Hive 和 Impala 以及它们与 HDFS 的交互

Question

尽管多年来一直使用传统数据库，但我相信我对 Hive 和 Impala 如何与 HDFS 交互（或者 HDFS 本​​身如何工作！）存在根本性的误解，并希望得到一些建议。

只是为了说明我的想法：在 Windows 上，当我创建一个文件（例如 bob.txt）时，该文件存储在“文件系统”（NTFS）上。现在，无论我使用 Windows 资源管理器、命令提示符还是其他软件，我都会看到 bob.txt，因为它存在于“文件系统上”并且所有软件都可以访问该文件系统。

在我在 RedHat 上使用 Cloudera 与 HDFS 的新手交互中，我认为它的工作方式与上一段所述完全不同。

例如，当使用 Hue 时，如果我在“Hive 查询编辑器”中创建一个表，在“Impala 查询编辑器”中时，该表似乎不会显示在表列表下。当我在命令提示符下使用“hive”和“impala-shell”时，也会发生类似的情况。但是，这对我来说没有意义，因为表应该只是“在文件系统上”——在这种情况下是 HDFS。

使用 sqoop 从 Oracle 拉取时会发生类似的操作。当我从 Oracle 中提取的表应该放在“文件系统上”时，为什么我需要使用“--import-hive”选项。一旦进入 HDFS 文件系统，位于其之上的任何软件（例如 Hive、Impala 或其他任何软件）都应该能够访问它。

无论如何，其中一些可能是新手用户错误/误解，所以请提前道歉！

提前感谢任何 cmets/建议！

Answer 1

您似乎缺少对Hive Metastore的理解。是的，表被放置在“文件系统上”。实际上，所有数据库都只是“磁盘上的文件”。其他数据库可能会额外维护索引文件或预写日志，但究竟是什么定义了表？一个架构。在 Hive 和 Impala（以及几乎所有兼容的 SQL on Hadoop 工具）中，它们要求您将模式实际存储在称为元存储的关系数据库中。

如果我在“Hive 查询编辑器”中创建表，则在“Impala 查询编辑器”中时，该表似乎不会显示在表列表下。

这实际上是 Hue 中的一个错误，它不会立即刷新表格。我以为我在新的 Hue 版本中看到了，它已修复，但无论如何，Impala 有一个特殊的 INVALIDATE METADATA 查询来重建其可用表的索引。

当我从 Oracle 提取的表应该放在“文件系统上”时，为什么我需要使用“--import-hive”选项。一旦进入 HDFS 文件系统，位于其之上的任何软件（例如 Hive、Impala 或其他任何软件）都应该能够访问它。

没错，任何工具都可以访问它，但是，您仍然需要在某处运行CREATE TABLE 来实际指定这些文件的解析方式。 Pig 和 Spark 可以在不访问 Hive 元存储的情况下立即读取数据，但是您仍然需要自己解析列，并且根据文件的格式，每个字段都将是一个字符串