大數據訪問
『壹』 大數據會帶來哪些問題
一、分布式系統
大數據解決方案將數據和操作分布在許多系統中，以實現更快的處理和分析。這種分布式系統可以平衡負載，避免單點故障。但是這樣的系統容易受到安全威脅，黑客只要攻擊一個點就可以滲透整個網路。
二.數據存取
大數據系統需要訪問控制來限制對敏感數據的訪問，否則，任何用戶都可以訪問機密數據，有些用戶可能會出於惡意使用。此外，網路犯罪分子可以入侵與大數據系統相連的系統，竊取敏感數據。因此，使用大數據的公司需要檢查和驗證每個用戶的身份。
三.數據不正確
網路犯罪分子可以通過操縱存儲的數據來影響大數據系統的准確性。因此，網路犯罪分子可以創建虛假數據，並將這些數據提供給大數據系統。比如醫療機構可以利用大數據系統研究患者的病歷，而黑客可以修改這些數據，產生不正確的診斷結果。
四.侵犯隱私
大數據系統通常包含機密數據，這是很多人非常關心的問題。這樣的大數據隱私威脅已經被全世界的專家討論過了。此外，網路犯罪分子經常攻擊大數據系統以破壞敏感數據。這種數據泄露已經成為頭條新聞，導致數百萬人的敏感數據被盜。
五、雲安全性不足
大數據系統收集的數據通常存儲在雲中，這可能是一個潛在的安全威脅。網路犯罪分子破壞了許多知名公司的雲數據。如果存儲的數據沒有加密，並且沒有適當的數據安全性，就會出現這些問題。
『貳』 大數據是什麼，詳細
大數據是指在一定時間內，常規軟體工具無法捕捉、管理和處理的數據集合。它是一種海量、高增長、多元化的信息資產，需要一種新的處理模式，以具備更強的決策、洞察和流程優化能力。
大數據技術的戰略意義不在於掌握龐大的數據信息，而在於對這些有意義的數據進行專業的處理。換句話說，如果把大數據比作一個行業，這個行業盈利的關鍵在於提高數據的「處理能力」，通過「處理」實現數據的「增值」。
從技術上講，大數據和雲計算的關系就像硬幣的正反面一樣密不可分。大數據不能用單台計算機處理，必須採用分布式架構。其特點在於海量數據的分布式數據挖掘。但它必須依賴雲計算分布式處理、分布式資料庫、雲存儲和虛擬化技術。
擴展信息:
大數據只是現階段互聯網的一個表徵或特徵。沒有必要將其神話或保持敬畏。在以雲計算為代表的技術創新背景下，這些原本看似難以收集和使用的數據開始被輕松使用。通過各行各業的不斷創新，大數據將逐漸為人類創造更多的價值。
是體現大數據技術價值的手段，是進步的基石。這里從雲計算、分布式處理技術、存儲技術、感知技術的發展，闡述大數據從採集、處理、存儲到形成結果的全過程。
實踐是大數據的終極價值。在這里，我們從互聯網大數據、政府大數據、企業大數據、個人大數據四個方面來描繪大數據的美好圖景和將要實現的藍圖。
『叄』 大數據存在的安全問題有哪些
【導讀】互聯網時代，數據已成為公司的重要資產，許多公司會使用大數據等現代技術來收集和處理數據。大數據的應用，有助於公司改善業務運營並預測行業趨勢。那麼，大數據存在的安全問題有哪些呢?今天就跟隨小編一起來了解下吧!
