一、ETL介绍：
数据抽取：把不同的数据源数据抓取过来，存到某个地方
数据清洗：过滤那些不符合要求的数据或者修正数据之后再进行抽取
不完整的数据：比如数据里一些应该有的信息缺失，需要补全后再写入数据仓库
错误的数据：比如字符串数据后面有一个回车操作、日期格式不正确、日期越界等，需要修正之后再抽取
重复的数据：重复数据记录的所有字段，需要去重
数据转换：不一致的数据转换，比如同一个供应商在结算系统的编码是XX0001,而在CRM中编码是YY0001，统一编码 实现有多种方法：
1、借助ETL工具(如Oracle的OWB、SQL Server的DTS、SQL Server的SSIS服务、Informatic等等)实现
OWB:Oracle Warehouse Builder
DTS:Data Transformation Service
SSIS:SQL Server Integration Services
2、SQL方式实现
3、ETL工具和SQL相结合-----》间接引出hive
借助工具可以快速的建立起ETL工程，屏蔽了复杂的编码任务，提高了速度，降低了难度，但是缺少灵活性。
SQL的方法优点是灵活，提高ETL运行效率，但是编码复杂，对技术要求比较高。
第三种是综合了前面二种的优点，会极大地提高ETL的开发速度和效率
二、大数据平台架构概述：
数据抽取：Canal/Sqoop（主要解决数据库数据接入问题）、还有大量的数据采用Flume解决方案
数据存储：HDFS（文件存储）、HBase（KV存储）、Kafka（消息缓存）
调度：采用了Yarn的统一调度以及Kubernetes的基于容器的管理和调度的技术
计算分析：MR、HIVE、Storm、Spark、Kylin以及深度学习平台比如Caffe、Tensorflow等等
应用平台：交互分析sql，多维分析：时间、地域等等，
可视化：数据分析tableau，阿里datav、hcharts、echarts
数据应用就是指数据的业务
三、hive概述：
由Facebook开源用于解决海量结构化日志的数据统计，后称为Apache Hive为一个开源项目
结构化数据：数据类型，字段，value---》hive
非结构化数据：比如文本、图片、音频、视频---》会有非关系型数据库存储，或者转换为结构化
结构化日志数据：服务器生成的日志数据,会以空格或者指表符分割的数据,比如：apache、nginx等等
Hive 是一个基于 Hadoop 文件系统之上的数据仓库架构，存储用hdfs，计算用mapreduce
Hive 可以理解为一个工具，不存在主从架构,不需要安装在每台服务器上，只需要安装几台就行了
hive还支持类sql语言，它可以将结构化的数据文件映射为一张数据库表，并提供简单的SQL查询功能
hive有个默认数据库：derby，默认存储元数据---》后期转换成关系型数据库存储mysql
hive的版本：apache-hive-1.2.1 、hive-0.13.1-cdh5.3.6
https://github.com/apache/ 主要查看版本的依赖
下载地址：
apache的：http://archive.apache.org/dist/hive/
cdh的：http://archive.cloudera.com/cdh5/cdh/5/
sql on hadoop的框架：
hive--》披着sql外衣的map-reduce
impala--》查询引擎，适用于交互式的实时处理场景
presto--》分布式的sql查询引擎，适用于实时的数据分析
spark sql
等等。。。。
https://www.cnblogs.com/tgzhu/p/7483422.html
四、Hive的体系结构
client：
命令行 -常用
JDBC
metastore元数据：存储在数据库
默认的数据库derby
改成mysql
元数据：表名，表的所属的数据库，表的拥有者，表的分区信息，表的类型，表数据的存储的位置
cli-》metastore
TBLS-》DBS-》hdfs的路径
Driver：
解析器：解析的HQL语句
编译器：把HQL翻译成mapreduce代码
优化器：优化
执行器：把代码提交给yarn
Hadoop：
使用mapreduce的计算模型
使用hdfs进行存储hive表数据
五、Hive安装及使用
请访问:http://www.cnblogs.com/xningge/p/8433792.html
六、Hive客户端的基础语句：
1、进入到hive的客户端：bin/hive;
2、查看数据库：show databases;
3、创建数据库：create database test;
4、进入到数据库：use test;
5、查看表：show tables;
6、数据类型：
tinyint、smallint、int、bigint -》int
float、double、date
string、vachar、char -》string
7、create table hive_table(
id int,
name string
);
8、加载数据：
load data local inpath ‘/opt/datas/hive_test.txt‘ into table hive_table;
local：指定本地的数据文件存放路径
不加local：指定数据在hdfs的路径
9、查询语句：
select * from hive_table;
10、hive的默认数据分隔符是\001,也就是^A ,分割符 " ", "," ,"\t"等等
如果说数据的分隔符与表的数据分隔符不一致的话，读取数据为null
按下crtl+v然后再按下crtl+a就会出来^A(\001)
create table row_table(
id int,
name string
)ROW FORMAT DELIMITED FIELDS TERMINATED BY " ";
load data local inpath ‘/opt/datas/hive_test.txt‘ into table row_table;
七、hive在hdfs上的文件结构
数据仓库的位置 数据库目录 表目录 表的数据文件
/user/hive/warehouse /test.db /row_table /hive_test.txt
default默认的数据库：指的就是这个/user/hive/warehouse路径
八、修改元数据存储的数据库：
1、用bin/hive同时打开多个客户端会报错
java.sql.SQLException: Another instance of Derby may have already booted the database /opt/modules/apache/hive-1.2.1/metastore_db.
derby数据库默认只能开启一个客户端，这是一个缺陷，换个数据库存储元数据
数据库可选有这几种：derby mssql mysql oracle postgres
一般选择mysql元数据存储
2、安装mysql
查看自己虚拟机有没有mysql的安装包
sudo rpm -qa | grep mysql
卸载：sudo rpm -e --nodeps mysql-libs-5.1.66-2.el6_3.x86_64
卸载完成之后再查看一下，确保卸载完成
安装mysql服务：
sudo yum -y install mysql-server
(如果yum源有问题，那就更换一下yum源即可)
安装完成之后
sudo rpm -qa | grep mysql
mysql-server-5.1.73-8.el6_8.x86_64
mysql-5.1.73-8.el6_8.x86_64
mysql-libs-5.1.73-8.el6_8.x86_64
》查看mysql的服务
chkconfig | grep mysql
》开启mysqld的服务
启动：sudo service mysqld start
设置登陆密码：mysqladmin -u xningge password ‘????‘
设置开机启动：sudo chkconfig mysqld on
进入mysql：
mysql -uxningge -p????
