Difference between revisions of "Hadoop: Hive untuk Query SQL"

From OnnoWiki
Jump to navigation Jump to search
Line 14: Line 14:
 
|-
 
|-
 
| Familiar
 
| Familiar
| Query data with a SQL-based language
+
| Query data dengan bahasa berbasis SQL
 
|-
 
|-
| Fast
+
| Cepat
| Interactive response times, even over huge datasets
+
| Waktu responds interaktif yang cepat, walaupun dengan dataset yang besar
 
|-
 
|-
| Scalable and Extensible
+
| Scalable dan Extensible
| As data variety and volume grows, more commodity machines can be added, without a corresponding reduction in performance
+
| Karena variasi data dan volume data akan berkembang, mesin (komoditas) dapat di tambah, tanpa pengurangan performance.
 
|}
 
|}
  

Revision as of 07:58, 14 November 2015

Sumber: http://hortonworks.com/hadoop/hive/

Apakah Hive

Hadoop dibangun untuk mengatur dan menyimpan sejumlah besar data dari berbagai bentuk, ukuran dan format. Karena arsitektur Hadoop "schema on read" arsitektur, cluster Hadoop adalah reservoir sempurna data-terstruktur dan tidak terstruktur-dari banyak sumber yang heterogen.

Analis data yang menggunakan Hive untuk mengeksplorasi, struktur dan menganalisis data itu, lalu mengubahnya menjadi wawasan bisnis yang dapat ditindaklanjuti.

Keuntungan menggunakan Hive untuk enterprise SQL di Hadoop:

Fitur Penjelasan
Familiar Query data dengan bahasa berbasis SQL
Cepat Waktu responds interaktif yang cepat, walaupun dengan dataset yang besar
Scalable dan Extensible Karena variasi data dan volume data akan berkembang, mesin (komoditas) dapat di tambah, tanpa pengurangan performance.

How Hive Works

The tables in Hive are similar to tables in a relational database, and data units are organized in a taxonomy from larger to more granular units. Databases are comprised of tables, which are made up of partitions. Data can be accessed via a simple query language and Hive supports overwriting or appending data.

Within a particular database, data in the tables is serialized and each table has a corresponding Hadoop Distributed File System (HDFS) directory. Each table can be sub-divided into partitions that determine how data is distributed within sub-directories of the table directory. Data within partitions can be further broken down into buckets.

Hive supports all the common primitive data formats such as BIGINT, BINARY, BOOLEAN, CHAR, DECIMAL, DOUBLE, FLOAT, INT, SMALLINT, STRING, TIMESTAMP, and TINYINT. In addition, analysts can combine primitive data types to form complex data types, such as structs, maps and arrays.





Referensi