一管理和访问元数据。

表是怎么构成的，表里面的分区和分桶（列划分）

表由列构成
hive数据存储结构模型：

Database
└── Table
    ├── Partition (optional)
    │   ├── Bucket
    │   │   └── File
    │   │
    │   └── Bucket
    │       └── File
    │
    └── Partition (optional)
        ├── Bucket
        │   └── File
        └── Bucket
            └── File

hive数据类型怎么分

基本数据类型：整数、小数、文本、布尔、二进制、时间
复杂数据类型：数组、映射、结构体、联合体

hive的ddl操作

数据库的：

create database empdb;
show databases;
use empdb;

drop与cate的区别：
drop是删除 cate是清空

建表的分隔符是“|”

怎么加载数据加载到表中

load命令和insert命令
load只直接复制或移动数据 insert执行mapreduce作业插入HIVE表中

元数据存到数据库中的三种模式

单用户模式、多用户模式、远程服务模式

关联查询语句是怎么用的

select * from 要查的表 where 字段名的约束条件

窗口函数是怎么分类的，窗口函数概念（简答？）

分类：排序类、聚合类、分析类、
概念：能够扫描多个输入行计算各输出值，可以为每行数据分别生成一行结果记录。

hive与RDBMS对比表(简答？)

请添加图片描述

hadoop启动时的五个进程

NameNode、Secondary NameNode、DataNode、ResourceManager 、NodeManager

hiveserver

HiveServer 是 Hive 的一个关键组件，它是一个守护进程（Daemon），用于处理来自客户端的查询请求。
元数据访问：HiveServer 通过 Metastore 服务访问 Hive 的元数据，这些元数据包括表结构、分区信息等。

关联查询

内连接（INNER JOIN）
假设有两个表：employees 和 departments，它们通过 department_id 字段关联。

SELECT e.employee_name, d.department_name
FROM employees e
INNER JOIN departments d ON e.department_id = d.department_id;
这个查询将返回所有员工及其对应的部门名称，只包括那些在 departments 表中也有对应 department_id 的员工。

左外连接（LEFT OUTER JOIN）
如果我们要获取所有员工的列表，即使某些员工没有分配到部门，可以使用左外连接：

SELECT e.employee_name, d.department_name
FROM employees e
LEFT OUTER JOIN departments d ON e.department_id = d.department_id;
这个查询将返回所有员工的列表，如果员工没有分配到部门，department_name 将显示为 NULL。

右外连接（RIGHT OUTER JOIN）
右外连接在Hive中不常用，因为Hive目前不支持原生的右外连接。但是，可以通过左外连接和UNION ALL来模拟右外连接的效果：

SELECT e.employee_name, d.department_name
FROM employees e
LEFT OUTER JOIN departments d ON e.department_id = d.department_id
UNION ALL
SELECT e.employee_name, d.department_name
FROM departments d
LEFT OUTER JOIN employees e ON d.department_id = e.department_id
WHERE e.employee_name IS NULL;
这个查询将返回所有部门的列表，即使某些部门没有员工，员工信息将显示为 NULL。

笛卡尔积（CROSS JOIN）
虽然不是典型的关联查询，但笛卡尔积可以用于生成两个表所有可能的组合：

SELECT e.employee_name, d.department_name
FROM employees e
CROSS JOIN departments d;
这个查询将返回所有员工与所有部门的组合，不考虑任何关联条件。

多表连接
有时，你可能需要根据多个表的多个字段进行连接：

SELECT o.order_id, c.customer_name, e.employee_name
FROM orders o
INNER JOIN customers c ON o.customer_id = c.customer_id
INNER JOIN employees e ON o.employee_id = e.employee_id;

联合查询UNION

假设有两个表：table1 和 table2，它们具有相同的列结构。

SELECT column1, column2 FROM table1
UNION
SELECT column1, column2 FROM table2;
这个查询将返回table1和table2中所有不同的行。默认情况下，UNION查询会去除重复的行。

UNION ALL查询
如果需要包含重复的行，可以使用UNION ALL。

SELECT column1, column2 FROM table1
UNION ALL
SELECT column1, column2 FROM table2;

跨多个表的UNION查询
可以跨多个表进行联合查询，只要每个SELECT语句的列数和类型匹配。

SELECT column1, column2 FROM table1
UNION
SELECT column1, column2 FROM table2
UNION
SELECT column1, column2 FROM table3;

数据etl过程与作用（随便记一点）

ETL过程的作用包括：

数据集成:
将来自不同数据源的数据（如关系型数据库、日志文件、NoSQL数据库等）集成到Hadoop生态系统中。

数据清洗:
清洗原始数据，去除错误、重复或不完整的记录，确保数据的质量和一致性。

数据转换:
将数据转换成适合分析的格式，包括数据类型转换、字段重命名、数据聚合等。

数据聚合:
对数据进行汇总和聚合操作，以支持快速查询和报表生成。

数据验证:
验证数据的完整性和准确性，确保ETL过程没有引入错误。

数据优化:
通过分区、桶（Bucketing）和索引等技术优化数据存储，提高查询性能。

数据加载:
将处理后的数据加载到Hive表中，这些表可以用于后续的分析和报告。

数据血缘:
记录数据的来源和转换过程，帮助理解数据的上下文和历史。

数据治理:
应用数据治理策略，包括数据安全、访问控制和合规性。

数据服务:
为业务用户提供数据服务，支持决策制定和运营活动。

在Hive中执行ETL操作通常涉及以下步骤：

使用HiveQL编写ETL脚本。
使用Hive的LOAD语句将数据从外部源加载到HDFS。
使用Hive的SELECT语句进行数据提取和转换。
使用Hive的INSERT语句将转换后的数据加载到目标表。
使用Hive的分区和桶技术优化数据存储。
使用Hive的元数据管理功能来维护数据血缘和治理信息。