查询用户信息
mysql> select User,Host,Password from user;
设置远程登录权限
mysql> grant all privileges on *.* to ‘xningge‘@‘%‘ identified by ‘????‘ with grant option;
删除用户信息
mysql> delete from user where user=‘root‘ and host=‘127.0.0.1‘;
刷新信息
mysql> flush privileges;
重启mysqld服务
service mysqld restart
退出mysql客户端
qiut+;或者crtl+C
重启mysqld服务
sudo service mysqld restart
可选项：用Windows工具操作linux上的mysql
授权：grant all privileges on *.* to ‘root‘@‘192.168.111.1‘ identified by ‘123456‘ with grant option;
刷新信息
mysql> flush privileges;
3.配置hive-site.xml
1、修改hive-site.xml
https://cwiki.apache.org/confluence/display/Hive/AdminManual+MetastoreAdmin
<property>
<name>javax.jdo.option.ConnectionURL</name>
<value>jdbc:mysql://hadoop01.xningge.com/metastore?createDatabaseIfNotExist=true</value>
</property>
<property>
<name>javax.jdo.option.ConnectionDriverName</name>
<value>com.mysql.jdbc.Driver</value>
</property>
<property>
<name>javax.jdo.option.ConnectionUserName</name>
<value>xningge</value>
</property>
<property>
<name>javax.jdo.option.ConnectionPassword</name>
<value>????</value>
</property>
2、将驱动jar包拷贝到hive的lib目录下
mysql-connector-java-5.1.27-bin.jar
3、完成，可以启动hive bin/hive
4、在mysql的metastore数据库中找到信息
DBS：database 存储的hive数据库的信息
TBLS：table 存储hive表的信息
九、Hive操作命令
1、描述表信息
desc tablename;
desc extended 表名;
desc formatted 表名;
2、修改表名
alter table table_oldname rename to new_table_name;
3、给表增加一个列
alter table new_table add columns(age int);
alter table new_table add columns(sex string comment ‘sex‘);添加注释
4、修改列的名字以及类型
create table test_change(a int,b int,c int);
修改列名 a -> a1
alter table test_change change a a1 int;
a1改a2，数据类型改成String，并且放在b的后面；
alter table test_change change a1 a2 string after b int;
将c改成c1，并放在第一列
alter table test_change change c c1 int first;
5、替换列（不能删除列，但是可以修改和替换，）是全表替换
ALTER TABLE table_name ADD|REPLACE COLUMNS (col_name data_type [COMMENT col_comment], ...)
alter table test_change replace columns(foo int , too string);
6、清除表数据truncate
只清除表数据，元数据信息还是存在的，表的结构已经表还是在的
truncate table row_table;
7、删除表数据drop
drop table row_table;
清除数据，表以及表的结构清除，元数据也清除
8、删除数据库
drop database test_db CASCADE;
删除数据库的信息，如果数据库不为空的话，则要加CASCADE字段
9、查看hive自带的函数： show functions;
desc function when;
desc function extended when; ->查看详细的用法
十、hive的常用配置
1、hive的日志文件log4j：默认是在${java.io.tmpdir}/${user.name}也就是/tmp/hadoop/hive.log
修改 hive-log4j.properties.template 修改为hive-log4j.properties
修改 hive.log.dir=/opt/modules/apache/hive-1.2.1/logs
2、显示数据库和列名，添加配置信息到hive-site.xml
<property>
<name>hive.cli.print.header</name>
<value>true</value>
</property>
<property>
<name>hive.cli.print.current.db</name>
<value>true</value>
</property>
十一、hive常用的linux命令选项
查看帮助信息 bin/hive -help
1、--database指定登陆到哪个database 下面去
bin/hive --database mydb;
2、指定一条sql语句，必须用引号包裹
bin/hive -e ‘show databses‘
bin/hive -e ‘select * from mydb.new_table‘
3、指定写sql语句的文件，执行sql
bin/hive -f hivesql
指定一些较为的sql语句，周期性的执行
4、查看sql语句文件
bin/hive -i hivesql
执行文件的sql语句并进入到hive的客户端
用来初始化一些操作
5、bin/hive -S hivesql
静默模式
6、在当前回话窗口修改参数的属性，临时生效
bin/hive --hiveconf hive.cli.print.header=false;
7、在hive的客户端中使用set修改参数属性(临时生效),以及查看参数的属性
set hive.cli.print.header -》查看参数的属性
set hive.cli.print.header=true; -》修改参数属性
8、常用的shell : ! 和 dfs
-》！ 表示访问的linux本地的文件系统 ->! ls /opt/modules/apache/
-》dfs表示访问的是hdfs的文件系统 -> dfs -ls /;
9、CREATE database_name[LOCATION hdfs_path]
create database hive_test LOCATION "/location";
自定义数据库在hdfs上的路径，把指定/location当成默认的数据库，
所以这边数据库的名字不显示
