Hive笔记1-简介

简介

参考资料：

• Hive详细介绍及简单应用
• hive核心基本概念
• Hive简介、什么是Hive、为什么使用Hive、Hive的特点、Hive架构图、Hive基本组成、Hive与Hadoop的关系、Hive与传统数据库对比、Hive数据存储（来自学习资料）
• Hive入门及常用指令
• Hive教程
• Hive学习路线图

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，并提供类SQL查询功能。

为什么使用Hive

1. 直接使用hadoop所面临的问题

   • 人员学习成本太高
   • 项目周期要求太短
   • MapReduce实现复杂查询逻辑开发难度太大

2. 使用Hive的好处

   • 操作接口采用类SQL语法，提供快速开发的能力。
   • 避免了去写MapReduce，减少开发人员的学习成本。
   • 扩展功能很方便。

Hive的特点

1. 可扩展

   Hive可以自由的扩展集群的规模，一般情况下不需要重启服务。

2. 延展性

   Hive支持用户自定义函数，用户可以根据自己的需求来实现自己的函数。

3. 容错

   良好的容错性，节点出现问题SQL仍可完成执行。

Hive的适应场景：只适合做海量离线数据的统计分析

1、Hive与Hadoop的关系

Hive利用HDFS存储数据，利用MapReduce查询数据

2、Hive与传统数据库对比

1. 查询语言。由于 SQL 被广泛的应用在数据仓库中，因此，专门针对 Hive 的特性设计了类 SQL 的查询语言 HQL。熟悉SQL 开发的开发者可以很方便的使用 Hive 进行开发。
2. 数据存储位置。Hive 是建立在 Hadoop 之上的，所有 Hive 的数据都是存储在 HDFS 中的。而数据库则可以将数据保存在块设备或者本地文件系统中。
3. 数据格式。Hive 中没有定义专门的数据格式，数据格式可以由用户指定，用户定义数据格式需要指定三个属性：列分隔符（通常为空格、”\t”、”\x001″）、行分隔符（”\n”）以及读取文件数据的方法（Hive 中默认有三个文件格式 TextFile，SequenceFile 以及 RCFile）。由于在加载数据的过程中，不需要从用户数据格式到 Hive 定义的数据格式的转换，因此，Hive 在加载的过程中不会对数据本身进行任何修改，而只是将数据内容复制或者移动到相应的 HDFS 目录中。而在数据库中，不同的数据库有不同的存储引擎，定义了自己的数据格式。所有数据都会按照一定的组织存储，因此，数据库加载数据的过程会比较耗时。
4. 数据更新。由于 Hive 是针对数据仓库应用设计的，而数据仓库的内容是读多写少的。因此，Hive 中不支持对数据的改写和添加，所有的数据都是在加载的时候中确定好的。而数据库中的数据通常是需要经常进行修改的，因此可以使用 INSERT INTO ... VALUES 添加数据，使用 UPDATE... SET 修改数据。
5. 索引。之前已经说过，Hive 在加载数据的过程中不会对数据进行任何处理，甚至不会对数据进行扫描，因此也没有对数据中的某些 Key 建立索引。Hive 要访问数据中满足条件的特定值时，需要暴力扫描整个数据，因此访问延迟较高。由于 MapReduce 的引入， Hive 可以并行访问数据，因此即使没有索引，对于大数据量的访问，Hive 仍然可以体现出优势。数据库中，通常会针对一个或者几个列建立索引，因此对于少量的特定条件的数据的访问，数据库可以有很高的效率，较低的延迟。由于数据的访问延迟较高，决定了 Hive 不适合在线数据查询。
6. 执行。Hive 中大多数查询的执行是通过 Hadoop 提供的 MapReduce 来实现的，而数据库通常有自己的执行引擎。
7. 执行延迟。之前提到，Hive 在查询数据的时候，由于没有索引，需要扫描整个表，因此延迟较高。另外一个导致Hive 执行延迟高的因素是 MapReduce 框架。由于MapReduce 本身具有较高的延迟，因此在利用 MapReduce 执行 Hive 查询时，也会有较高的延迟。相对的，数据库的执行延迟较低。当然，这个低是有条件的，即数据规模较小，当数据规模大到超过数据库的处理能力的时候，Hive 的并行计算显然能体现出优势。
8. 可扩展性。由于 Hive 是建立在 Hadoop 之上的，因此 Hive 的可扩展性是和 Hadoop 的可扩展性是一致的（世界上最大的 Hadoop 集群在 Yahoo!，2009年的规模在 4000 台节点左右）。而数据库由于 ACID 语义的严格限制，扩展行非常有限。目前最先进的并行数据库 Oracle 在理论上的扩展能力也只有 100 台左右。
9. 数据规模。由于 Hive 建立在集群上并可以利用 MapReduce 进行并行计算，因此可以支持很大规模的数据；对应的，数据库可以支持的数据规模较小。

