Hive簡介

1.1  Hive簡介

1.1.1 什麼是Hive

Hive是基於Hadoop的一個數據倉庫工具，能夠將結構化的數據文件映射爲一張數據庫表，並提供類SQL查詢功能。

1.1.2 爲何使用Hive

• 直接使用hadoop所面臨的問題

人員學習成本過高

項目週期要求過短

MapReduce實現複雜查詢邏輯開發難度太大

 

• 爲何要使用Hive

操做接口採用類SQL語法，提供快速開發的能力。

避免了去寫MapReduce，減小開發人員的學習成本。

擴展功能很方便。

1.1.3 Hive的特色

• 可擴展

Hive能夠自由的擴展集羣的規模，通常狀況下不須要重啓服務。

 

• 延展性

Hive支持用戶自定義函數，用戶能夠根據本身的需求來實現本身的函數。

 

• 容錯

良好的容錯性，節點出現問題SQL仍可完成執行。

1.2  Hive架構

1.2.1 架構圖

 

 

Jobtracker是hadoop1.x中的組件，它的功能至關於： Resourcemanager+AppMaster

 

TaskTracker 至關於：  Nodemanager  +  yarnchild

 

 

 

 

1.2.2 基本組成

• 用戶接口：包括 CLI、JDBC/ODBC、WebGUI。
• 元數據存儲：一般是存儲在關係數據庫如 mysql , derby中。
• 解釋器、編譯器、優化器、執行器。
• 用戶接口主要由三個：CLI、JDBC/ODBC和WebGUI。其中，CLI爲shell命令行；JDBC/ODBC是Hive的JAVA實現，與傳統數據庫JDBC相似；WebGUI是經過瀏覽器訪問Hive。
• 元數據存儲：Hive 將元數據存儲在數據庫中。Hive 中的元數據包括表的名字，表的列和分區及其屬性，表的屬性（是否爲外部表等），表的數據所在目錄等。
• 解釋器、編譯器、優化器完成 HQL 查詢語句從詞法分析、語法分析、編譯、優化以及查詢計劃的生成。生成的查詢計劃存儲在 HDFS 中，並在隨後有 MapReduce 調用執行。

1.2.3  各組件的基本功能

1.3 Hive與Hadoop的關係

Hive利用HDFS存儲數據，利用MapReduce查詢數據

 

 

 

 

1.4 Hive與傳統數據庫對比

 

 

 

總結：hive具備sql數據庫的外表，但應用場景徹底不一樣，hive只適合用來作批量數據統計分析

1.5 Hive的數據存儲

一、Hive中全部的數據都存儲在 HDFS 中，沒有專門的數據存儲格式（可支持Text，SequenceFile，ParquetFile，RCFILE等）

二、只須要在建立表的時候告訴 Hive 數據中的列分隔符和行分隔符，Hive 就能夠解析數據。

三、Hive 中包含如下數據模型：DB、Table，External Table，Partition，Bucket。

²  db：在hdfs中表現爲${hive.metastore.warehouse.dir}目錄下一個文件夾

²  table：在hdfs中表現所屬db目錄下一個文件夾

²  external table：與table相似，不過其數據存放位置能夠在任意指定路徑

²  partition：在hdfs中表現爲table目錄下的子目錄

²  bucket：在hdfs中表現爲同一個表目錄下根據hash散列以後的多個文件

 

 

1.6 HIVE的安裝部署

1.6.1 安裝

單機版：

元數據庫mysql版：

 

1.6.2 使用方式

Hive交互shell

bin/hive

 

 

Hive thrift服務

 

 

啓動方式，（假如是在hadoop01上）：

啓動爲前臺：bin/hiveserver2

啓動爲後臺：nohup bin/hiveserver2 1>/var/log/hiveserver.log 2>/var/log/hiveserver.err &

 

啓動成功後，能夠在別的節點上用beeline去鏈接

v  方式（1）

hive/bin/beeline  回車，進入beeline的命令界面

輸入命令鏈接hiveserver2

beeline> !connect jdbc:hive2//mini1:10000

（hadoop01是hiveserver2所啓動的那臺主機名，端口默認是10000）

v  方式（2）

或者啓動就鏈接：

bin/beeline -u jdbc:hive2://mini1:10000 -n hadoop

 

接下來就能夠作正常sql查詢了

 

 

Hive命令

[hadoop@hdp-node-02 ~]$ hive  -e  ‘sql’

 

 

2.   Hive基本操做

2.1  DDL操做

2.1.1    建立表

建表語法

CREATE [EXTERNAL] TABLE [IF NOT EXISTS] table_name

   [(col_name data_type [COMMENT col_comment], ...)]

