一、Hive入门
1. 什么是Hive
1.1 Hive简介
Hive是由Facebook开源,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。
需求,统计单词出现个数。
(1)在Hadoop课程中我们用MapReduce程序实现的,当时需要写Mapper、Reducer和Driver三个类,并实现对应逻辑,相对繁琐。
(2)如果通过Hive SQL实现,一行就搞定了,简单方便,容易理解。 select count(*) from test group by id;
1.2 Hive本质
Hive是一个Hadoop客户端,用于将HQL(Hive SQL)转化成MapReduce程序:
- Hive中每张表的数据存储在HDFS
- Hive分析数据底层的实现是MapReduce(也可配置为Spark或者Tez)
- 执行程序运行在Yarn上
1.3 优缺点
优点:
- 操作接口采用类SQL语法,提供快速开发的能力
- 避免了去写MR
- Hive的执行延迟比较高,所以Hive常用语数据分析,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,因为执行延迟比较高
- 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
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,由于MapReduce数据处理流程的限制,效率更高的算法无法实现 - Hive的效率比较低
Hive自动生成的MapReduce作业,通常情况下不够智能化
Hive调优比较困难,粒度较粗。更多的还是需要通过调整Hadoop参数进行调优。
2. Hive架构原理
2.1 用户接口:Client
CLI(command-line interface)、JDBC/ODBC。
JDBC和ODBC的区别。
(1)JDBC的移植性比ODBC好;(通常情况下,安装完ODBC驱动程序之后,还需要经过确定的配置才能够应用。而不相同的配置在不相同数据库服务器之间不能够通用。所以,安装一次就需要再配置一次。JDBC只需要选取适当的JDBC数据库驱动程序,就不需要额外的配置。在安装过程中,JDBC数据库驱动程序会自己完成有关的配置。)
(2)两者使用的语言不同,JDBC在Java编程时使用,ODBC一般在C/C++编程时使用。
2.2 元数据:Metastore
元数据(Meta Date),主要记录数据仓库中模型的定义、各层级间的映射关系、监控数据仓库的数据状态及 ETL
的任务运行状态。一般会通过元数据资料库(Metadata
Repository)来统一地存储和管理元数据,其主要目的是使数据仓库的设计、部署、操作和管理能达成协同和一致。
元数据包括:数据库(默认是default)、表名、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。
- 技术元数据,比如表结构、字段定义、文件存储等信息
- 业务元数据,比如业务定义、业务术语、业务规则、业务指标等
- 管理元数据,比如数据所有者、数据质量定责、数据安全等级等
默认存储在自带的derby数据库中,由于derby数据库只支持单客户端访问,生产环境中为了多人开发,推荐使用MySQL存储Metastore。
客户端连接metastore服务,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。
2.3 驱动器:Driver
-
解析器(SQLParser):将SQL字符串转换成抽象语法树(AST)
-
语义分析(Semantic Analyzer):将AST进一步划分为QeuryBlock
-
逻辑计划生成器(Logical Plan Gen):将语法树生成逻辑计划
-
逻辑优化器(Logical Optimizer):对逻辑计划进行优化
-
物理计划生成器(Physical Plan Gen):根据优化后的逻辑计划生成物理计划
-
物理优化器(Physical Optimizer):对物理计划进行优化
-
执行器(Execution):执行该计划,得到查询结果并返回给客户端
2.4 Hadoop
使用HDFS进行存储,可以选择MapReduce/Tez/Spark进行计算。
3. 和数据库比较
由于Hive采用了类似SQL的查询语言 HQL(Hive Query Language),因此很容易将Hive理解为数据库。其实从结构上看,Hive和数据库除了拥有类似的查询语言外,再无类似之处。数据库可以用在 online 应用中,但是 Hive 是为数据仓库而设计的。
- 查询语言:由于SQL被广泛的应用在数据仓库中,所以专门针对Hive的特性设计了类似SQL的查询语言HQL。熟悉SQL的开发者可以很方便的使用Hive进行开发。
- 数据更新:由于Hive是针对数据仓库应用设计的,而数据仓库的内容是读多写少的。因此,Hive中不建议对数据的改写,所有的数据都是在加载的时候确定好的。
Hive不建议对数据改写,但是也支持update语句:将数据文件从HDFS上下载下来,然后改写之后重新上传覆盖原文件,效率很低。
而数据库中的数据通常是需要经常进行修改的,因此可以使用 inert into … values添加数据,使用 update … set 修改数据。 - 执行延迟:Hive在查询数据的时候,由于没有索引,需要扫描整个表,因此延迟比较高。另外一个导致Hive执行延迟高的因素是 MapReduce 框架。由于 MapReduce 本身具有较高的延迟,因此在利用 MapReduce 执行 Hive查询时,也会有较高的延迟。
相对的,数据库的执行延迟较低(在数据规模比较小时)。
当数据规模大到超过数据库的处理能力时,Hive的并行计算显然能体现出优势。 - 数据规模:由于Hive建立在集群上,并可以利用 MapReduce 进行并行计算,因此可以支持很大规模的数据。
对应的,数据库可以支持的数据规模比较小。