数据仓库基础与Apache Hive入门

数据仓库基本概念

数据仓库（英语：Data Warehouse，简称数仓、DW）,是一个用于存储、分析、报告的数据系统。

数据仓库的目的是构建面向分析的集成化数据环境，分析结果为企业提供决策支持（Decision Support）。

数仓专注分析

• 数据仓库本身并不“生产”任何数据，其数据来源于不同外部系统;
• 同时数据仓库自身也不需要“消费”任何的数据，其结果开放给各个外部应用使用;
• 这也是为什么叫“仓库”，而不叫“工厂”的原因。

案例:中国人寿保险公司（chinalife）发展

数据仓库为何而来，解决什么问题的？

先下结论：为了分析数据而来，分析结果给企业决策提供支撑。

---

• 业务数据的存储问题

中国人寿保险（集团）公司下辖多条业务线，包括：人寿险、财险、车险，养老险等。各业务线的业务正常运营需要记录维护包括客户、保单、收付费、核保、理赔等信息。

这么多业务数据存储在哪里呢？
联机事务处理系统（OLTP）正好可以满足上述业务需求开展, 其主要任务是执行联机事务处理。其基本特征是前台接收的用户数据可以立即传送到后台进行处理，并在很短的时间内给出处理结果。

关系型数据库（RDBMS）是OLTP典型应用，比如：Oracle、MySQL、SQL Server等。

---

• 分析型决策的制定

  随着集团业务的持续运营，业务数据将会越来越多。由此也产生出许多运营相关的困惑：
  能够确定哪些险种正在恶化或已成为不良险种？
  能够用有效的方式制定新增和续保的政策吗？
  理赔过程有欺诈的可能吗？
  现在得到的报表是否只是某条业务线的？集团整体层面数据如何？

为了能够正确认识这些问题，制定相关的解决措施,最稳妥办法就是：基于业务数据开展数据分析，基于分析的结果给决策提供支撑。也就是所谓的数据驱动决策的制
定。

OLTP环境开展分析可行吗？
可以，但是没必要
OLTP系统的核心是面向业务，支持业务，支持事务。所有的业务操作可以分为读、写两种操作，一般来说读的压力明显大于写的压力。如果在OLTP环境直接开展各种分析，有以下问题需要考虑：
数据分析也是对数据进行读取操作，会让读取压力倍增；
OLTP 仅存储数周或数月的数据；
数据分散在不同系统不同表中，字段类型属性不统一；

数据仓库的构建

数据仓库的主要特征

• 面向主题 Subject-Oriented
• 集成性 Integrated
• 非易失性 Non-Volatile
• 时变性 Time-Variant

面向主题 Subject-Oriented

主题是一个抽象的概念，是较高层次上数据综合、归类并进行分析利用的抽象。在逻辑意义上，它是对应企业中某一宏观分析领域所涉及的分析对象

集成性 Integrated

主题相关的数据通常会分布在多个操作型系统中，彼此分散、独立、异构。需要集成到数仓主题下。
因此在数据进入数据仓库之前，必然要经过统一与综合，对数据进行抽取、清理、转换和汇总，这一步是数据仓库建设中最关键、最复杂的一步，所要完成的工作有：

1. 要统一源数据中所有矛盾之处；
   如字段的同名异义、异名同义、单位不统一、字长不一致等等。
2. 进行数据综合和计算。
   数据仓库中的数据综合工作可以在从原有数据库抽取数据时生成，但许多是在数据仓库内部生成的，即进入数据仓库以后进行综合生成的。

非易失性 Non-Volatile

也叫非易变性。数据仓库是分析数据的平台，而不是创造数据的平台。
数据仓库的数据反映的是一段相当长的时间内历史数据的内容
数据仓库中一般有大量的查询操作，但修改和删除操作很少。

时变性 Time-Variant

数据仓库包含各种粒度的历史数据，数据可能与某个特定日期、星期、月份、季度或者年份有关
当业务变化后会失去时效性。因此数据仓库的数据需要随着时间更新，以适应决策的需要。
从这个角度讲，数据仓库建设是一个项目，更是一个过程 。

Apache Hive入门

Apache Hive是一款建立在Hadoop之上的开源数据仓库系统，可以将存储在Hadoop文件中的结构化、半结构化数据文件映射为一张数据库表，基于表提供了一种类似SQL的查询模型，称为Hive查询语言（HQL），用于访问和分析存储在Hadoop文件中的大型数据集。