   [COMMENT table_comment]

   [PARTITIONED BY (col_name data_type [COMMENT col_comment], ...)]

   [CLUSTERED BY (col_name, col_name, ...)

   [SORTED BY (col_name [ASC|DESC], ...)] INTO num_buckets BUCKETS]

   [ROW FORMAT row_format]

   [STORED AS file_format]

   [LOCATION hdfs_path]

 

說明：

一、 CREATE TABLE 建立一個指定名字的表。若是相同名字的表已經存在，則拋出異常；用戶能夠用 IF NOT EXISTS 選項來忽略這個異常。

二、 EXTERNAL關鍵字可讓用戶建立一個外部表，在建表的同時指定一個指向實際數據的路徑（LOCATION），Hive 建立內部表時，會將數據移動到數據倉庫指向的路徑；若建立外部表，僅記錄數據所在的路徑，不對數據的位置作任何改變。在刪除表的時候，內部表的元數據和數據會被一塊兒刪除，而外部表只刪除元數據，不刪除數據。

三、 LIKE 容許用戶複製現有的表結構，可是不復制數據。

四、 ROW FORMAT

DELIMITED [FIELDS TERMINATED BY char] [COLLECTION ITEMS TERMINATED BY char]

        [MAP KEYS TERMINATED BY char] [LINES TERMINATED BY char]

   | SERDE serde_name [WITH SERDEPROPERTIES (property_name=property_value, property_name=property_value, ...)]

用戶在建表的時候能夠自定義 SerDe 或者使用自帶的 SerDe。若是沒有指定 ROW FORMAT 或者 ROW FORMAT DELIMITED，將會使用自帶的 SerDe。在建表的時候，用戶還須要爲表指定列，用戶在指定表的列的同時也會指定自定義的 SerDe，Hive經過 SerDe 肯定表的具體的列的數據。

五、 STORED AS

SEQUENCEFILE|TEXTFILE|RCFILE

若是文件數據是純文本，可使用 STORED AS TEXTFILE。若是數據須要壓縮，使用 STORED AS SEQUENCEFILE。

 

六、CLUSTERED BY

對於每個表（table）或者分區， Hive能夠進一步組織成桶，也就是說桶是更爲細粒度的數據範圍劃分。Hive也是 針對某一列進行桶的組織。Hive採用對列值哈希，而後除以桶的個數求餘的方式決定該條記錄存放在哪一個桶當中。

把表（或者分區）組織成桶（Bucket）有兩個理由：

（1）得到更高的查詢處理效率。桶爲表加上了額外的結構，Hive 在處理有些查詢時能利用這個結構。具體而言，鏈接兩個在（包含鏈接列的）相同列上劃分了桶的表，可使用 Map 端鏈接 （Map-side join）高效的實現。好比JOIN操做。對於JOIN操做兩個表有一個相同的列，若是對這兩個表都進行了桶操做。那麼將保存相同列值的桶進行JOIN操做就能夠，能夠大大較少JOIN的數據量。

（2）使取樣（sampling）更高效。在處理大規模數據集時，在開發和修改查詢的階段，若是能在數據集的一小部分數據上試運行查詢，會帶來不少方便。

 

 

具體實例

一、  建立內部表mytable。

 

 

 

二、  建立外部表pageview。

 

 

 

三、  建立分區表invites。

create table student_p(Sno int,Sname string,Sex string,Sage int,Sdept string) partitioned by(part string) row format delimited fields terminated by ','stored as textfile;

 

 

 

 

四、  建立帶桶的表student。

 

 

2.1.2 修改表

增長/刪除分區

ü  語法結構

ALTER TABLE table_name ADD [IF NOT EXISTS] partition_spec [ LOCATION 'location1' ] partition_spec [ LOCATION 'location2' ] ...

partition_spec:

: PARTITION (partition_col = partition_col_value, partition_col = partiton_col_value, ...)