一、分布式系統
大數據解決方案將數據和操作分布在許多系統中，以實現更快的處理和分析。這種分布式系統可以平衡負載，避免單點故障。但是這樣的系統容易受到安全威脅，黑客只要攻擊一個點就可以滲透整個網路。
二.數據存取
大數據系統需要訪問控制來限制對敏感數據的訪問，否則，任何用戶都可以訪問機密數據，有些用戶可能會出於惡意使用。此外，網路犯罪分子可以入侵與大數據系統相連的系統，竊取敏感數據。因此，使用大數據的公司需要檢查和驗證每個用戶的身份。
三.數據不正確
網路犯罪分子可以通過操縱存儲的數據來影響大數據系統的准確性。因此，網路犯罪分子可以創建虛假數據，並將這些數據提供給大數據系統。比如醫療機構可以利用大數據系統研究患者的病歷，而黑客可以修改這些數據，產生不正確的診斷結果。
四.侵犯隱私
大數據系統通常包含機密數據，這是很多人非常關心的問題。這樣的大數據隱私威脅已經被全世界的專家討論過了。此外，網路犯罪分子經常攻擊大數據系統以破壞敏感數據。這種數據泄露已經成為頭條新聞，導致數百萬人的敏感數據被盜。
五、雲安全性不足
大數據系統收集的數據通常存儲在雲中，這可能是一個潛在的安全威脅。網路犯罪分子破壞了許多知名公司的雲數據。如果存儲的數據沒有加密，並且沒有適當的數據安全性，就會出現這些問題。
以上就是小編今天給大家整理分享關於「大數據存在的安全問題有哪些?」的相關內容希望對大家有所幫助。小編認為要想在大數據行業有所建樹，需要考取部分含金量高的數據分析師證書，這樣更有核心競爭力與競爭資本。
『肆』 怎麼解決訪問大數據，報錶速度慢的問題
訪問大數據，報錶速度慢的問題基本上都會遇到。我們在使用finereport搭建的報表平台時，也經常遇到，但通常是這樣一些角度解決問題：
報表執行過程
優化報表取數
優化報表計算時間
巧用參數注入
巧用相鄰連續分組
數據集緩存與共享
啟用行引擎執行層式報表
單數據集分頁sql實現層式報表
多數據集實現層式報表
修改緩存路徑
優化調用Oracle存儲過程
伺服器內存修改
考慮使用集群
『伍』 大數據量高並發訪問資料庫結構的設計
大數據量高並發訪問資料庫結構的設計
如果不能設計一個合理的資料庫模型，不僅會增加客戶端和伺服器段程序的編程和維護的難度，而且將會影響系統實際運行的性能。所以，在一個系統開始實施之前，完備的資料庫模型的設計是必須的。
在一個系統分析、設計階段，因為數據量較小，負荷較低。我們往往只注意到功能的實現，而很難注意到性能的薄弱之處，等到系統投入實際運行一段時間後，才發現系統的性能在降低，這時再來考慮提高系統性能則要花費更多的人力物力，而整個系統也不可避免的形成了一個打補丁工程。
所以在考慮整個系統的流程的時候，我們必須要考慮，在高並發大數據量的訪問情況下，我們的系統會不會出現極端的情況。（例如：對外統計系統在7月16日出現的數據異常的情況，並發大數據量的的訪問造成，資料庫的響應時間不能跟上數據刷新的速度造成。具體情況是：在日期臨界時（00：00：00），判斷資料庫中是否有當前日期的記錄，沒有則插入一條當前日期的記錄。在低並發訪問的情況下，不會發生問題，但是當日期臨界時的訪問量相當大的時候，在做這一判斷的時候，會出現多次條件成立，則資料庫里會被插入多條當前日期的記錄，從而造成數據錯誤。），資料庫的模型確定下來之後，我們有必要做一個系統內數據流向圖，分析可能出現的瓶頸。
為了保證資料庫的一致性和完整性，在邏輯設計的時候往往會設計過多的表間關聯，盡可能的降低數據的冗餘。（例如用戶表的地區，我們可以把地區另外存放到一個地區表中）如果數據冗餘低，數據的完整性容易得到保證，提高了數據吞吐速度，保證了數據的完整性，清楚地表達數據元素之間的關系。而對於多表之間的關聯查詢（尤其是大數據表）時，其性能將會降低，同時也提高了客戶端程序的編程難度，因此，物理設計需折衷考慮，根據業務規則，確定對關聯表的數據量大小、數據項的訪問頻度，對此類數據表頻繁的關聯查詢應適當提高數據冗餘設計但增加了表間連接查詢的操作，也使得程序的變得復雜，為了提高系統的響應時間，合理的數據冗餘也是必要的。設計人員在設計階段應根據系統操作的類型、頻度加以均衡考慮。
