什么是Hive——大数据仓库Hive基础

Hive是什么：

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成一张表，并提供类SQL查询功能；其本质是将HQL转化成MapReduce程序。

• 构建在Hadoop之上的数据仓库：

  • 使用HQL作为查询接口
  • 使用HDFS存储
  • 使用MapReduce计算

• 灵活性和扩展性比较好：支持UDF，自定义存储格式等：

• 适合离线数据处理

---

Hive体系结构：

Hive的数据存储基于HDFS，其没有专门的数据存储格式，主要的存储结构主要包括：数据库，文件，表，视图，索引。Hive默认可以直接加载文本文件（TextFile），还支持SequenceFile，RCFile。创建表时指定Hive数据的列分隔符与行分隔符即可解析数据。

• 用户接口：Client：
  • CLI(hive shell)、JDBC/ODBC(java访问hive)，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）、表的数据所在目录等；
  • 默认存储在自带的derby数据库中，推荐使用采用MySQL
• Hadoop
  • 使用HDFS进行存储，使用MapReduce进行计算
• 驱动器：Driver（包含解析器，编译器，优化器，执行器）
  • 解析器：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(比如select中被判定为聚合的字段在group by中是否有出现)；
  • 编译器：将AST编译生成逻辑执行计划；
  • 优化器：对逻辑执行计划进行优化；
  • 执行器：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/TEZ/Spark；

---

Hive四种表类型

1.分区表
- 最常用
- 可以按时间日期进行分区
2.内部表（管理表）
- 一般创建临时表使用内部表
- 创建的时候如果不指定是外部表，默认就是内部表
- 删除表会将数据一并删除
3.外部表（托管表）
- 推荐使用此方式创建表
- 创建的时候需要使用关键字(EXTERNAL)声明
- 删除表的时候只会删除表结构不会删除数据
4.桶表
- 不常用
- 桶表专门用于抽样查询，是很专业性的
- 不是日常用来存储数据的表，需要抽样查询时，才创建和使用桶表。

---

Hive 优点与使用场景

优点：

• 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)；
• 避免了去写MapReduce，减少开发人员的学习成本；
• 统一的元数据管理，可与impala/spark等共享元数据；
• 易扩展(HDFS+MapReduce：可以扩展集群规模；支持自定义函数)；

使用场景：

• Hive的执行延迟比较高，因此hive常用于数据分析的，对实时性要求不高的场合；
• Hive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。

---

更多信息:Hive官网，入门文档，Hive下载