初学HIVE（一）——初步认识HIVE

一、HIVE基础知识

1. HIVE是什么

  Hive是基于Hadoop的数据仓库工具，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，存储的基础数据在HDFS上，执行程序运行在Yarn上。

2. HIVE优缺点

1）优点

• 优势在于处理大数据，对于处理小数据没有优势，因为Hive的执行延迟比较高（原因：没有如数据库索引的功能，总是扫描全表数据），也因此在实时性要求较高的场合不适用，更宜用于数据分析。
• 类SQL的语法，不必编写MapReduce，减少学习成本。
• 支持用户自定义函数。

2）缺点

• HQL表达能力有限：迭代式算法无法表达；数据挖掘方面不擅长。
• 效率比较低：Hive自动生成的MapReduce作业，通常情况下不够智能化；调优比较困难，粒度较粗。

  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。还有一个原因是MapReduce框架，它本身就具有较高的延迟。但同时，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。

3. HIVE与数据库的区别

  从结构上来看，Hive 和数据库除了拥有类似的查询语言，再无类似之处。

比较内容	HIVE	数据库
数据规模	大	小
使用语法	类SQL：HQL	SQL语法
应用场景	为数据仓库而设计，更适用于读多写少	用在 Online 的应用，更支持实时操作
数据存储	建立在 Hadoop 之上，数据存储在 HDFS 中	数据可保存在块设备或者本地文件系统中
数据改写	不建议，但是自ApacheHive 0.14及更高版本开始支持INSERT、UPDATE和DELETE语句 （需要先在hive_site.xml进行配置）	支持
延迟情况	无索引，全表扫描，延迟较高；MapReduce框架也有较高延迟，但是大规模数据访问时，其并行访问更具优势	可建立索引，提高效率，延迟低；当数据规模大到超过数据库的处理能力的时候，Hive的并行计算将能体现出优势
执行引擎	由Hadoop提供的MapReduce实现	自己的执行引擎
可扩展性	高可扩展的，和Hadoop的可扩展性一致；世界上最大的Hadoop 集群在 Yahoo!，2009年的规模在4000 台节点左右	扩展性有限，由于数据库的ACID语义严格限制；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

4、HIVE架构原理

1）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。

2）Hadoop

  使用HDFS进行存储，使用MapReduce进行计算。

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。

  Hive通过给用户提供的一系列交互接口，接收到用户的指令(SQL)，使用自己的Driver，结合元数据(MetaStore)，将这些指令翻译成MapReduce，提交到Hadoop中执行，最后，将执行返回的结果输出到用户交互接口。

4）架构原理

后补

二、HIVE和MySQL的安装与配置

因用不到，暂时不学。

三、Hadoop（非学习重点）

  Google大数据三大关键技术（未开放源码）：MapReduce（分布式计算框架）、BigTable（类似数据库，提供快速查询）、GFS（集群存储，可通过添加机器增加容量）。以Google的技术论文，进行模仿开源实现了Hadoop，关键构成：MapReduce、Hbase、HDFS。

1、Hadoop概述

1）名称：作者的孩子给一只黄色大象玩具起的名字
2）官网：hadoop.apache.org
3）描述：一个分布式系统基础框架。用户可以在不了解分布式底层细节的情况下，开发分布式程序。重复利用集群的威力高速运输和存储。
4）Hadoop核心构成：分布式文件系统HDFS，资源管理系统YARN，分布式计算框架MapReduce。

2、Hadoop生态系统

3、分布式文件系统：HDFS

1）初步了解HDFS

• 源于Google的GFS论文（2003年10月）
• 缩写来源：Hadoop Distributied File Systerm
• 分布式文件系统，是GFS的克隆版
• 优势：硬件错误为常态，而非异常（快速检测错误和自动恢复）；注重批处理，而非交互式查询

2）什么是分布式文件系统

3）官网介绍

官网介绍（https://hadoop.apache.org->get learns->Introduction）：The Hadoop Distributed File System (HDFS) is a distributed file system designed to run on commodity hardware（可部署在普通、廉价的硬件上）. It has many similarities with existing distributed file systems. However, the differences from other distributed file systems are significant. HDFS is highly fault-tolerant（高容错） and is designed to be deployed on low-cost hardware（部署在廉价的硬件上）. HDFS provides high throughput（提供高吞吐量） access to application data and is suitable for applications that have large data sets. HDFS relaxes a few POSIX requirements to enable streaming access to file system data. HDFS was originally built as infrastructure for the Apache Nutch web search engine project. HDFS is part of the Apache Hadoop Core project.