Hive 数据仓库和传统关系型数据库是不一样的，Hive 数据仓库建立在Hadoop 集群的HDFS 之上。也就是说，Hive 数据仓库中的数据是保存在HDFS 上的。Hive 数据仓库可以通过ETL 的形式来抽取、转换和加载数据。Hive 提供了类似SQL 的查询语句HQL ，可以用“select * from 表名; ”来查询到Hive 数据仓库中的数据，这与关系型数据库的操作是一样的。下面看看Hive 的数据存储格式。

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

（1 ）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 htduan ，它在 HDFS 中的路径为：/warehouse/htduan ，其中，warehouse 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。

（2 ）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：htduan 表中包含 dt 和 ctry 两个 Partition ，则对应于 dt = 20100801 、ctry = US 的 HDFS 子目录为：/warehouse/htduan/dt=20100801/ctry=US ；对应于 dt = 20100801 、ctry = CA 的 HDFS 子目录为：/warehouse/htduan/dt=20100801/ctry=CA 。

（3 ）Bucket 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：/warehouse/htduan/dt=20100801/ctry=US/part-00000 ；hash 值为 20 的 HDFS 目录为：/warehouse/htduan/dt=20100801/ctry=US/part-00020。

（4 ）External 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。

对于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；之后对数据的访问将会直接在数据仓库目录中完成。删除表时，表中的数据和元数据将会被同时删除。External Table 只有一个过程，加载数据和创建表同时完成（CREATE EXTERNAL TABLE … LOCATION ），实际数据是存储在 LOCATION 后面指定的 HDFS 路径中，并不会移动到数据仓库目录中。当删除一个 External Table 时，仅删除了Hive 的元数据。

本文节选自《 Hive 入门与大数据分析实战》，内容发布获得作者和出版社授权。