另外，最好不要用自增屬性欄位作為主鍵與子表關聯。不便於系統的遷移和數據恢復。對外統計系統映射關系丟失（******************）。
原來的表格必須可以通過由它分離出去的表格重新構建。使用這個規定的好處是，你可以確保不會在分離的表格中引入多餘的列，所有你創建的表格結構都與它們的實際需要一樣大。應用這條規定是一個好習慣，不過除非你要處理一個非常大型的數據，否則你將不需要用到它。（例如一個通行證系統，我可以將USERID，USERNAME，USERPASSWORD，單獨出來作個表，再把USERID作為其他表的外鍵）
表的設計具體注意的問題：
1、數據行的長度不要超過8020位元組，如果超過這個長度的話在物理頁中這條數據會佔用兩行從而造成存儲碎片，降低查詢效率。
2、能夠用數字類型的欄位盡量選擇數字類型而不用字元串類型的（電話號碼），這會降低查詢和連接的性能，並會增加存儲開銷。這是因為引擎在處理查詢和連接回逐個比較字元串中每一個字元，而對於數字型而言只需要比較一次就夠了。
3、對於不可變字元類型char和可變字元類型varchar都是8000位元組,char查詢快，但是耗存儲空間，varchar查詢相對慢一些但是節省存儲空間。在設計欄位的時候可以靈活選擇，例如用戶名、密碼等長度變化不大的欄位可以選擇CHAR，對於評論等長度變化大的欄位可以選擇VARCHAR。
4、欄位的長度在最大限度的滿足可能的需要的前提下，應該盡可能的設得短一些，這樣可以提高查詢的效率，而且在建立索引的時候也可以減少資源的消耗。
5、基本表及其欄位之間的關系, 應盡量滿足第三範式。但是，滿足第三範式的資料庫設計，往往不是最好的設計。為了提高資料庫的運行效率，常常需要降低範式標准：適當增加冗餘，達到以空間換時間的目的。
6、若兩個實體之間存在多對多的關系，則應消除這種關系。消除的辦法是，在兩者之間增加第三個實體。這樣，原來一個多對多的關系，現在變為兩個一對多的關系。要將原來兩個實體的屬性合理地分配到三個實體中去。這里的第三個實體，實質上是一個較復雜的關系，它對應一張基本表。一般來講，資料庫設計工具不能識別多對多的關系，但能處理多對多的關系。
7、主鍵PK的取值方法，PK是供程序員使用的表間連接工具，可以是一無物理意義的數字串, 由程序自動加1來實現。也可以是有物理意義的欄位名或欄位名的組合。不過前者比後者好。當PK是欄位名的組合時，建議欄位的個數不要太多，多了不但索引佔用空間大，而且速度也慢。
8、主鍵與外鍵在多表中的重復出現, 不屬於數據冗餘，這個概念必須清楚，事實上有許多人還不清楚。非鍵欄位的重復出現, 才是數據冗餘！而且是一種低級冗餘，即重復性的冗餘。高級冗餘不是欄位的重復出現，而是欄位的派生出現。
〖例4〗：商品中的「單價、數量、金額」三個欄位，「金額」就是由「單價」乘以「數量」派生出來的，它就是冗餘，而且是一種高級冗餘。冗餘的目的是為了提高處理速度。只有低級冗餘才會增加數據的不一致性，因為同一數據，可能從不同時間、地點、角色上多次錄入。因此，我們提倡高級冗餘(派生性冗餘)，反對低級冗餘(重復性冗餘)。
9、中間表是存放統計數據的表，它是為數據倉庫、輸出報表或查詢結果而設計的，有時它沒有主鍵與外鍵(數據倉庫除外)。臨時表是程序員個人設計的，存放臨時記錄，為個人所用。基表和中間表由DBA維護，臨時表由程序員自己用程序自動維護。
10、防止資料庫設計打補丁的方法是「三少原則」
(1) 一個資料庫中表的個數越少越好。只有表的個數少了，才能說明系統的E--R圖少而精，去掉了重復的多餘的實體，形成了對客觀世界的高度抽象，進行了系統的數據集成，防止了打補丁式的設計；
(2) 一個表中組合主鍵的欄位個數越少越好。因為主鍵的作用，一是建主鍵索引，二是做為子表的外鍵，所以組合主鍵的欄位個數少了，不僅節省了運行時間，而且節省了索引存儲空間；
