1.Hive的基础概念
本文介绍了大数据技术之Hive的一些基础概念,包括什么是Hive、Hive的优缺点、架构原理,以及和常用数据库的比较。
本文的学习资料来源于b站上的 尚硅谷Hive教程,视频链接如下:
https://www.bilibili.com/video/BV1W4411B7cN?spm_id_from=333.999.0.0
1.1什么是Hive
1.Hive是由Facebook开源,用于解决海量 结构化日志的 数据统计。
2.Hive是基于Hadoop的一个数据仓库工具(可以将其看作是Hadoop的一个客户端),可以将结构化的数据文件映射为一张表,并提供类SQL的查询功能。Hive本质上是将HQL转化成MapReduce程序,如下图:
3.可以将Hive其看作是Hadoop的一个客户端,原因在于:
1)Hive处理的数据存储在HDFS
2) Hive分析数据的底层的默认实现方式是MapReduce(MR的特点是慢)
3) 执行程序运行在Yarn上
1.2Hive的有缺点
1.优点
1) Hive优势在于处理大数据,因为执行时延比较高,所以常用于对实时性要求不高的数据分析场合
2)Hive的操作接口采用类SQL语法,简单容易上手,避免去写MR程序,学习成本低
3)Hive支持用户自定义函数
2.缺点
1)HQL的表达能力有限,即迭代式算法无法表达和不擅长数据挖掘方面
2)HQL的效率比较低,Hive自动完成MR作业通常情况下不够智能化,调优比较困难粒度较粗。
1.3Hive的架构原理
1.hive架构的核心在于 driver驱动器:
2.驱动器中四个组件的作用
1)解析器:将sql语句转化成抽象语法树AST,对AST的语法进行分析,比如表是否存在、字段是否存在和sql语义是否存在问题
AST(abstract syntax code):将源代码的抽象语法表示成树状的形式
2)编译器:将AST转化成逻辑执行计划
3)优化器:对逻辑执行计划进行优化
4)执行器:将逻辑执行计划转化成物理执行计划,即MR程序
1.4 Hive和数据库比较
1.两者最大的不同在于所能处理的数据量级上:
数据库处理的数据规模较小,一般到了百万级别的数据就会出现性能瓶颈
Hive处理的数据规模更大,所谓的大数据,因为hive是建立在集群上可以利用MR进行并行运算
2.两者所处理的数据量级不同就延伸出了数据存储、数据更新、执行方式和执行时延等方面的不同。