六、大数据之Hive-01

六、大数据之Hive-01

Hive基本概念

1、Hive的认识

​ Hive 由FaceBook开源用于解决海量结构化日志的数据统计。

​ 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为一张表，并提供类SQL查询功能。

​ 本质是将HQL转化成MapReduce程序

1、HIve处理的数据存储在HDFS

2、Hive分析数据底层的实现是MapReduce

3、执行程序运行在Yarn上

2、Hive的优缺点

1）优点

​ a、操作接口采用类SQL语法，提供快速开发的能力。

​ b、避免了去写MapReduce，减少开发人员学习成本。

​ c、Hive的执行延迟比较高，因此常用于离线数据分析，和对实时性要求不高的场合。

​ d、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。

​ f、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

2）缺点

​ 1、hive的HQL表达能力有限

​ a、迭代式算法无法表达

​ b、数据挖掘方面不擅长，由于MapReduce数据处理流程的限制，效率更高的算法却无法实现。

​ 2、hive的效率比较低

​ a、hive自动生成的MapReduce作业，通常情况下不够智能化

​ c、hive调优比较困难，粒度较粗

3、Hive架构原理

1、用户接口：Client

​ CLI（command-line interface）、JDBC/ODBC(jdbc 访问 hive)、WEBUI（浏览器访问 hive）

2、元数据：Meta store

​ 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Meta store

3、Hadoop

​ 使用HDFS进行储存，使用MapReduce进行计算。

4、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予以是否有误。

​ （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。

4、Hive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。其实从结构上来看，Hive和数据库除了拥有类似的查询语言，再无类似之处。

1、查询语言

​ 由于 SQL 被广泛的应用在数据仓库中，因此，专门针对 Hive 的特性设计了类 SQL 的查询语言 HQL。熟悉 SQL 开发的开发者可以很方便的使用 Hive 进行开发。

2、数据存储位置

​ Hive 是建立在 Hadoop 之上的，所有 Hive 的数据都是存储在 HDFS 中的。而数据库则可以将数据保存在块设备或者本地文件系统中。

3、数据更新

​ 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。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 INSERT INTO … VALUES 添加数据 ， 使 用 UPDATE … SET 修改数据。

4、执行

​ Hive 中大多数查询的执行是通过 Hadoop 提供的 MapReduce 来实现的。而数据库通常有自己的执行引擎。

5、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。当然，这个低是有条件的，即数据规模较小，当数据规模大到超过数据库的处理能力的时候，Hive 的并行计算显然能体现出优势。

6、可扩展性

​ 由于 Hive 是建立在 Hadoop 之上的，因此 Hive 的可扩展性是和 Hadoop 的可扩展性是一致的（世界上最大的 Hadoop 集群在 Yahoo!，2009 年的规模在 4000 台节点左右）。而数据库由于 ACID 语义的严格限制，扩展行非常有限。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。

7、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较小。

能力也只有 100 台左右。