(3) 一個表中的欄位個數越少越好。只有欄位的個數少了，才能說明在系統中不存在數據重復，且很少有數據冗餘，更重要的是督促讀者學會「列變行」，這樣就防止了將子表中的欄位拉入到主表中去，在主表中留下許多空餘的欄位。所謂「列變行」，就是將主表中的一部分內容拉出去，另外單獨建一個子表。這個方法很簡單，有的人就是不習慣、不採納、不執行。
資料庫設計的實用原則是：在數據冗餘和處理速度之間找到合適的平衡點。「三少」是一個整體概念，綜合觀點，不能孤立某一個原則。該原則是相對的，不是絕對的。「三多」原則肯定是錯誤的。試想：若覆蓋系統同樣的功能，一百個實體(共一千個屬性) 的E--R圖，肯定比二百個實體(共二千個屬性)的E--R圖，要好得多。
提倡「三少」原則，是叫讀者學會利用資料庫設計技術進行系統的數據集成。數據集成的步驟是將文件系統集成為應用資料庫，將應用資料庫集成為主題資料庫，將主題資料庫集成為全局綜合資料庫。集成的程度越高，數據共享性就越強，信息孤島現象就越少，整個企業信息系統的全局E—R圖中實體的個數、主鍵的個數、屬性的個數就會越少。
提倡「三少」原則的目的，是防止讀者利用打補丁技術，不斷地對資料庫進行增刪改，使企業資料庫變成了隨意設計資料庫表的「垃圾堆」，或資料庫表的「大雜院」，最後造成資料庫中的基本表、代碼表、中間表、臨時表雜亂無章，不計其數，導致企事業單位的信息系統無法維護而癱瘓。
「三多」原則任何人都可以做到，該原則是「打補丁方法」設計資料庫的歪理學說。「三少」原則是少而精的原則，它要求有較高的資料庫設計技巧與藝術，不是任何人都能做到的，因為該原則是杜絕用「打補丁方法」設計資料庫的理論依據。
11、在給定的系統硬體和系統軟體條件下，提高資料庫系統的運行效率的辦法是：
(1) 在資料庫物理設計時，降低範式，增加冗餘, 少用觸發器, 多用存儲過程。
(2) 當計算非常復雜、而且記錄條數非常巨大時(例如一千萬條)，復雜計算要先在資料庫外面，以文件系統方式用編程語言計算處理完成之後，最後才入庫追加到表中去。
(3) 發現某個表的記錄太多，例如超過一千萬條，則要對該表進行水平分割。水平分割的做法是，以該表主鍵PK的某個值為界線，將該表的記錄水平分割為兩個表。若發現某個表的欄位太多，例如超過八十個，則垂直分割該表，將原來的一個表分解為兩個表。
(4) 對資料庫管理系統DBMS進行系統優化，即優化各種系統參數，如緩沖區個數。
(5) 在使用面向數據的SQL語言進行程序設計時，盡量採取優化演算法。
總之，要提高資料庫的運行效率，必須從資料庫系統級優化、資料庫設計級優化、程序實現級優化，這三個層次上同時下功夫。
主鍵設計：
1、不建議用多個欄位做主鍵，單個表還可以，但是關聯關系就會有問題，主鍵自增是高性能的。
2、一般情況下，如果有兩個外鍵，不建議採用兩個外鍵作為聯合住建，另建一個欄位作為主鍵。除非這條記錄沒有邏輯刪除標志，且該表永遠只有一條此聯合主鍵的記錄。
3、一般而言，一個實體不能既無主鍵又無外鍵。在E—R 圖中, 處於葉子部位的實體, 可以定義主鍵，也可以不定義主鍵(因為它無子孫), 但必須要有外鍵(因為它有父親)。
主鍵與外鍵的設計，在全局資料庫的設計中，佔有重要地位。當全局資料庫的設計完成以後，有個美國資料庫設計專家說：「鍵，到處都是鍵，除了鍵之外，什麼也沒有」，這就是他的資料庫設計經驗之談，也反映了他對信息系統核心(數據模型)的高度抽象思想。因為：主鍵是實體的高度抽象，主鍵與、外鍵的配對，表示實體之間的連接。
『陸』 大數據的定義是什麼
大數據或稱巨量資料，指的是所涉及的資料量規模巨大到無法透過主流軟體工具，在合理時間內達到擷取、管理、處理、並整理成為幫助企業經營決策更積極目的的資訊。
大數據需要特殊的技術，以有效地處理大量的容忍經過時間內的數據。適用於大數據的技術，包括大規模並行處理（MPP）資料庫、數據挖掘、分布式文件系統、分布式資料庫、雲計算平台、互聯網和可擴展的存儲系統。
『柒』 數據提取屬於大數據訪問和使用的方式嗎
屬於。數據提取是大數據訪問和使用的常見方式之一，其他常見的大數據訪問和使用還有數據整合，數據分類，數據處理等等。
『捌』 大數據來源的幾種類型
1.數據收集:在大數據的生命周期中,數據收集處於第一階段。根據MapRece數據應用系統...
