hive币圈
㈠ Spark-Hadoop，Hive，Spark 之间是什么关系
大数据本身是个很宽泛的概念，Hadoop生态圈(或者泛生态圈)基本上都是为了处理超过单机尺度的数据处理而诞生的。你可以把它比作一个厨房所以需要的各种工具。锅碗瓢盆，各有各的用处，互相之间又有重合。你可以用汤锅直接当碗吃饭喝汤，你可以用小刀或者刨子去皮。但是每个工具有自己的特性，虽然奇怪的组合也能工作，但是未必是最佳选择。
大数据，首先你要能存的下大数据
传统的文件系统是单机的，不能横跨不同的机器。HDFS(Hadoop Distributed FileSystem)的设计本质上是为了大量的数据能横跨成百上千台机器，但是你看到的是一个文件系统而不是很多文件系统。比如你说我要获取/hdfs/tmp/file1的数据，你引用的是一个文件路径，但是实际的数据存放在很多不同的机器上。你作为用户，不需要知道这些，就好比在单机上你不关心文件分散在什么磁道什么扇区一样。HDFS为你管理这些数据。
存的下数据之后，你就开始考虑怎么处理数据。虽然HDFS可以为你整体管理不同机器上的数据，但是这些数据太大了。一台机器读取成T上P的数据(很大的数据哦，比如整个东京热有史以来所有高清电影的大小甚至更大)，一台机器慢慢跑也许需要好几天甚至好几周。对于很多公司来说，单机处理是不可忍受的，比如微博要更新24小时热博，它必须在24小时之内跑完这些处理。那么我如果要用很多台机器处理，我就面临了如何分配工作，如果一台机器挂了如何重新启动相应的任务，机器之间如何互相通信交换数据以完成复杂的计算等等。这就是MapRece
/ Tez / Spark的功能。MapRece是第一代计算引擎，Tez和Spark是第二代。MapRece的设计，采用了很简化的计算模型，只有Map和Rece两个计算过程(中间用Shuffle串联)，用这个模型，已经可以处理大数据领域很大一部分问题了。
那什么是Map，什么是Rece?
考虑如果你要统计一个巨大的文本文件存储在类似HDFS上，你想要知道这个文本里各个词的出现频率。你启动了一个MapRece程序。Map阶段，几百台机器同时读取这个文件的各个部分，分别把各自读到的部分分别统计出词频，产生类似(hello, 12100次)，(world，15214次)等等这样的Pair(我这里把Map和Combine放在一起说以便简化);这几百台机器各自都产生了如上的集合，然后又有几百台机器启动Rece处理。Recer机器A将从Mapper机器收到所有以A开头的统计结果，机器B将收到B开头的词汇统计结果(当然实际上不会真的以字母开头做依据，而是用函数产生Hash值以避免数据串化。因为类似X开头的词肯定比其他要少得多，而你不希望数据处理各个机器的工作量相差悬殊)。然后这些Recer将再次汇总，(hello，12100)+(hello，12311)+(hello，345881)=
(hello，370292)。每个Recer都如上处理，你就得到了整个文件的词频结果。
这看似是个很简单的模型，但很多算法都可以用这个模型描述了。
Map+Rece的简单模型很黄很暴力，虽然好用，但是很笨重。第二代的Tez和Spark除了内存Cache之类的新feature，本质上来说，是让Map/Rece模型更通用，让Map和Rece之间的界限更模糊，数据交换更灵活，更少的磁盘读写，以便更方便地描述复杂算法，取得更高的吞吐量。