 

ALTER TABLE table_name DROP partition_spec, partition_spec,...

ü  具體實例

alter table student_p add partition(part='a') partition(part='b');

 

 

 

重命名錶

ü  語法結構

ALTER TABLE table_name RENAME TO new_table_name

ü  具體實例

 

 

增長/更新列

ü  語法結構

ALTER TABLE table_name ADD|REPLACE COLUMNS (col_name data_type [COMMENT col_comment], ...)

 

注：ADD是表明新增一字段，字段位置在全部列後面(partition列前)，REPLACE則是表示替換表中全部字段。

 

ALTER TABLE table_name CHANGE [COLUMN] col_old_name col_new_name column_type [COMMENT col_comment] [FIRST|AFTER column_name]

ü  具體實例

 

 

2.1.3 顯示命令

show tables

show databases

show partitions

show functions

desc extended t_name;

desc formatted table_name;

2.2  DML操做

2.2.1 Load

  語法結構

LOAD DATA [LOCAL] INPATH 'filepath' [OVERWRITE] INTO

TABLE tablename [PARTITION (partcol1=val1, partcol2=val2 ...)]

 

說明：

一、  Load 操做只是單純的複製/移動操做，將數據文件移動到 Hive 表對應的位置。

二、  filepath：

相對路徑，例如：project/data1

絕對路徑，例如：/user/hive/project/data1

包含模式的完整 URI，列如：

hdfs://namenode:9000/user/hive/project/data1

三、  LOCAL關鍵字

若是指定了 LOCAL， load 命令會去查找本地文件系統中的 filepath。

若是沒有指定 LOCAL 關鍵字，則根據inpath中的uri

 

若是指定了 LOCAL，那麼：

load 命令會去查找本地文件系統中的 filepath。若是發現是相對路徑，則路徑會被解釋爲相對於當前用戶的當前路徑。

load 命令會將 filepath中的文件複製到目標文件系統中。目標文件系統由表的位置屬性決定。被複制的數據文件移動到表的數據對應的位置。

 

若是沒有指定 LOCAL 關鍵字，若是 filepath 指向的是一個完整的 URI，hive 會直接使用這個 URI。 不然：若是沒有指定 schema 或者 authority，Hive 會使用在 hadoop 配置文件中定義的 schema 和 authority，fs.default.name 指定了 Namenode 的 URI。

若是路徑不是絕對的，Hive 相對於/user/進行解釋。

Hive 會將 filepath 中指定的文件內容移動到 table （或者 partition）所指定的路徑中。

 

四、  OVERWRITE 關鍵字

若是使用了 OVERWRITE 關鍵字，則目標表（或者分區）中的內容會被刪除，而後再將 filepath 指向的文件/目錄中的內容添加到表/分區中。

若是目標表（分區）已經有一個文件，而且文件名和 filepath 中的文件名衝突，那麼現有的文件會被新文件所替代。

 

  具體實例

一、 加載相對路徑數據。

 

 

 

二、 加載絕對路徑數據。

 

 

 

三、 加載包含模式數據。

 

 

 

四、 OVERWRITE關鍵字使用。

 

 

2.2.2     Insert

  將查詢結果插入Hive表

ü  語法結構

INSERT OVERWRITE TABLE tablename1 [PARTITION (partcol1=val1, partcol2=val2 ...)] select_statement1 FROM from_statement

 

Multiple inserts:

FROM from_statement

INSERT OVERWRITE TABLE tablename1 [PARTITION (partcol1=val1, partcol2=val2 ...)] select_statement1

[INSERT OVERWRITE TABLE tablename2 [PARTITION ...] select_statement2] ...

 

Dynamic partition inserts:

INSERT OVERWRITE TABLE tablename PARTITION (partcol1[=val1], partcol2[=val2] ...) select_statement FROM from_statement

 

ü  具體實例

一、基本模式插入。

 

 

 

 

二、多插入模式。

 

 

 

三、自動分區模式。

 

 

 

v  導出表數據

ü  語法結構

INSERT OVERWRITE [LOCAL] DIRECTORY directory1 SELECT ... FROM ...

 

 

multiple inserts:

FROM from_statement

INSERT OVERWRITE [LOCAL] DIRECTORY directory1 select_statement1

[INSERT OVERWRITE [LOCAL] DIRECTORY directory2 select_statement2] ...