2.數據訪問:大數據通過不同的技術路線存儲和保存,大致可分為三類。第一類主要處理大規模結構化...
3.基礎設施:雲存儲、分布式文件存儲等。
4.數據處理:不同的數據集可能有不同的結構和模式,如文件、XML樹、關系表等。這顯示了數據的異質性。多個異構數據集需要進一步集成或...
5.統計分析:假設檢驗、顯著性檢驗、差異分析、相關分析、T檢驗、方差分析、卡方分析、偏相關...
『玖』 如何在 BigInsights 2.1 中基於 BigSQL 實現大數據訪問
IBM 大數據平台戰略可以幫助企業解決大數據的挑戰，並支持與客戶現有的系統集成，具體包括信息整合、Hadoop 企業版系統（InfoSphere Biginsights）、流計算（InfoSphere Streams）、數據倉庫（pureData Systems，InfoSphere Warehouse）、加速器（Accelerator）、可視化與發現（InfoSphere Data Explorer）、應用程序開發、系統管理、數據治理和元數據管理等功能。大數據依賴於一個可縮放且可擴展的信息基礎，只有組織的信息基礎到位，支持迅 速增長的數據數量、多樣性和速度，才能顯著從大數據中獲益。
IBM 大數據平台提供完善的信息整合、數據治理和元數據管理功能，通過信息整合可以將任何類型的數據集成到 IBM 大數據平台中，通過數據治理可以實現信息的生命周期管理（數據生命周期的保留策略、測試數據管理和數據增長管理）、隱私保護和安全性管理（自動尋找、分類 和保護敏感信息，漏洞、配置和行為評估，隱私信息修訂，資料庫活動監控和 Hadoop 活動監測）、數據質量控制（數據源分析，元數據世系分析，數據轉換、清洗和標准化）和主數據管理等。通過統一的元數據管理，企業不僅可以了解關系型數據還 可以掌握半結構化數據以及非結構化數據所代表的含義，為大數據的進一步分析和洞察提供基礎支撐。
IBM 大數據平台提供全面的企業級 Hadoop 平台、流計算和分析引擎以及企業級數據倉庫實現各種數據的存儲、分析和挖掘，結構化數據可以使用數據倉庫進行存儲和分析，原始、半結構化和非結構化數據可 以存儲到企業級 Hadoop 系統中並進行後續分析處理，動態的半結構化和非結構化信息流通過流計算和分析引擎進行處理、過濾和分析後，生成的結構化分析結果可以存儲到數據倉庫中以便 和其他歷史信息進行進一步的深入分析，而獲取的半結構化和非結構化信息可以存儲到企業級 Hadoop 系統中（當然結構化的信息也可以存儲到企業級 Hadoop 中）。數據倉庫技術和企業級 Hadoop 系統之間是相互補充，而非相互競爭關系。
InfoSphere Data Explorer（Vivisimo）作為領先的聯邦發現和可視化軟體，可以將所有可用信息可視化以便供企業進行風險管理、反欺詐、反洗錢等即席分析。 Data Explorer 通過獲取和分析整個企業中的結構化和非結構化數據，幫助企業構建信息單一視圖，方便用戶瀏覽整個企業內部數據，提供深入洞察力。
加速器主要包括分析加速器（分析文本、音頻、視頻、圖像、地理空間和數據等，提供先進的數學模型進行統計、挖掘和預測）和面向行業的應用程序加速器（比如 面向電信、社交、金融、零售、公共交通和機器語言的加速器），實現基於模型的可視化分析。構建在 IBM 大數據平台之上的分析應用程序可以是各種行業應用、預測分析、內容分析和運營分析等。
『拾』 如何使用Big SQL訪問大數據使用詳解
使用 JDBC/ODBC 程序訪問 Big SQL
我們可以使用 JDBC/ODBC 程序來訪問 Big SQL，我們以 JDBC 程序為例，詳細介紹了使用 JDBC 訪問 Big SQL 的具體方法。
首先，我們需要在 CLASSPATH 環境變數中增加 bigsql-jdbc-driver.jar 文件，如下所示：
清單 8. 增加 CLASSPATH 環境變數
biadmin@imtebi1:/opt/ibm/biginsights/bigsql/samples/queries>
export CLASSPATH=$CLASSPATH:/opt/ibm/biginsights/bigsql/samples/queries/bigsql-jdbc-driver.jar
並創建 countbrand.java 程序，如下所示：
清單 9. countbrand.java 程序
countbrand.java
import java.io.*;
import java.sql.*;
import java.util.*;
class countbrand {
public static void main(String args[]) throws SQLException,Exception {
try {
//load the driver class
Class.forName("com.ibm.biginsights.bigsql.jdbc.BigSQLDriver");
} catch (ClassNotFoundException e) {
System.out.print(e); }
try {
//set connection properties
String user="biadmin";
