Hive 是建立在 Hadoop 上的数据仓库基础构架。它提供了一系列的工具，可以用来进行数据提取转化加载（ETL），这是一种可以存储、查询和分析存储在 Hadoop 中的大规模数据的机制。Hive 定义了简单的类 SQL 查询语言，称为 QL，它允许熟悉 SQL 的用户查询数据。同时，这个语言也允许熟悉 MapReduce 开发者的开发自定义的 mapper 和 reducer 来处理内建的 mapper 和 reducer 无法完成的复杂的分析工作。

Hive 没有专门的数据格式。 Hive 可以很好的工作在 Thrift 之上，控制分隔符，也允许用户指定数据格式。



Hive 资源

Hive 本身提供了较丰富的文档，以下链接提供了 Hive 的一些基础文档：

FaceBook 镜像（被墙）：[[http://mirror.facebook.com/facebook/hive]]

Wiki 页面：[[http://wiki.apache.org/hadoop/Hive]]

入门指南：[[http://wiki.apache.org/hadoop/Hive/GettingStarted]]

查询语言指南：[[http://wiki.apache.org/hadoop/Hive/HiveQL]]

演示文稿：[[http://wiki.apache.org/hadoop/Hive/Presentations]]

蓝图：[[http://wiki.apache.org/hadoop/Hive/Roadmap]]

hive使用速查手册（HQL）
hive, hql
1： http://wiki.apache.org/hadoop/Hive/LanguageManual
介绍基本的hive SQL （HQL）


2：http://wiki.apache.org/hadoop/Hive/GettingStarted
hive的GettingStarted手册


3： https://svn.apache.org/repos/asf/hadoop/hive/trunk/ql/src/test/
有足够多的HQL例子让你学习滴
4.hive结构剖析：
hive随谈：http://luobeng.blogbus.com/logs/104934611.html

==========================================================

Hive 的下载配置安装

请参考入门指南, 这里给出最基本的提纲:



安装配置 Hadoop。安装配置数据库（mysql 等）。获得 Hive 源码或者可执行代码。wget http://www.apache.org/dist/hadoop/hive/hive-0.5.0/hive-0.5.0-bin.tar.gztar xzf hive-0.5.0-bin.tar.gzcd hive-0.5.0配置 Hive 如何访问数据库，如何访问 Hadoop。运行 Hive。

当看到 Hive 提示符‘Hive>’的时候，恭喜，你可以开始你的 Hive 之旅了。



Hive 体系结构

Hive 的结构如图所示，



在streaming作业中用-file选项运行一个分布式的超大可执行文件（例如，3.6G）时，我得到了一个错误信息“No space left on device”。如何解决？

配置变量stream.tmpdir指定了一个目录，在这个目录下要进行打jar包的操作。stream.tmpdir的默认值是/tmp，你需要将这个值设置为一个有更大空间的目录：

-jobconf stream.tmpdir=/export/bigspace/...

如何设置多个输入目录？

可以使用多个-input选项设置多个输入目录：

hadoop jar hadoop-streaming.jar -input '/user/foo/dir1' -input '/user/foo/dir2'





主要分为以下几个部分：



用户接口，包括 CLI，Client，WUI。元数据存储，通常是存储在关系数据库如 mysql, derby 中。解释器、编译器、优化器、执行器。Hadoop：用 HDFS 进行存储，利用 MapReduce 进行计算。用户接口主要有三个：CLI，Client 和 WUI。其中最常用的是 CLI，Cli 启动的时候，会同时启动一个 Hive 副本。Client 是 Hive 的客户端，用户连接至 Hive Server。在启动 Client 模式的时候，需要指出 Hive Server 所在节点，并且在该节点启动 Hive Server。 WUI 是通过浏览器访问 Hive。Hive 将元数据存储在数据库中，如 mysql、derby。Hive 中的元数据包括表的名字，表的列和分区及其属性，表的属性（是否为外部表等），表的数据所在目录等。解释器、编译器、优化器完成 HQL 查询语句从词法分析、语法分析、编译、优化以及查询计划的生成。生成的查询计划存储在 HDFS 中，并在随后有 MapReduce 调用执行。Hive 的数据存储在 HDFS 中，大部分的查询由 MapReduce 完成（包含 * 的查询，比如 select * from tbl 不会生成 MapRedcue 任务）。Hive 元数据存储

Hive 将元数据存储在 RDBMS 中，有三种模式可以连接到数据库：



Single User Mode： 此模式连接到一个 In-memory 的数据库 Derby，一般用于 Unit Test。Multi User Mode：通过网络连接到一个数据库中，是最经常使用到的模式。Remote Server Mode：用于非 Java 客户端访问元数据库，在服务器端启动一个 MetaStoreServer，客户端利用 Thrift 协议通过 MetaStoreServer 访问元数据库。Hive 的数据存储


首先，Hive 没有专门的数据存储格式，也没有为数据建立索引，用户可以非常自由的组织 Hive 中的表，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。



其次，Hive 中所有的数据都存储在 HDFS 中，Hive 中包含以下数据模型：Table，External Table，Partition，Bucket。



Hive 中的 Table 和数据库中的 Table 在概念上是类似的，每一个 Table 在 Hive 中都有一个相应的目录存储数据。例如，一个表 pvs，它在 HDFS 中的路径为：/wh/pvs，其中，wh 是在 hive-site.xml 中由 ${hive.metastore.warehouse.dir} 指定的数据仓库的目录，所有的 Table 数据（不包括 External Table）都保存在这个目录中。Partition 对应于数据库中的 Partition 列的密集索引，但是 Hive 中 Partition 的组织方式和数据库中的很不相同。在 Hive 中，表中的一个 Partition 对应于表下的一个目录，所有的 Partition 的数据都存储在对应的目录中。例如：pvs 表中包含 ds 和 city 两个 Partition，则对应于 ds = 20090801, ctry = US 的 HDFS 子目录为：/wh/pvs/ds=20090801/ctry=US；对应于 ds = 20090801, ctry = CA 的 HDFS 子目录为；/wh/pvs/ds=20090801/ctry=CABuckets 对指定列计算 hash，根据 hash 值切分数据，目的是为了并行，每一个 Bucket 对应一个文件。将 user 列分散至 32 个 bucket，首先对 user 列的值计算 hash，对应 hash 值为 0 的 HDFS 目录为：/wh/pvs/ds=20090801/ctry=US/part-00000；hash 值为 20 的 HDFS 目录为：/wh/pvs/ds=20090801/ctry=US/part-00020External Table 指向已经在 HDFS 中存在的数据，可以创建 Partition。它和 Table 在元数据的组织上是相同的，而实际数据的存储则有较大的差异。Table 的创建过程和数据加载过程（这两个过程可以在同一个语句中完成），在加载数据的过程中，实际数据会被移动到数据仓库目录中；之后对数