Hive的概念与基本架构

1. 什么是Hive

1.1 hive简介

Hive是一个用于解决海量结构化日志的数据统计工具；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表，并提供类SQL查询功能。

hive的本质是将SQL转化为MapReduce程序

1. Hive处理的数据存储在HDFS上
2. Hive分析数据底层的实现是MapReduce
3. 执行程序运行在Yarn上

hive优缺点

优点

1. 操作接口采用类SQL语法，避免了写MapReduce，提供快速开发的能力（简单、好上手）。
2. Hive优势在于处理大数据，对于处理小数据没有优势，因为Hive执行延迟比较高。同理，Hive常用于数据分析等实时性要求不高的场景。
3. Hive支持用户自定义函数。

缺点

1. Hive的HQL表达能力有限，无法表达迭代算法；由于处理流程的限制，无法实现数据挖掘等效率更高的算法。
2. Hive的效率较低，自动生成的MapReduce作业，不够智能；调优较为困难，粒度较粗。

2. Hive的架构

1. 用户接口：Client；
   CLI（command-line interface）、JDBC/ODBC（数据库连接接口）、WEBUI（浏览器访问hive）
2. 元数据：Metastore；
   元数据包括：表名、表所属的数据库（默认是default）、表的拥有者、列/分区字段、表的类型（是否是外部表）、表的数据所在的目录等；
3. HDFS；
   使用HDFS进行数据存储，使用MapReduce进行计算。
4. 驱动器：Driver
   1. 解析器（SQLParser）：将SQL字符串抽象转化为抽象语法树AST，对AST进行语法分析，比如表是否存在、字段是否存在、SQL语义是否有误。
   2. 编译器（Physical Plan）：将AST编译生成逻辑执行计划。
   3. 优化器（Query Optimizer）：对逻辑执行计划进行优化。
   4. 执行器（Execution）：把逻辑执行计划转化为可以执行的物理计划。对于Hive来说，就是MR/Spark程序。