有了MapRece，Tez和Spark之后，程序员发现，MapRece的程序写起来真麻烦。他们希望简化这个过程。这就好比你有了汇编语言，虽然你几乎什么都能干了，但是你还是觉得繁琐。你希望有个更高层更抽象的语言层来描述算法和数据处理流程。于是就有了Pig和Hive。Pig是接近脚本方式去描述MapRece，Hive则用的是SQL。它们把脚本和SQL语言翻译成MapRece程序，丢给计算引擎去计算，而你就从繁琐的MapRece程序中解脱出来，用更简单更直观的语言去写程序了。
有了Hive之后，人们发现SQL对比Java有巨大的优势。一个是它太容易写了。刚才词频的东西，用SQL描述就只有一两行，MapRece写起来大约要几十上百行。而更重要的是，非计算机背景的用户终于感受到了爱：我也会写SQL!于是数据分析人员终于从乞求工程师帮忙的窘境解脱出来，工程师也从写奇怪的一次性的处理程序中解脱出来。大家都开心了。Hive逐渐成长成了大数据仓库的核心组件。甚至很多公司的流水线作业集完全是用SQL描述，因为易写易改，一看就懂，容易维护。
自从数据分析人员开始用Hive分析数据之后，它们发现，Hive在MapRece上跑，真鸡巴慢!流水线作业集也许没啥关系，比如24小时更新的推荐，反正24小时内跑完就算了。但是数据分析，人们总是希望能跑更快一些。比如我希望看过去一个小时内多少人在一些特定页面驻足，分别停留了多久，对于一个巨型网站海量数据下，这个处理过程也许要花几十分钟甚至很多小时。而这个分析也许只是你万里长征的第一步，你还有很多其他的要分析。你无法忍受等待的折磨，只能跟帅帅的工程师蝈蝈说，快，快，再快一点!
于是Impala，Presto，Drill诞生了(当然还有无数非著名的交互SQL引擎，就不一一列举了)。三个系统的核心理念是，MapRece引擎太慢，因为它太通用，太强壮，太保守，我们SQL需要更轻量，更激进地获取资源，更专门地对SQL做优化，而且不需要那么多容错性保证(因为系统出错了大不了重新启动任务，如果整个处理时间更短的话，比如几分钟之内)。这些系统让用户更快速地处理SQL任务，牺牲了通用性稳定性等特性。如果说MapRece是大砍刀，砍啥都不怕，那上面三个就是剔骨刀，灵巧锋利，但是不能搞太大太硬的东西。
这些系统，说实话，一直没有达到人们期望的流行度。因为这时候又两个异类被造出来了。他们是Hive on Tez / Spark和SparkSQL。它们的设计理念是，MapRece慢，但是如果我用新一代通用计算引擎Tez或者Spark来跑SQL，那我就能跑的更快。而且用户不需要维护两套系统。这就好比如果你厨房小，人又懒，对吃的精细程度要求有限，那你可以买个电饭煲，能蒸能煲能烧，省了好多厨具。
上面的介绍，基本就是一个数据仓库的构架了。底层HDFS，上面跑MapRece/Tez/Spark，在上面跑Hive，Pig。或者HDFS上直接跑Impala，Drill，Presto。这解决了中低速数据处理的要求。
那如果我要更高速的处理呢？
如果我是一个类似微博的公司，我希望显示不是24小时热博，我想看一个不断变化的热播榜，更新延迟在一分钟之内，上面的手段都将无法胜任。于是又一种计算模型被开发出来，这就是Streaming(流)计算。Storm是最流行的流计算平台。流计算的思路是，如果要达到更实时的更新，我何不在数据流进来的时候就处理了?比如还是词频统计的例子，我的数据流是一个一个的词，我就让他们一边流过我就一边开始统计了。流计算很牛逼，基本无延迟，但是它的短处是，不灵活，你想要统计的东西必须预先知道，毕竟数据流过就没了，你没算的东西就无法补算了。因此它是个很好的东西，但是无法替代上面数据仓库和批处理系统。
还有一个有些独立的模块是KV Store，比如Cassandra，HBase，MongoDB以及很多很多很多很多其他的(多到无法想象)。所以KV Store就是说，我有一堆键值，我能很快速滴获取与这个Key绑定的数据。比如我用身份证号，能取到你的身份数据。这个动作用MapRece也能完成，但是很可能要扫描整个数据集。而KV