Hive核心是将HQL转换为MapReduce程序，然后将程序提交到Hadoop群集执行。
Hive由Facebook实现并开源。

---

为什么使用Hive？

• 使用Hadoop MapReduce直接处理数据所面临的问题
  人员学习成本太高 需要掌握java语言
  MapReduce实现复杂查询逻辑开发难度太大

• 使用Hive处理数据的好处
  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）
  避免直接写MapReduce，减少开发人员的学习成本
  支持自定义函数，功能扩展很方便
  背靠Hadoop，擅长存储分析海量数据集

---

Hive和Hadoop关系

• 从功能来说，数据仓库软件，至少需要具备下述两种能力：
  存储数据的能力、分析数据的能力
• Apache Hive作为一款大数据时代的数据仓库软件，当然也具备上述两种能力。只不过Hive并不是自己实现了上述
  两种能力，而是借助Hadoop。
  Hive利用HDFS存储数据，利用MapReduce查询分析数据。
• 这样突然发现Hive没啥用，不过是套壳Hadoop罢了。其实不然，Hive的最大的魅力在于用户专注于编写HQL，
  Hive帮您转换成为MapReduce程序完成对数据的分析。
  

场景设计：如何模拟实现Hive功能

案例 如何模拟实现Apache Hive的功能

在HDFS文件系统上有一个文件，路径为/data/china_user.txt；
需求：统计来自于上海年龄大于25岁的用户有多少个？

重点理解下面两点：
Hive能将数据文件映射成为一张表，这个映射是指什么？
	文件和表之间的对应关系
Hive软件本身到底承担了什么功能职责？
	SQL语法解析编译成为MapReduce

映射信息记录

• 映射在数学上称之为一种对应关系，比如y=x+1，对于每一个x的值都有与之对应的y的值。 * 在hive中能够写sql处理的前提是针对表，而不是针对文件，因此需要将文件和表之间的对应关系描述记录清楚。
  映射信息专业的叫法称之为元数据信息（元数据是指用来描述数据的数据 metadata）。
• 具体来看，要记录的元数据信息包括：
  表对应着哪个文件（位置信息）
  表的列对应着文件哪一个字段（顺序信息）
  文件字段之间的分隔符是什么
  

SQL语法解析、编译

• 用户写完sql之后，hive需要针对sql进行语法校验，并且根据记录的元数据信息解读sql背后的含义，制定执行计划
• 并且把执行计划转换成MapReduce程序来具体执行，把执行的结果封装返回给用户。

最终效果

Apache Hive架构、组件

Hive架构图

Hive组件

用户接口
包括 CLI、JDBC/ODBC、WebGUI。其中，CLI(command line interface)为shell命令行；Hive中的Thrift服务器允许
外部客户端通过网络与Hive进行交互，类似于JDBC或ODBC协议。WebGUI是通过浏览器访问Hive。

元数据存储
通常是存储在关系数据库如 mysql/derby中。Hive 中的元数据包括表的名字，表的列和分区及其属性，表的属性（是否为外部表等），表的数据所在目录等。

Driver驱动程序
包括语法解析器、计划编译器、优化器、执行器
完成 HQL 查询语句从词法分析、语法分析、编译、优化以及查询计划的生成。生成的查询计划存储在 HDFS 中，并在
随后有执行引擎调用执行。

执行引擎
Hive本身并不直接处理数据文件。而是通过执行引擎处理。当下Hive支持MapReduce、Tez、Spark3种执行引擎。

Apache Hive安装部署

Apache Hive元数据

元数据（Metadata），又称中介数据、中继数据，为描述数据的数据（data about data），主要是描述数据属性（property）的信息，用来支持如指示存储位置、历史数据、资源查找、文件记录等功能。

Hive Metadata
Hive Metadata即Hive的元数据。
包含用Hive创建的database、table、表的位置、类型、属性，字段顺序类型等元信息
元数据存储在关系型数据库中。如hive内置的Derby、或者第三方如MySQL等。

Hive Metastore

Metastore即元数据服务。Metastore服务的作用是管理metadata元数据，对外暴露服务地址，让各种客户端通过连接metastore服务，由metastore再去连接MySQL数据库来存取元数据。
有了metastore服务，就可以有多个客户端同时连接，而且这些客户端不需要知道MySQL数据库的用户名和密码，只需要连接metastore 服务即可。某种程度上也保证了hive元数据的安全。

metastore配置方式
metastore服务配置有3种模式：内嵌模式、本地模式、远程模式。

---

• metastore远程模式
  在生产环境中，建议用远程模式来配置Hive Metastore。在这种情况下，其他依赖hive的软件都可以通过Metastore访问hive。由于还可以完全屏蔽数据库层，因此这也带来了更好的可管理性/安全性。