Editor's Notes #3: Hive是蜂巢，hadoop是大象，所以hive的形象是一只有大象脑袋的蜜蜂。
Hive是。。。。。。（此处省略2千字，可以自行去http://baike./subview/699292/10164173.htm查看）。
Hive相当于一个转换器，将sql转换为map-reduce，之后的事情就靠hadoop的mapreduce和hdfs了。
Hive使用简单，在linux下输入hive，就可以使用。当然，你要等一等。
蜜蜂本来应该是勤劳的，为什么说hive是懒的呢？我们是有理由的。#4: 传统的数据库，在把数据放入的时候，会将数据进行处理，比如数据校验，比如数据组织为某种结构。
读时模式，是说hive不对数据进行任何预先的处理，到需要读取的时候才会去处理。所以，一般把一个文件导入到hive中是很快的，但这并没有什么用。
hive将导入的一个文本文件保存为文本文件，不会附带任何的表的信息，数据的结构。
文件导入到hive中，hive所做的，不过是把文件拷贝到hdfs里面去而已（一般是放在 /user/hive/warehourse/dbname.db/tablename 这个目录下面），文件不加任何修改，load多个文件，就拷贝多个文件。所以，建个表，可以将任何的文件导进去。
hive不对文件做任何处理，那它是怎么识别数据的呢？如何分隔数据？分隔数据这个是在建表的时候做的。所以，建表必须跟文件格式对应，导致一个表只能导入一种格式的文件。识别数据这个是在具体使用的时候做的，可能导入的文件有10列，但是由于分隔符没设置好，导致表只有一列有数据，其他9列没识别，都为NULL。
hive很懒，甚至懒得给文件重命名。如果你导入的文件跟之前的同名，对不起，之前的文件会被覆盖，数据也没有了。
如果从别的表select出来插入的，操作一次，会有一个0000_0之类的文件产生，再操作一下，会增加新的这类文件。
内部表，外部表其实没什么很大区别，外部表load文件时候，会将文件迁移，外部表也是可以insert select的。
#5: 修改一个连续存放的文件，难度是很高的，而且hdsf也不让修改文件。一般做法都是直接重新开一个文件，读文件，修改后写到新文件去。
而hive存放数据都是用连续存放的，而且是存放在hdfs里面，那么它是如何去update或者delete了？
hive给出的答案很简单：不支持delete，update等对数据的修改。
如果你要删掉id为10的数据，怎么办？用like创建个新表，然后 insert into table 新表 select * FROM 旧表 where id!=10 来搞定。
不支持唯一性，不用想着怎么建个唯一索引，或者搞个主键。有一个overwrite，比如insert overwrite table abc，或者load overwrite等的用法，这个用法很多博客说是会去重，我试了一下，简单暴力，将旧的数据全部干掉（外部表的也干掉），只留下新插入的数据。
当然，hive也不是个老顽固，它支持一些修改，比如表结构的修改，而且很快，不过这并没有什么用，hive修改表结构又不会去碰数据。#6: 数据多了，分区是一个很自然的解决方法。比如mysql就支持分区，不同分区甚至可以放不同的硬盘上。
作为大数据，hive理所当然的支持分区。不过，记住一点，hive后面是文件，那它的分区怎么做的呢？so easy，一个分区搞一个目录，如果按照两个字段分区，则会有两层目录。Mysql可以对分区字段做处理，比如hash等，hive不管。
一个数据进来，如何判断它是哪个分区的呢？load一个文件的时候，需要指定它是哪一个分区的。由于它只是拷贝文件，那么它不会将文件查分放到几个目录下面，所以不能把一个文件load到不同的分区。
分区后，每次导入数据，都必须指定分区，否则出错。
insert select的方式导入的数据，可以指定分区为select出来的某一字段或多个字段，这称为动态分区。分区不用预先创建，hive会自动创建。这样也带来一些问题，可能会创建太多目录，零碎的。所以分区要设计好，hdfs还是喜欢大文件。
分区字段不会放在数据文件中，这点比较好，毕竟都是一样的。select * 是带有分区字段的。#7: hive不是做实时，在线的，做离线的，一般是扫描大量的数据，所以一般不搞索引。
不过太懒也不好，所以，hive是可以搞索引的。创建语句为：create index user_index on table user(id) as 'org.apache.hadoop.hive.ql.index.compact.CompactIndexHandler' with deferred rebuild IN TABLE user_index_table;
hive的数据文件是文本的，索引，也是个文本的，你可以cat一下看看。里面放的是索引项，文件，偏移位置，3列。
建索引的语句中的deferred rebuild，是说推后建立索引。意思是，虽然你说要建索引，但是你要发出请求，说要建，我才建。加多了数据，索引不会自动更新，要人工重建。而且这个重建是全部的重建，不是增量的。#8: hive这么懒，怎么在大数据这个江湖混？
hive其实也有一颗上进的心。
前面提到的，hive把数据用文本文件保存，这个其实是有别的方案的。hive有三种存储格式：TextFile，SequenceFile，RCFile。最原始的TextFile也是可以选择压缩的，一般用snappy比较好，虽然解压会慢，但是极大降低了硬盘的IO。SequenceFile是hdfs的一种文件格式，比较方便程序进行读取。RCFile是hive的一种格式，按列存储，更好压缩，但如果是select *模式，会比SequenceFile慢。但是，只有未压缩的TextFile才可以直接进行文件的load，其他格式的，一般是用insert select的方法添加数据。
Hive提供了Array，Map，Struct三种数据结构，有点NoSQL的意思。很多时候，我们用NoSQL，就是因为SQL不能存放数组，导致数据的膨胀。
Hive在Hadoop生态中是最平易近人的，一堆的人都号称自己用Hadoop，一问，就用了Hive。因为Hive跟MySQL的语法基本是一样的，mysql你怎么用，hive也就怎么用。
Hive对文件容错性高，一些行的数据不符合规范都可以继续，hive会用null去填充。这样，hive可以用于数据清洗等，先把一个原始的文件load进来，通过insert select的方法，导到一个压缩表里面去，导的时候，select加上where，把一些不符合的东西去掉。
Hive是把SQL转化为Map-Reduce，所以