Store专用来处理这个操作，所有存和取都专门为此优化了。从几个P的数据中查找一个身份证号，也许只要零点几秒。这让大数据公司的一些专门操作被大大优化了。比如我网页上有个根据订单号查找订单内容的页面，而整个网站的订单数量无法单机数据库存储，我就会考虑用KV Store来存。KV Store的理念是，基本无法处理复杂的计算，大多没法JOIN，也许没法聚合，没有强一致性保证(不同数据分布在不同机器上，你每次读取也许会读到不同的结果，也无法处理类似银行转账那样的强一致性要求的操作)。但是丫就是快。极快。
每个不同的KV Store设计都有不同取舍，有些更快，有些容量更高，有些可以支持更复杂的操作。必有一款适合你。
除此之外，还有一些更特制的系统/组件，比如Mahout是分布式机器学习库，Protobuf是数据交换的编码和库，ZooKeeper是高一致性的分布存取协同系统，等等。
有了这么多乱七八糟的工具，都在同一个集群上运转，大家需要互相尊重有序工作。所以另外一个重要组件是，调度系统。现在最流行的是Yarn。你可以把他看作中央管理，好比你妈在厨房监工，哎，你妹妹切菜切完了，你可以把刀拿去杀鸡了。只要大家都服从你妈分配，那大家都能愉快滴烧菜。
你可以认为，大数据生态圈就是一个厨房工具生态圈。为了做不同的菜，中国菜，日本菜，法国菜，你需要各种不同的工具。而且客人的需求正在复杂化，你的厨具不断被发明，也没有一个万用的厨具可以处理所有情况，因此它会变的越来越复杂。
㈡ hiveos收费标准
HiveOS是超过3台，收费标准是3刀/(台月)，国内的HiveOS和国外的价格是一样的。
所以这个挖矿系统的作者没有做抽水拦截，也没有额外抽水。这个补丁是给使用这个挖矿系统的矿工的福利。拦截后的抽水分成两份，矿工和补丁作者各占一份，没有额外抽水，换句话说，这个补丁可以降低这个系统的抽水比例。
这个补丁还进行了内存时序的优化，可以提升大部分A卡的算力3-5%。
软件特色：
1、适用于所有系统的一种解决方案:
一个简单的安装和设置工具。下载并安装我们的软件，您的农场基础设施将自动检测您的采矿设备并将其添加到管理仪表板。
2、一切尽在您的掌握:
从单个仪表板监控钻机。跟踪哈希率，在线状态，GPU错误，团队活动，池配置，功耗。从全球任何地方进行远程访问。远程对GPU进行故障排除和重启，或在整个服务器场中执行批量更新。
3、易于操作:
单独管理和配置每个钻机，无论是一台还是几千台。使用Flight Sheets即时切换池，钱包和硬币组合。为您的GPU创建超频配置文件，并在几秒钟内更改整个服务器场中的矿工配置。
㈢ hiveos矿机端网络设置
插上网线，点击设置，连接网络即可。
Hive是建立在Hadoop上的数据仓库基础构架。它提供了一系列的工具，可以用来进行数据提取转化加载（ETL），这是一种可以存储、查询和分析存储在Hadoop中的大规模数据的机制。
Hive是SQL解析引擎，它将SQL语句转译成M/RJob然后在Hadoop执行。
Hive的表其实就是HDFS的目录/文件，按表名把文件夹分开。如果是分区表，则分区值是子文件夹，可以直接在M/RJob里使用这些数据。
在组装GPU采矿设备时，总是会出现选择操作系统的问题：Windows，Linux或用于采矿的专用OS。如果Windows由于入门门槛高而仍然是新手矿工的首选，那么具有大量GPU的经验丰富的矿工将选择操作系统的优先级转移到稳定性，易于管理，监控，视频卡调整功能和减少PC资源使用上。所有这些要求都可以通过基于Linux的专用操作系统来满足，hiveos是受矿工欢迎的典型代表。本材料的目的是为初学者强调安装和配置HiveOS的功能，因为HiveOS与Windows相比具有许多不可否认的优势，这大大简化了在GPU上挖掘加密货币的过程。