 

ü  具體實例

一、導出文件到本地。

 

 

 

說明：

數據寫入到文件系統時進行文本序列化，且每列用^A來區分，\n爲換行符。用more命令查看時不容易看出分割符，可使用: sed -e 's/\x01/|/g' filename[dht3] 來查看。

 

二、導出數據到HDFS。

 

 

2.2.3     SELECT

  基本的Select操做

ü  語法結構

SELECT [ALL | DISTINCT] select_expr, select_expr, ...

FROM table_reference

[WHERE where_condition]

[GROUP BY col_list [HAVING condition]]

[CLUSTER BY col_list

  | [DISTRIBUTE BY col_list] [SORT BY| ORDER BY col_list]

]

[LIMIT number]

 

注：1、order by 會對輸入作全局排序，所以只有一個reducer，會致使當輸入規模較大時，須要較長的計算時間。

2、sort by不是全局排序，其在數據進入reducer前完成排序。所以，若是用sort by進行排序，而且設置mapred.reduce.tasks>1，則sort by只保證每一個reducer的輸出有序，不保證全局有序。

3、distribute by(字段)根據指定的字段將數據分到不一樣的reducer，且分發算法是hash散列。

4、Cluster by(字段)除了具備Distribute by的功能外，還會對該字段進行排序。

 

 

所以，若是分桶和sort字段是同一個時，此時，cluster by = distribute by + sort by

 

分桶表的做用：最大的做用是用來提升join操做的效率；

（思考這個問題：

select a.id,a.name,b.addr from a join b on a.id = b.id;

若是a表和b表已是分桶表，並且分桶的字段是id字段

作這個join操做時，還須要全表作笛卡爾積嗎？）

 

 

 

 

ü  具體實例

一、獲取年齡大的3個學生。

 

 

 

二、查詢學生信息按年齡，降序排序。

 

 

 

 

 

 

 

三、按學生名稱彙總學生年齡。

 

 

 

 

2.3 Hive Join

  語法結構

join_table:

  table_reference JOIN table_factor [join_condition]

  | table_reference {LEFT|RIGHT|FULL} [OUTER] JOIN table_reference join_condition

  | table_reference LEFT SEMI JOIN table_reference join_condition

Hive 支持等值鏈接（equality joins）、外鏈接（outer joins）和（left/right joins）。Hive 不支持非等值的鏈接，由於非等值鏈接很是難轉化到 map/reduce 任務。

另外，Hive 支持多於 2 個表的鏈接。

寫 join 查詢時，須要注意幾個關鍵點：

1. 只支持等值join

例如：

  SELECT a.* FROM a JOIN b ON (a.id = b.id)

  SELECT a.* FROM a JOIN b

    ON (a.id = b.id AND a.department = b.department)

是正確的，然而:

  SELECT a.* FROM a JOIN b ON (a.id>b.id)

是錯誤的。

 

2. 能夠 join 多於 2 個表。

例如

  SELECT a.val, b.val, c.val FROM a JOIN b

    ON (a.key = b.key1) JOIN c ON (c.key = b.key2)

若是join中多個表的 join key 是同一個，則 join 會被轉化爲單個 map/reduce 任務，例如：

  SELECT a.val, b.val, c.val FROM a JOIN b

    ON (a.key = b.key1) JOIN c

    ON (c.key = b.key1)

被轉化爲單個 map/reduce 任務，由於 join 中只使用了 b.key1 做爲 join key。

SELECT a.val, b.val, c.val FROM a JOIN b ON (a.key = b.key1)

  JOIN c ON (c.key = b.key2)

而這一 join 被轉化爲 2 個 map/reduce 任務。由於 b.key1 用於第一次 join 條件，而 b.key2 用於第二次 join。

  

3．join 時，每次 map/reduce 任務的邏輯：

    reducer 會緩存 join 序列中除了最後一個表的全部表的記錄，再經過最後一個表將結果序列化到文件系統。這一實現有助於在 reduce 端減小內存的使用量。實踐中，應該把最大的那個表寫在最後（不然會由於緩存浪費大量內存）。例如：

