一直想抽個時間整理下最近的所學，斷斷續續接觸hive也有半個多月了，大體上了解了很多Hive相關的知識。那么，一般對陌生事物的認知都會經歷下面幾個階段：
- 為什么會出現？解決了什么問題？
- 如何搭建？如何使用？
- 如何精通？
我會在本篇粗略的介紹下前兩個問題，然后給一些相關的資料。第三個問題，就得慢慢靠實踐和時間積累了。
如果有什么問題，可以直接留言！
為什么出現？解決了什么問題？
背景
說到這個問題，還得先說個小故事，在很久很久以前....
有一個叫facebook的賊有名的公司，他們內部搭建了數據倉庫（你可以理解成把一大堆數據放到一個地方，然后做報表給老板看！），是基於mysql的。后來隨着數據量的不斷增加，這種傳統的數據庫扛不住了...於是經過一系列的折騰換到了hadoop上（hadoop是個大數據體系，用的是里面的hdfs，做存儲的。你可以理解成搞一堆破爛機器湊成個集群，然后存儲超級多的數據）。
問題來了！
以前基於數據庫的數據倉庫用sql就能做查詢，現在換到hdfs上面，得跑Mapreduce任務去做分析，這樣以前做分析的人還得學mapreduce，好難呀！
於是...他們就開發了一套框架就是用sql來做hdfs的查詢（用戶輸入的是sql,框架內部把sql轉成mapreduce的任務，然后再去跑分析）。
於是，Hive誕生了...看看上面同樣是wordcount，mapreduce和hive的區別，能看到效果了吧。
解決的問題
Hive基於類似SQL的語言完成對hdfs數據的查詢分析。
那么它到底做了什么呢？
- 1 它支持各種命令，比如dfs的命令、腳本的執行
- 2 如果你輸入的是sql，它會交給一個叫做Driver的東東，去編譯解析。
- 3 把編譯出來的東西交給hadoop去跑...然后返回查詢結果。
說了這么多，其實你就可以把hive理解成搭建在hadoop(hdfs和mapreduce)之上的語言殼子...
如何搭建？如何使用？
搭建的可以參考這篇，感覺已經寫的很詳細了。
學習如何使用Hive還是個很重要的部分的！這里就不詳細的說了，都舉個小例子，具體的還是去擼官網吧！
創建
在Hive里面創建表和在普通的數據庫中創建表示類似的，都是先創建（或者使用默認的）數據庫，然后創建表。
create database xxx; -- 創建數據庫
use xxx; --使用數據庫
create table student(id string,name string,age int); --創建表
導入導出數據
數據的導入最常用的就是從hdfs的文件導入或者本地文件導入，也可以從某個查詢結果直接創建或者導入。
Hive還支持把查詢結果導出到文件...
查詢
最普通的查詢，就是select from句式了，Hive還是做得比較通用的
--普通查詢
select * from xxx;
--帶條件的查詢
select * from xxx where age>30;
--限制返回列
select name,age from xxx;
--內連接
select a.*,b.* from tablea a join tableb b on a.id=b.sid;
--左連接
select * from a left outer join b on a.id=b.sid;
--右連接
select * from a right outer join b on a.id=b.sid;
函數
Hive支持一大堆的函數，比如普通的函數UDF：
floor、ceil、rand、cast等等
還支持聚合類型的函數UDAF：
count、avg、min、max、sum
還支持生成多行的函數。
更厲害的是，支持自定義擴展~~ 比如你們公司有個mapreduce的專家，可以封裝很多的函數，然后別的會sql的分析人員，就可以使用這些函數做數據倉庫的分析了。
存儲
首先需要說明的是，Hive在存儲的時候是不做任何處理的。不像是數據庫，存進去的數據要先進行特定的解析，比如解析成一個一個的字段，然后挨個存儲。每個數據庫的存儲引擎不同，解析的方式就不太一樣。
在Hive中的數據都是存儲在hdfs中的，如果沒有特殊的聲明，會以文本的形式存儲，即不會再存儲前做任何操作。簡直就相當於是原封不動的拷貝。當你執行查詢的時候，會按照預先指定的解析規則解析，然后返回。
舉個例子更好理解點：
你的文件：
1,a
2,b
3,c
那么創建表的時候會這樣：
create table xxx(a string,b string) row format delimited fields terminated by ',';
這個fields terminated by ','就聲明了字段按照逗號進行分割。
那么當hive執行查詢的時候，就會遍歷文件，遇到逗號就分隔成一個字段~最后把結果返回。
畢竟hdfs還是按照塊來存儲數據的....這也是為什么Hive不支持局部的修改和刪除，只能整體的覆蓋、刪除。
除了前面說的文本格式（TextFile），Hive還支持SequenceFile、RCFile，各有各的優勢。sequenceFile相當於把數據切分了，然后可以局部的記錄或者塊進行壓縮。RCFile則是列式存儲，這樣可以提高壓縮比；還可以在查詢的時候跳過不必要的列。
分區
在Hive中數據庫和表其實都是hdfs中的一個目錄，比如你的a數據庫下的表b，存儲的路徑是這樣的:
/user/hive/warehouse/a.db/b
后面兩個部分a.db/b是很關鍵的，即“數據庫名.db/表名”
在Hive還支持分區的概念。即按照某個特定的字段，對表進行划分。通常這個字段都是虛擬的，比如時間....
create table aa(a string,b string) partitioned by(c string);
這樣就創建了分區表，如果c字段有"aaa"和"bbb"兩個值，最終的目錄就是醬嬸的！
/user/hive/warehouse/a.db/b/c=aaa
/user/hive/warehouse/a.db/b/c=bbb
注意都是目錄哦！真正的文件在這些目錄下面。
由於都是目錄，就很好理解，為什么分區查詢會快了！因為在hive中所有的查詢，基本都相當於是全表的掃描，因此要是能通過分區字段進行過濾，那么可以跳過很多不必要的文件了。
在Hive中支持靜態分區（即你導數據的時候指定分區字段的值）、動態分區（按照字段的值來定分區的名稱）。需要注意的是，動態分區會有很多潛在的風險，比如太多了！所以一定要合理規划你的表存儲的設計。
索引
在hive0.7.0+的版本中，也是支持索引的。比如：
CREATE INDEX table02_index ON TABLE table02 (column3) AS 'COMPACT' WITH DEFERRED REBUILD;
CREATE INDEX table03_index ON TABLE table03 (column4) AS 'BITMAP' WITH DEFERRED REBUILD;
你也可以自定義索引的實現類，只要替換AS ''里面的東西，變成自己的包名類名就行。
不過一樣的，添加索引雖然會加快索引。可是也意味着增加了存儲的負擔...所以自己衡量吧！
資源共享
安利個論壇，自願傳播的東西才是好東西——about雲，加里面的群，每天都有精華分享。
無論是學習什么，官方文檔總是最好的材料。
另外推薦一本書，反正也沒其他的書可以看——《Hive編程指南》