先决条件 – Hadoop、计算平台和技术简介
Apache Hive是一个数据仓库和 ETL 工具，它在用户和集成了 Hadoop 的 Hadoop 分布式文件系统 (HDFS) 之间提供类似 SQL 的接口。它建立在 Hadoop 之上。它是一个提供数据查询和分析的软件项目。它有助于读取、写入和处理存储在分布式存储中并通过结构查询语言 (SQL) 语法查询的广泛数据集。它不是为在线事务处理 (OLTP) 工作负载而构建的。它经常用于数据仓库任务，如数据封装、即席查询和大型数据集的分析。它旨在增强可扩展性、可扩展性、性能、容错性和与其输入格式的松耦合。
Hive最初由 Facebook 和亚马逊、Netflix 开发，它提供用于分析的标准 SQL 功能。传统的 SQL 查询是用 MapReduce Java API 编写的，用于对分布式数据执行 SQL 应用程序和 SQL 查询。 Hive提供了可移植性，因为大多数数据仓库应用程序使用基于 SQL 的查询语言（如 NoSQL）运行。
Hive 的组成部分：
- HC目录 –
它是一个Hive组件，是一个表，也是 Hadoop 的存储管理层。它为用户提供了各种数据处理工具，如 Pig 和 MapReduce，可以轻松地在网格上进行读写。 - WebHCat –
它提供了一种服务，用户可以使用该服务来运行 Hadoop MapReduce（或 YARN）、Pig、 Hive任务或具有 HTTP 接口的函数Hive元数据操作。
Hive 的模式：
- 本地模式 –
当Hadoop建立在只有一个数据节点的伪模式下时，当数据规模较小时，仅限于单个本地机器，以及在本地机器上存在的较小数据集上处理速度更快时使用。 - 地图缩小模式 –
它是用来当Hadoop是建有多个数据节点和数据分布在各个节点划分，它会函数的巨大的数据集，是并行地执行查询，并实现在处理大型数据集增强的性能。
Hive的特点：
- 在加载数据之前构建数据库和表。
- 作为数据仓库的Hive仅用于管理和查询位于表下的结构化数据。
- 在处理结构化数据时，MapReduce 缺乏UDF 等优化和可用性函数，而Hive框架具有优化和可用性功能。
- Hadoop 中的编程直接处理文件。因此， Hive可以使用目录结构对数据进行分区，以提高某些查询的性能。
- Hive兼容各种文件格式，包括 TEXTFILE、SEQUENCEFILE、ORC、RCFILE 等。
- Hive在单用户元数据存储中使用 derby 数据库，它为多用户元数据或共享元数据使用 MYSQL。
Hive的特点：
- 它提供索引，包括位图索引以加速查询。从 0.10 开始包含压缩和位图索引的索引类型。
- RDBMS 中的元数据存储减少了查询执行期间函数语义检查的时间。
- 内置用户定义函数 (UDF) 来操作字符串、日期和其他数据挖掘工具。 Hive得到了增强，以扩展 UDF 集以处理未由预定义函数增强的用例。
- DEFLATE、BWT、snappy 等是对存储在 Hadoop 生态系统中的压缩数据进行操作的算法。
- 它将模式存储在数据库中，并将数据处理到 Hadoop 文件分布式文件系统 (HDFS) 中。
- 它是为在线分析处理 (OLAP) 而构建的。
- 它提供了各种类型的查询语言，通常称为Hive查询语言（HVL 或 HiveQL）。