㈣ 以太坊设备寿命
以太坊2.0其实包含的内容非常多，例如分片、扩容等，合并只是其中一项内容，自去年2.0信标链启动开始，我们已经处在PoW和PoS双链运行底下，合并是要彻底结束PoW显卡挖矿，全部爆块都用PoS共识来打包，合并后并不代表以太坊2.0就完成，至少还有2-3年时间增加其他功能。
合并这项内容牵涉面广，利益巨大，时间点非常非常非常关键，尤其对矿工而言，那是生死攸关，天天看着这个合并时间点来考虑是否加卡。坦白讲，矿工根本不关心什么分片、扩容，Layer2，Rollup等功能，他们只关心什么时候正式合并，什么时候结束挖矿。
已参与ETH2.0信标链质押的希望合并越快越好，因为他们需要在合并后的第一次硬分叉才能解除质押，而矿工们持有显卡，希望合并越晚越好（最好别合并），把显卡能耐发挥到极致。
两个月前的消息是，合并提前了，并且在合并前，不再有新的EIP功能修订升级，ETH团队所有人员集中全力优先处理合并事宜，合并提案EIP-3675也在8月中由研究员Mikhail正式立案，这标志着合并真的真的真的要进入倒计时了，可惜仍然没有具体日期，只有概率。啥玩意
总结：
随着以太坊总市值以及生态膨胀到今天这个体量，船大难掉头，任何一个小错误，都会引起巨大震荡：矿工手上有显卡，机构手上有币，DeFi生态里有TVL，有多少矿池靠ETH吃饭，有多少炒卖显卡为生的代理商......
如果在这个过程中，平衡不好各方的利益，那么整个网络可能会被冻结，甚至崩溃。我认为以太坊团队在公布合并时间点这件事上太儿戏了，不把矿工的矿机当回事，几个月前开发员Trend说保守估计年底前合并，现在看来又要跳票，官方还有什么可信度？要防止跳票很难吗：至少提前一年，对外公告“准确的合并日期”，以及合并步骤和详情。如果没在测试网通过就不要乱发布各种合并消息，尤其是开发人员。我现在啥都不想看，就等12月的炸弹 pushback 究竟要延到明年几月。到时再来写一篇《如何处理手上的矿机》吧，拭目以待。
㈤ Hadoop，Hive，Spark 之间是什么关系
Hadoop是一个由Apache基金会所开发的分布式系统基础架构。Hadoop也是apache开源大数据的一个生态圈总称,里面包含跟大数据开源框架的一些软件,包含hdfs,hive,zookeeper,hbase等等;Hadoop的框架最核心的设计就是：HDFS和MapRece。HDFS为海量的数据提供了存储，则MapRece为海量的数据提供了计算。
Hive是基于Hadoop的一个数据仓库工具，可以将结构化的数据文件映射为一张数据库表，并提供简单的sql查询功能，可以将sql语句转换为MapRece任务进行运行。 其优点是学习成本低，可以通过类SQL语句快速实现简单的MapRece统计，不必开发专门的MapRece应用，十分适合数据仓库的统计分析。
Spark 是一种与 Hadoop 相似的开源集群计算环境，但是两者之间还存在一些不同之处，这些有用的不同之处使 Spark 在某些工作负载方面表现得更加优越，换句话说，Spark 启用了内存分布数据集，除了能够提供交互式查询外，它还可以优化迭代工作负载。
尽管创建 Spark 是为了支持分布式数据集上的迭代作业，但是实际上它是对 Hadoop 的补充，可以在 Hadoop 文件系统中并行运行。通过名为 Mesos 的第三方集群框架可以支持此行为。
hadoop(hive)<-spark(扩展)
一、定义不同：
1.虚拟货币：
