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
- Hive处理的数据存储在HDFS上
- Hive分析数据底层的实现是MapReduce
- 执行程序运行在Yarn上
hive优缺点
优点
- 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)。
- 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。
- Hive支持用户自定义函数。
缺点
- 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。
- 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
- 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) - 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; - HDFS;
使用HDFS进行数据存储,使用MapReduce进行计算。 - 驱动器:Driver
- 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。
- 编译器(Physical Plan):将AST编译生成逻辑执行计划。
- 优化器(Query Optimizer):对逻辑执行计划进行优化。
- 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。