总结：hive具有sql数据库的外表，但应用场景完全不同，hive只适合用来做批量数据统计分析

3、Hive的数据存储

1. Hive中所有的数据都存储在 HDFS 中，没有专门的数据存储格式（可支持Text，SequenceFile，ParquetFile，RCFILE等）

   SequenceFile是hadoop中的一种文件格式：文件内容是以序列化的kv对象来组织的。

2. 只需要在创建表的时候告诉 Hive 数据中的列分隔符和行分隔符，Hive 就可以解析数据。

3. Hive 中包含以下数据模型：DB、Table，External Table，Partition，Bucket。

   • db：在hdfs中表现为${hive.metastore.warehouse.dir}目录下一个文件夹

   • table：在hdfs中表现所属db目录下一个文件夹

   • external table：外部表, 与table类似，不过其数据存放位置可以在任意指定路径

     • 普通表: 删除表后, 会删除元数据和数据;
     • External外部表删除后, 只删除元数据，不删除数据

     

   • partition：在hdfs中表现为table目录下的子目录

     Hive分区表的作用：让你做统计的时候少统计，把我们的数据放在多个文件夹里边，我们统计时候，可以指定分区，这样范围就会小一些，这样就减少了运行的时间

   • bucket：桶, 在hdfs中表现为同一个表目录下根据hash散列之后的多个文件, 会根据不同的文件把数据放到不同的文件中

     好处：1、方便抽样；2、提高join查询效率

4、HQL和SQL的差异点

• select distinct 后必须指定字段名

• 子查询不能在select中使用

• HQL中没有UNION，可使用distinct+ union all 实现 UNION；

• HQL以分号分隔，必须在每个语句结尾写上分号；

• HQL中字符串的比较比较严格，区分大小写及空格，因此在比较时建议upper(trim(a))=upper(trim(b))

• 日期判断，建议使用to_date(),如：to_date(orderdate)=‘2016-07-18’

• 关键字必须在字段名上加``符号，如select exchange from xxdb.xxtb;

• 数据库和表/视图之间仅有1个点，如xx_db.xx_tb;

• HQL不支持update/delete

  实际采用union all + left join (is null)变相实现update。思路：

  1. 取出增量数据；
  2. 使用昨日分区的全量数据通过主键左连接增量数据，并且只取增量表中主键为空的数据（即，取未发生变化的全量数据）；
  3. 合并1、2的数据覆盖至最新的分区，即实现了update；

  HQL delete采用not exists/left join(is null)的方法变相实现。

  1. 取出已删除的主键数据（表B）；
  2. 使用上一个分区的全量数据（表A）通过主键左连接A，并且只取A中主键为空的数据，然后直接insert overwrite至新的分区；

5、Hive架构

架构图

Jobtracker是hadoop1.x中的组件，它的功能相当于： Resourcemanager+AppMaster

TaskTracker 相当于： Nodemanager + yarnchild

基本组成及各组件的基本功能

1. 用户接口：包括 CLI、JDBC/ODBC、WebGUI。其中，CLI为shell命令行；JDBC/ODBC是Hive的JAVA实现，与传统数据库JDBC类似；WebGUI是通过浏览器访问Hive。

2. 元数据存储Metastore：通常是存储在关系数据库如 mysql , derby中。Hive 中的元数据包括表的名字，表的列和分区及其属性，表的属性（是否为外部表等），表的数据所在目录等。

3. 解释器、编译器、优化器、执行器。完成 HQL 查询语句从词法分析、语法分析、编译、优化以及查询计划的生成。生成的查询计划存储在 HDFS 中，并在随后有 MapReduce 调用执行。

   • 解释器：把HQL语句转换成一颗抽象语法树
   • 编译器：把抽象语法树转换成一系列MR程序。Hive的底层有一系列的MR模板（Operation：GroupByOperation， JoinOperation）
   • 优化器：执行这一系列MR程序的优化
   • 执行器：组织相应的资源提交给Hadoop集群

6、Hive工作原理

下图描述了Hive 和Hadoop之间的工作流程。

1. Execute Query：Hive接口，如命令行或Web UI发送查询驱动程序（任何数据库驱动程序，如JDBC，ODBC等）来执行。
2. Get Plan：在驱动程序帮助下查询编译器，分析查询检查语法和查询计划或查询的要求。
3. Get Metadata：编译器发送元数据请求到Metastore（任何数据库）。
4. Send Metadata：Metastore发送元数据，以编译器的响应。
5. Send Plan：编译器检查要求，并重新发送计划给驱动程序。到此为止，查询解析和编译完成。
6. Execute Plan：驱动程序发送的执行计划到执行引擎。
7. Execute Job和Metadata Ops： 在内部，执行作业的过程是一个MapReduce工作。执行引擎发送作业给JobTracker，在名称节点并把它分配作业到TaskTracker，这是在数据节点。在这里，查询执行MapReduce工作。与此同时，在执行时，执行引擎可以通过Metastore执行元数据操作。
8. Fetch Result：执行引擎接收来自数据节点的结果。
9. Send Results：执行引擎发送这些结果值给驱动程序。
10. Send Results：驱动程序将结果发送给Hive接口。

7、Hive学习路线图

8、使用Hive注意事项

1. 使用单独的数据库存储元数据
2. 定义合理的表分区和键
3. 设置合理的bucket数据量
4. 进行表压缩
5. 定义外部表使用规范
6. 合理的控制Mapper, Reducer数量