 SELECT a.val, b.val, c.val FROM a

    JOIN b ON (a.key = b.key1) JOIN c ON (c.key = b.key1)

全部表都使用同一個 join key（使用 1 次 map/reduce 任務計算）。Reduce 端會緩存 a 表和 b 表的記錄，而後每次取得一個 c 表的記錄就計算一次 join 結果，相似的還有：

  SELECT a.val, b.val, c.val FROM a

    JOIN b ON (a.key = b.key1) JOIN c ON (c.key = b.key2)

這裏用了 2 次 map/reduce 任務。第一次緩存 a 表，用 b 表序列化；第二次緩存第一次 map/reduce 任務的結果，而後用 c 表序列化。

 

4．LEFT，RIGHT 和 FULL OUTER 關鍵字用於處理 join 中空記錄的狀況

例如：

  SELECT a.val, b.val FROM

a LEFT OUTER  JOIN b ON (a.key=b.key)

對應全部 a 表中的記錄都有一條記錄輸出。輸出的結果應該是 a.val, b.val，當 a.key=b.key 時，而當 b.key 中找不到等值的 a.key 記錄時也會輸出:

a.val, NULL

因此 a 表中的全部記錄都被保留了；

「a RIGHT OUTER JOIN b」會保留全部 b 表的記錄。

 

Join 發生在 WHERE 子句以前。若是你想限制 join 的輸出，應該在 WHERE 子句中寫過濾條件——或是在 join 子句中寫。這裏面一個容易混淆的問題是表分區的狀況：

  SELECT a.val, b.val FROM a

  LEFT OUTER JOIN b ON (a.key=b.key)

  WHERE a.ds='2009-07-07' AND b.ds='2009-07-07'

會 join a 表到 b 表（OUTER JOIN），列出 a.val 和 b.val 的記錄。WHERE 從句中可使用其餘列做爲過濾條件。可是，如前所述，若是 b 表中找不到對應 a 表的記錄，b 表的全部列都會列出 NULL，包括 ds 列。也就是說，join 會過濾 b 表中不能找到匹配 a 表 join key 的全部記錄。這樣的話，LEFT OUTER 就使得查詢結果與 WHERE 子句無關了。解決的辦法是在 OUTER JOIN 時使用如下語法：

  SELECT a.val, b.val FROM a LEFT OUTER JOIN b

  ON (a.key=b.key AND

      b.ds='2009-07-07' AND

      a.ds='2009-07-07')

這一查詢的結果是預先在 join 階段過濾過的，因此不會存在上述問題。這一邏輯也能夠應用於 RIGHT 和 FULL 類型的 join 中。

 

Join 是不能交換位置的。不管是 LEFT 仍是 RIGHT join，都是左鏈接的。

  SELECT a.val1, a.val2, b.val, c.val

  FROM a

  JOIN b ON (a.key = b.key)

  LEFT OUTER JOIN c ON (a.key = c.key)

先 join a 表到 b 表，丟棄掉全部 join key 中不匹配的記錄，而後用這一中間結果和 c 表作 join。這一表述有一個不太明顯的問題，就是當一個 key 在 a 表和 c 表都存在，可是 b 表中不存在的時候：整個記錄在第一次 join，即 a JOIN b 的時候都被丟掉了（包括a.val1，a.val2和a.key），而後咱們再和 c 表 join 的時候，若是 c.key 與 a.key 或 b.key 相等，就會獲得這樣的結果：NULL, NULL, NULL, c.val

 

  具體實例

一、  獲取已經分配班級的學生姓名。

 

 

 

二、  獲取還沒有分配班級的學生姓名。

 

 

 

三、  LEFT  SEMI  JOIN是IN/EXISTS的高效實現。

 

 

 

 

3 Hive Shell參數

3.1 Hive命令行

  語法結構

hive [-hiveconf x=y]* [<-i filename>]* [<-f filename>|<-e query-string>] [-S]

說明：

一、  -i 從文件初始化HQL。

二、  -e從命令行執行指定的HQL

三、  -f 執行HQL腳本

四、  -v 輸出執行的HQL語句到控制檯

五、  -p <port> connect to Hive Server on port number

六、  -hiveconf x=y Use this to set hive/hadoop configuration variables.

