数据仓库主要特点：
面向主题：从不同业务系统抽取同一主题数据
集成的：通过对独立异构的数据最终归纳到一个主题下需要一系列的转换(ETL)
非易失的：只能追加不能更改
时变的：随时间不断变化（存储一段时间的数据，定时删除过时的数据，添加新的数据）
Hive利用hdfs存储数据，利用mapreduce查询分析数据
Hive优化：看作mapreduce处理
1. 排序优化：sort by 效率高于order by,因为order by是全局排序，sort by可以设置mapred.reduce.tasks，多个task并行排序
2. 分区：使用静态分区，每个分区对应hdfs上的一个目录，减少job和task数量
3. 使用表连接，解决group by数据倾斜问题
4. 设置hive.groupby.skewindata=true,那么hive会自动负载均衡，小文件合成大文件
5. 使用自定义函数UDF,写一个UDF函数，在建表的时候制定好分区
6. Reduce数据在代码中介于节点数*reduceTask的最大数量的0.95倍到1.75倍
7. 配置文件中，打开在 map 端的合并
8. 在库表设计的时候，尽量考虑rowkey 和 columnfamily的特性
分区作用：防止数据倾斜
Hive与Hbase区别：
Hive和关系型数据库区别：
内部表和外部表的区别：
创建：外部表需指定location
加载数据文件：内部表会将数据移动到数据仓库指向的路径，使用load data [local] inpath 'dir/data.txt' into table table_name;才能加载数据到表中，而外部表只需将数据文件上传至外部表统一路径即可自动加载数据
删除表：内部表的元数据和数据会被一起删除，而外部表只删除元数据，不删除数据
Hive 有哪些方式保存元数据，各有哪些优缺点。
1. 存储于 derby数据库，此方法只能开启一个hive客户端，不推荐使用
2. 存储于mysql数据库中，可以多客户端连接，推荐使用。
Hive 的 join 有几种方式:
1. 在reduce端进行join(最常用)
2. 在 map 端进行 join，使用场景：一张表十分小、一张表很大。
3. SemiJoin，semijoin 就是左边连接是 reducejoin 的一种变种，在 map 端过滤掉一些数据，在网络传输过程中，只传输参与连接的数据，减少了 shuffle的网络传输量，其他和 reduce的思想是一样的。