经过前面的学习之后,我们总算是来到了Hive阶段。本篇博客博主将为大家带来Hadoop组件之——Hive的介绍!
首先在开始之前,再让我们通过一张熟悉的图片来回顾一下Hadoop生态系统的组成部分。
目录
基本概念
1.1 什么是Hive
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
\color{#FF0000}{数据仓库工具}
数据仓库工具,可以将
结
构
化
的
数
据
文
件
映
射
为
一
张
表
\color{#FF0000}{结构化的数据文件映射为一张表}
结构化的数据文件映射为一张表,并提供
类
S
Q
L
\color{#FF0000}{类SQL}
类SQL查询功能。
本
质
是
:
将
H
Q
L
转
化
成
M
a
p
R
e
d
u
c
e
程
序
\color{#FF0000}{本质是:将HQL转化成MapReduce程序}
本质是:将HQL转化成MapReduce程序
1.
H
i
v
e
处
理
的
数
据
存
储
在
H
D
F
S
\color{#FF0000}{1. Hive处理的数据存储在HDFS}
1.Hive处理的数据存储在HDFS
4.
H
i
v
e
分
析
数
据
底
层
的
实
现
是
M
a
p
R
e
d
u
c
e
\color{#FF0000}{4. Hive分析数据底层的实现是MapReduce}
4.Hive分析数据底层的实现是MapReduce
3.
执
行
程
序
运
行
在
Y
a
r
n
上
\color{#FF0000}{3. 执行程序运行在Yarn上}
3.执行程序运行在Yarn上
1.2 为什么使用Hive
1.直接使用Hadoop所面临的问题:
- 人员学习成本太高
- 项目周期要求太短
- MapReduce实现复杂查询逻辑开发难度太大
2. 为什么要使用Hive:
- 操作接口采用类SQL语法,提供快速开发的能力。
- 避免了去写MapReduce,减少开发人员的学习成本。
- 功能扩展很方便。
1.3 Hive的优缺点
1. 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。
- H i v e 的 执 行 延 迟 比 较 高 , 因 此 H i v e 常 用 于 数 据 分 析 , 对 实 时 性 要 求 不 高 的 场 合 。 \color{#FF0000}{Hive的执行延迟比较高,因此Hive常用于数据分析,对实时性要求不高的场合。} Hive的执行延迟比较高,因此Hive常用于数据分析,对实时性要求不高的场合。
- H i v e 优 势 在 于 处 理 大 数 据 , 对 于 处 理 小 数 据 没 有 优 势 , 因 为 H i v e 的 执 行 延 迟 比 较 高 。 \color{#FF0000}{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。} 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。
- 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
- 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,效率更高的算法却无法实现。
2.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
1.4 Hive架构
基本组成:
- 用户接口:Client
CLI(command-line interface)、JDBC/ODBC(jdbc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 d e r b y 数 据 库 中 , 推 荐 使 用 M y S Q L 存 储 M e t a s t o r e \color{#FF0000}{默认存储在自带的derby数据库中,推荐使用MySQL存储Metastore} 默认存储在自带的derby数据库中,推荐使用MySQL存储Metastore - Hadoop
使用HDFS进行存储,使用MapReduce进行计算。 - 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语义是否有误。
(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。
1.5 执行过程
Hive通过给用户提供的一系列交互接口,接收到用户的指令(SQL),使用自己的Driver,结合元数据(MetaStore),将这些指令翻译成MapReduce,提交到Hadoop中执行,最后,将执行返回的结果输出到用户交互接口。
1.6 Hive与Hadoop的关系
Hive利用HDFS存储数据,利用MapReduce查询分析数据
1.7 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。本文将从多个方面来阐述 Hive 和数据库的差异。数据库可以用在 Online 的应用中,但是Hive 是为数据仓库而设计的,清楚这一点,有助于从应用角度理解 Hive 的特性。
- 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
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 \color{#FF0000}{数据仓库的内容是读多写少的} 数据仓库的内容是读多写少的。因此, H i v e 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 \color{#FF0000}{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。
1.8 Hive的数据存储
1、Hive中所有的数据都存储在 HDFS 中,没有专门的数据存储格式(可支持Text,SequenceFile,ParquetFile,ORC格式RCFILE等)
2、只需要在创建表的时候告诉 Hive 数据中的列分隔符和行分隔符,Hive 就可以解析数据。
3、Hive 中包含以下数据模型:DB、Table,External Table,Partition,Bucket。
- db:在hdfs中表现为${hive.metastore.warehouse.dir}目录下一个文件夹
- table:在hdfs中表现所属db目录下一个文件夹
- external table:与table类似,不过其数据存放位置可以在任意指定路径
- partition:在hdfs中表现为table目录下的子目录
- bucket:在hdfs中表现为同一个表目录下根据hash散列之后的多个文件
本次的分享就到这里了,
看
完
就
赞
,
养
成
习
惯
!
!
!
\color{#FF0000}{看完就赞,养成习惯!!!}
看完就赞,养成习惯!!!^ _ ^ ❤️ ❤️ ❤️
码字不易,大家的支持就是我坚持下去的动力。点赞后不要忘了关注我哦!