  具體實例

一、運行一個查詢。

 

 

 

二、運行一個文件。

 

 

 

三、運行參數文件。

 

 

 

 

3.2 Hive參數配置方式

Hive參數大全：

https://cwiki.apache.org/confluence/display/Hive/Configuration+Properties

 

開發Hive應用時，不可避免地須要設定Hive的參數。設定Hive的參數能夠調優HQL代碼的執行效率，或幫助定位問題。然而實踐中常常遇到的一個問題是，爲何設定的參數沒有起做用？這一般是錯誤的設定方式致使的。

 

對於通常參數，有如下三種設定方式：

l  配置文件

l  命令行參數

l  參數聲明

 

配置文件：Hive的配置文件包括

l  用戶自定義配置文件：$HIVE_CONF_DIR/hive-site.xml

l  默認配置文件：$HIVE_CONF_DIR/hive-default.xml

用戶自定義配置會覆蓋默認配置。

另外，Hive也會讀入Hadoop的配置，由於Hive是做爲Hadoop的客戶端啓動的，Hive的配置會覆蓋Hadoop的配置。

配置文件的設定對本機啓動的全部Hive進程都有效。

 

命令行參數：啓動Hive（客戶端或Server方式）時，能夠在命令行添加-hiveconf param=value來設定參數，例如：

bin/hive -hiveconf hive.root.logger=INFO,console

這一設定對本次啓動的Session（對於Server方式啓動，則是全部請求的Sessions）有效。

 

參數聲明：能夠在HQL中使用SET關鍵字設定參數，例如：

set mapred.reduce.tasks=100;

這一設定的做用域也是session級的。

 

上述三種設定方式的優先級依次遞增。即參數聲明覆蓋命令行參數，命令行參數覆蓋配置文件設定。注意某些系統級的參數，例如log4j相關的設定，必須用前兩種方式設定，由於那些參數的讀取在Session創建之前已經完成了。

 

 

 

4. Hive函數

4.1 內置運算符

內容較多，見《Hive官方文檔》

 

4.2 內置函數

內容較多，見《Hive官方文檔》   (好比String 的 length  substring  replace 等)

https://cwiki.apache.org/confluence/display/Hive/LanguageManual+UDF

 

測試各類內置函數的快捷方法：

一、建立一個dual表

create table dual(id string);

二、load一個文件（一行，一個空格）到dual表

三、select substr('angelababy',2,3) from dual;

 

 

 

4.3 Hive自定義函數和Transform

當Hive提供的內置函數沒法知足你的業務處理須要時，此時就能夠考慮使用用戶自定義函數（UDF：user-defined function）。

4.3.1 自定義函數類別

UDF  做用於單個數據行，產生一個數據行做爲輸出。（數學函數，字符串函數）

UDAF（用戶定義彙集函數）：接收多個輸入數據行，併產生一個輸出數據行。（count，max）

 

4.3.2 UDF開發實例

l  簡單UDF示例

一、先開發一個java類，繼承UDF，並重載evaluate方法

package cn.hadoop.bigdata.udf import org.apache.hadoop.hive.ql.exec.UDF; import org.apache.hadoop.io.Text;   public final class Lower extends UDF{     public Text evaluate(final Text s){         if(s==null){return null;}         return new Text(s.toString().toLowerCase());     } }

 

二、打成jar包上傳到服務器

三、將jar包添加到hive的classpath

hive>add JAR /home/hadoop/udf.jar;

四、建立臨時函數與開發好的java class關聯

Hive>create temporary function tolowercase as 'cn.hadoop.bigdata.udf.ToProvince';

 

五、便可在hql中使用自定義的函數tolowercase

Select tolowercase(name) fromt_text;

l  Json數據解析UDF開發

 

 

 

 

4.3.3 Transform實現

Hive的 TRANSFORM 關鍵字提供了在SQL中調用自寫腳本的功能

適合實現Hive中沒有的功能又不想寫UDF的狀況

 

使用示例1：下面這句sql就是借用了weekday_mapper.py對數據進行了處理.

