A. hadoop 集群怎么导入和查询数据
Hadoop集群数据导入主要采用两种方式。一种是直接使用Hadoop提供的put命令，将本地文件系统中的数据上传到HDFS中。这种方式简单直接，适合少量文件的快速导入。另一种则是从数据库中导入数据，这时我们可以使用Sqoop工具，它能够高效地将关系型数据库中的数据导入到HDFS中，实现数据的迁移和存储。
数据查询方面，Hadoop提供了多种方式。最常见的是使用Hive进行查询。Hive是一个基于Hadoop的数据仓库工具，可以将SQL语句转换成MapRece任务执行，使得用户能够以类SQL的方式处理大规模数据集。此外，还可以编写MapRece程序，通过Java代码直接操作Hadoop的API进行数据处理，这种方式灵活性高，适用于复杂的数据处理逻辑。
使用Hive查询数据时，首先需要创建表结构，然后执行SQL语句进行数据查询。Hive支持多种数据类型和复杂的查询操作，可以满足多样化的查询需求。编写MapRece程序进行数据处理时，则需要定义输入输出格式、mapper和recer函数，通过分布式计算框架实现数据的并行处理。这种方式能够充分利用Hadoop的分布式计算能力，实现高效的数据处理。
对于不同的应用场景，我们可以根据数据量、数据处理复杂度等因素选择合适的数据导入和查询方式。例如，对于少量数据的快速导入，可以使用put命令；而对于复杂的数据处理需求，则可以考虑使用Hive或MapRece程序。通过合理选择和配置，可以充分利用Hadoop的优势，实现高效的数据管理和分析。
B. Hive分区过多有何坏处以及分区时的注意事项
1.当分区过多且数据很大时，可以使用严格模式，避免出发一个大的maprece任务。当分区数量过多且数据量较大时，执行宽范围的数据扫描会触发一个很大的maprece任务。在严格模式下，当where中没有分区过滤条件时会禁止执行。
2.hive如果有过多的分区，由于底层是存储在HDFS上，HDFS上只用于存储大文件 而非小文件，因为过多的分区会增加namenode的负担。
3.hive会转化为maprece，maprece会转化为多个task。过多小文件的话，每个文件一个task，每个task一个JVM实例，JVM的开启与销毁会降低系统效率。