Hive 是构建在 Hadoop 生态系统之上的数据仓库分析系统，你可以把它看作一种“翻译器”——将类 SQL 语句转化为 MapReduce 或 Tez 任务，专门用于数据的提取、转换、加载，以及大规模数据的存储、查询与分析。通俗地讲，你可以像写 SQL 一样操作 Hadoop 上的海量数据，无需手动编写 MapReduce 代码。

下面我们梳理一下 Hive 中最常用、最基础的管理操作，从创建数据库到分区管理，每一步都附上真实可运行的代码示例，方便你直接复现。

1. 创建 Hive 数据库：一切从数据库开始。使用 CREATE DATABASE 语句即可新建一个库，例如：

   CREATE DATABASE my_database;

   就这么简单，数据库就创建好了。

2. 切换到指定数据库：当数据库较多时，需要告知 Hive 当前使用哪一个。使用 USE 语句：

   USE my_database;

3. 创建表：表是存储数据的基本单元。例如创建一个 employees 员工表，包含 ID、姓名和年龄：

   CREATE TABLE employees (
     id INT,
     name STRING,
     age INT
   );

   注意 Hive 的表字段类型与传统 SQL 基本一致，但增加了许多针对大数据的专用类型。

4. 插入数据：使用 INSERT INTO 向表中写入数据。例如插入一条员工记录：

   INSERT INTO employees (id, name, age)
   VALUES (1, 'John Doe', 30);

   不过需要提醒你，Hive 的 INSERT 底层实际是 MapReduce 作业，小批量插入效率不高，更适合批量装载数据。

5. 查询数据：SELECT 语句与 SQL 完全相同，查询全部数据：

   SELECT * FROM employees;

6. 更新数据：Hive 从 0.14 版本起支持 UPDATE，但前提是表必须支持 ACID（例如使用 ORC 格式并开启事务）。示例：

   UPDATE employees
   SET name = 'Jane Doe'
   WHERE age = 30;

   同样，这不是无代价操作，生产环境中应谨慎使用大规模更新。

7. 删除数据：使用 DELETE 删除符合条件的行：

   DELETE FROM employees
   WHERE age = 30;

8. 创建分区表：分区是 Hive 提升查询效率的关键手段。例如按订单月份分区：

   CREATE TABLE orders (
     order_id INT,
     customer_id INT,
     order_date STRING
   ) PARTITIONED BY (order_month STRING);

   分区字段（这里是 order_month）在物理上对应文件夹，查询时只扫描相关分区，速度显著提升。

9. 加载外部数据：将 HDFS 上的文件直接装载到 Hive 表中，使用 LOAD DATA：

   LOAD DATA INPATH '/user/data/orders.txt'
   INTO TABLE orders;

   这条命令会将文件移动到 Hive 表的存储目录下，而非复制。如果不想移动文件，可以使用 LOAD DATA LOCAL INPATH（从本地文件系统）或直接创建外部表。

10. 管理表和分区：建表后经常需要调整结构。使用 ALTER TABLE 添加列或删除分区。例如给 employees 表增加一个 city 列：

    ALTER TABLE employees ADD COLUMNS (city STRING);

    再比如删除 orders 表中 order_month='2021-06' 这个分区：

    ALTER TABLE orders DROP PARTITION (order_month='2021-06');

    删除分区后，该分区对应的 HDFS 目录和数据也会被一并清理，操作前务必确认。

以上是 Hive 管理中最基础、最常用的 10 个操作。实际工作中你还会接触到聚合函数、多表 JOIN、子查询、窗口函数等更高级的用法，以及性能调优（如文件格式选择、压缩、向量化查询等）。如果想深入了解，可以查阅官方文档 Apache Hive Documentation，那里有更完整的参考手册。