CREATE TABLE u_data_new (   movieid INT,   rating INT,   weekday INT,   userid INT) ROW FORMAT DELIMITED FIELDS TERMINATED BY '\t';   add FILE weekday_mapper.py;   INSERT OVERWRITE TABLE u_data_new SELECT   TRANSFORM (movieid , rate, timestring,uid)   USING 'python weekday_mapper.py'   AS (movieid, rating, weekday,userid) FROM t_rating;

 

其中weekday_mapper.py內容以下

#!/bin/python import sys import datetime   for line in sys.stdin:   line = line.strip()   movieid, rating, unixtime,userid = line.split('\t')   weekday = datetime.datetime.fromtimestamp(float(unixtime)).isoweekday()   print '\t'.join([movieid, rating, str(weekday),userid])

 

 

 

1. 查詢語言。因爲 SQL 被普遍的應用在數據倉庫中，所以，專門針對 Hive 的特性設計了類 SQL 的查詢語言 HQL。熟悉 SQL 開發的開發者能夠很方便的使用 Hive 進行開發。
2. 數據存儲位置。Hive 是創建在 Hadoop 之上的，全部 Hive 的數據都是存儲在 HDFS 中的。而數據庫則能夠將數據保存在塊設備或者本地文件系統中。
3. 數據格式。Hive 中沒有定義專門的數據格式，數據格式能夠由用戶指定，用戶定義數據格式須要指定三個屬性：列分隔符（一般爲空格、」\t」、」\x001″）、行分隔符（」\n」）以及讀取文件數據的方法（Hive 中默認有三個文件格式 TextFile，SequenceFile 以及 RCFile）。因爲在加載數據的過程當中，不須要從用戶數據格式到 Hive 定義的數據格式的轉換，所以，Hive 在加載的過程當中不會對數據自己進行任何修改，而只是將數據內容複製或者移動到相應的 HDFS 目錄中。而在數據庫中，不一樣的數據庫有不一樣的存儲引擎，定義了本身的數據格式。全部數據都會按照必定的組織存儲，所以，數據庫加載數據的過程會比較耗時。
4. 數據更新。因爲 Hive 是針對數據倉庫應用設計的，而數據倉庫的內容是讀多寫少的。所以，Hive 中不支持對數據的改寫和添加，全部的數據都是在加載的時候中肯定好的。而數據庫中的數據一般是須要常常進行修改的，所以可使用 INSERT INTO ...  VALUES 添加數據，使用 UPDATE ... SET 修改數據。
5. 索引。以前已經說過，Hive 在加載數據的過程當中不會對數據進行任何處理，甚至不會對數據進行掃描，所以也沒有對數據中的某些 Key 創建索引。Hive 要訪問數據中知足條件的特定值時，須要暴力掃描整個數據，所以訪問延遲較高。因爲 MapReduce 的引入， Hive 能夠並行訪問數據，所以即便沒有索引，對於大數據量的訪問，Hive 仍然能夠體現出優點。數據庫中，一般會針對一個或者幾個列創建索引，所以對於少許的特定條件的數據的訪問，數據庫能夠有很高的效率，較低的延遲。因爲數據的訪問延遲較高，決定了 Hive 不適合在線數據查詢。
6. 執行。Hive 中大多數查詢的執行是經過 Hadoop 提供的 MapReduce 來實現的，而數據庫一般有本身的執行引擎。
7. 執行延遲。以前提到，Hive 在查詢數據的時候，因爲沒有索引，須要掃描整個表，所以延遲較高。另一個致使 Hive 執行延遲高的因素是 MapReduce 框架。因爲 MapReduce 自己具備較高的延遲，所以在利用 MapReduce 執行 Hive 查詢時，也會有較高的延遲。相對的，數據庫的執行延遲較低。固然，這個低是有條件的，即數據規模較小，當數據規模大到超過數據庫的處理能力的時候，Hive 的並行計算顯然能體現出優點。
8. 可擴展性。因爲 Hive 是創建在 Hadoop 之上的，所以 Hive 的可擴展性是和 Hadoop 的可擴展性是一致的（世界上最大的 Hadoop 集羣在 Yahoo!，2009年的規模在 4000 臺節點左右）。而數據庫因爲 ACID 語義的嚴格限制，擴展行很是有限。目前最早進的並行數據庫 Oracle 在理論上的擴展能力也只有 100 臺左右。
9. 數據規模。因爲 Hive 創建在集羣上並能夠利用 MapReduce 進行並行計算，所以能夠支持很大規模的數據；對應的，數據庫能夠支持的數據規模較小。