Hive初步

一 Hive 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，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
1.2 Hive 的优缺点
1.2.1 优点
1)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)
2)避免了去写 MapReduce，减少开发人员的学习成本。
3)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; 4)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。 5)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。
1.2.2 缺点
1)Hive 的 HQL 表达能力有限 (1)迭代式算法无法表达 (2)数据挖掘方面不擅长
2)Hive 的效率比较低
(1)Hive 自动生成的 MapReduce 作业，通常情况下不够智能化 (2)Hive 调优比较困难，粒度较粗

1.3 Hive 架构原理

如图中所示，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)用户接口:Client
CLI(hive shell)、JDBC/ODBC(java 访问 hive)、WEBUI(浏览器访问 hive) 2)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 derby 数据库中，推荐使用 MySQL 存储 Metastore
3)Hadoop
使用 HDFS 进行存储，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 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。
1.4 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。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。
1.4.1 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。
1.4.2 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。
1.4.3 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。因此，Hive 中不支持对数据的改写和添加，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。