Hive基础概念

1.1 什么是hive

• Hive：由Facebook开源用于解决海量结构化日志的数据统计。
• 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表，并提供类SQL查询功能。
• 本质是：将HQL转化成MapReduce程序
  1）Hive处理的数据存储在HDFS
  2）Hive分析数据底层的实现是MapReduce
  3）执行程序运行在YARN上

总结：HQL首先根据映射表，从HDFS中获取对应的路径，然后将Hive转化为对应的MR操作

1.2 Hive的优缺点

1.2.1 优点

1）操作接口采用类SQL语法，提供快速开发的能力（简单、容易上手）
2）避免了去写MapReduce，减少开发人员的学习成本。
3）Hive的执行延迟比较高，因此Hive常用于数据分析，对实时性要求不高的场合；
4）Hive优势在于处理大数据，对于处理小数据没有优势
5）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。

1.2.2 缺点

1）Hive的HQL表达能力有限
（1）迭代式算法无法表达
（2）数据挖掘方面不擅长

2）Hive的效率比较低
（1）Hive自动生成的MapReduce作业，通常情况下不够智能化
（2）Hive调优比较困难，粒度较粗

1.3 Hive架构原理

1）用户接口：Client
CLI（hive shell）、JDBC/ODBC(java访问hive)、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）、表的数据所在目录等；
默认存储在自带的derby数据库中，推荐使用MySQL存储Metastore

3）驱动器：Driver
（1）解析器（SQL Parser）：将SQL字符串转换成抽象语法树AST，这一步一般都用第三方工具库完成，比如antlr；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）：把逻辑执行计划转换成可以运行的物理计划。对于Hive来说，就是MR/Spark。

4）Hadoop
使用HDFS进行存储，使用MapReduce进行计算。

1.4 Hive和数据库比较

1）查询语言：相比数据库，Hive作用于数据仓库，对应数据是在HDFS中，而数据仓库中的数据在块设备或者本地文件系统中。
2）数据更新：Hive是读多写少的，而mysql写多读也多
3）索引：mysql走索引，Hive全表扫描（因为并行，所以速度还可以）