虚拟货币为指非真实的货币。
2.数字货币：
数字货币为电子货币形式的替代货币。数字金币和密码货币都属于数字货币（DIGICCY）。
3.加密货币：
加密货币为一种使用密码学原理来确保交易安全及控制交易单位创造的交易媒介。
4.代币（通证）：
一种形状及尺寸类似货币，但限制使用范围、不具通货效力的物品，其通证则为代币英文Token的谐音。
二、特点不同：
1.虚拟货币：
虚拟货币不是一般等价物，而是价值相对性的表现形式，或者说是表现符号；也可以说，虚拟货币是个性化货币。在另一种说法中，也可称为信息货币。
2.数字货币：
是一种不受管制的、数字化的货币，通常由开发者发行和管理，被特定虚拟社区的成员所接受和使用。
3.加密货币：
加密货币基于去中心化的共识机制 ，与依赖中心化监管体系的银行金融系统相对。
4.代币（通证）：
通常需要以金钱换取，用在商店、游乐场、大众运输工具等地方，做为凭证以使用服务、换取物品等。
(6)hive币圈扩展阅读
现阶段数字货币更像一种投资产品，因为缺乏强有力的担保机构维护其价格的稳定，其作为价值尺度的作用还未显现，无法充当支付手段。数字货币作为投资产品，其发展离不开交易平台、运营公司和投资。
数字货币是一把双刃剑，一方面，其所依托的区块链技术实现了去中心化，可以用于数字货币以外的其他领域，这也是比特币受到热捧的原因之一；另一方面，如果数字货币被作为一种货币受到公众的广泛使用，则会对货币政策有效性、金融基础设施、金融市场、金融稳定等方面产生巨大影响。
㈦ hiveon矿池是哪里的
hiveon矿池是以太坊的。
与其它区块链一样，以太坊需要几千人在自己的计算机上运行一个软件，为该网络提供动力。网络中的每个节点（计算机）运行一个叫作以太坊虚拟机（EVM）的软件。
将以太坊虚拟机想象成一个操作系统，它能理解并执行通过以太坊特定编程语言编写的软件。由以太坊虚拟机执行的软件/应用程序被称为“智能合约”。
要在这一世界计算机上做任何事都需付费。不过，付的不是美元或英镑等普通货币，而是该网络自带的加密货币，叫作以太币。以太币与比特币大致相同，除了一点，即以太币可以为在以太坊上执行智能合约而付费。
在以太坊上，无论是人还是智能合约都可作为用户。人类用户能做的事，智能合约也能做，而且还远不止如此。
㈧ hive里查看字段类型的函数
文本框设置InputMask属性=�'（位数你按需要定）。
属性值
cMask
指定如何输入和显示数据。下面的表格显示了cMask的可能值。cMask说明
将小写字母转换为大写字母，允许数字，空格，和符号，如减号(_)数据。在固定的位置上显示货币符号，符号由SETCURRENCY命令指定。显示位置浮动的货币符号，在微调器和文本框中其位置在靠近数字的地方。显示当前Windows控制面板中区域和语言选项中设置的数字分组，或者分隔符，标记符。显示当前由SETPOINT命令设置的小数点符号(默认为句号(.))允许数字和符号数据。只允许字母数据。放置在指定的位置输入非十六进制的符号。只允许逻辑型数据。只允许字母和数字数据。仅允许字母表中的字符以并将它们转换为大写(A-Z)。仅允许字母表中的字符以并将它们转换为小写(a-z)只允许任何数据。允许字母Y，y，N，和n做为逻辑型数据的值。分别代表.T.和.F.。应用于：Column对象|ComboBox控件|Spinner控件|TextBox控件InputMask不同于Format属性。Format会影响整个输入字段，你可以混合使用几个Format码，但它们影响输入字段中的所有数据。
㈨ 火币网支持steem硬分叉,hive怎么一直不发放
都1个月了还没发，币安早发了。你发了吗
㈩ Hive是主流币吗
不是主流的不多