String password="password";
Connection con = DriverManager.getConnection("jdbc:bigsql://172.16.42.202:7052/gosalesdw",
user,password);
Statement st = con.createStatement();
//query execution
ResultSet rs = st.executeQuery("SELECT count(*) FROM GOSALESDW.GO_BRANCH_DIM AS BD,
GOSALESDW.DIST_INVENTORY_FACT AS IF WHERE IF.BRANCH_KEY = BD.BRANCH_KEY /*+ joinMethod = 'mapSideHash',
buildTable = 'bd' +*/ AND BD.BRANCH_CODE > 20");
while(rs.next()) {
System.out.println(rs.getString(1));
}
} catch(SQLException sqle)
{ System.out.print(sqle); }
}
}
我們可以使用如下命令編譯並運行 countbrand.java 程序，如下所示：
清單 10. 編譯並運行 countbrand.java 程序
biadmin@imtebi1:/opt/ibm/biginsights/bigsql/samples/queries> javac countbrand.java
biadmin@imtebi1:/opt/ibm/biginsights/bigsql/samples/queries> java countbrand
33318
創建、載入表
同關系資料庫一樣，Big SQL 也存在模式。模式是指一組對象的集合，我們可以通過創建不同的模式來組織 Big SQL 中的數據對象。如下所示，我們創建 gosalesdw 模式來組織我們需要創建的 Hive 及 HBase 表。
清單 11. 創建 gosalesdw 模式
biadmin@imtebi1:/opt/> $BIGSQL_HOME/bin/jsqsh -U biadmin -P password
JSqsh Release 1.5-ibm, Copyright (C) 2007-2013, Scott C. Gray
Type \help for available help topics. Using JLine.
[localhost][biadmin] 1> create schema if not exists gosalesdw;
0 rows affected (total: 1m4.56s)
[localhost][biadmin] 1> quit;
biadmin@imtebi1:/opt/$HADOOP_HOME/bin/hadoop fs -ls /biginsights/hive/warehouse
drwxr-xr-x - biadmin biadmgrp
0 2013-12-21 21:20 /biginsights/hive/warehouse/gosalesdw.db
在 Big SQL 中，我們創建的模式會在 DFS 分布式文件系統中創建一個相應的目錄，該目錄可以在創建模式時指定，如果沒有指定目錄，會在 Hive 的默認目錄 /biginsights/hive/warehouse/ 下創建。我們可以通過修改 $HIVE_HOME/conf/hive-site.xml 文件中的 hive.metastore.warehouse.dir 屬性值來修改 Hive 的默認存儲路徑，如下所示：
清單 12. 修改 hive-site.xml
biadmin@imtebi1:/opt/> $BIGSQL_HOME/bin/jsqsh -U biadmin -P password
JSqsh Release 1.5-ibm, Copyright (C) 2007-2013, Scott C. Gray
Type \help for available help topics. Using JLine.
[localhost][biadmin] 1> create schema if not exists gosalesdw1 location
'/usr/biadmin/gosalesdw1.db';
0 rows affected (total: 0.87s)
[localhost][biadmin] 1> quit
biadmin@imtebi1:/opt/> $HADOOP_HOME/bin/hadoop fs -ls /usr/biadmin
Found 1 items
drwxr-xr-x - biadmin supergroup 0 2013-12-21 21:26 /usr/biadmin/gosalesdw1.db
more $HIVE_HOME/conf/hive-site.xml
hive.metastore.warehouse.dir
/biginsights/hive/warehouse