HiveSQL是一种类似于SQL语言的工具,作为海量数据分析的SQL查询引擎,因相对简单易上手,被越来越多的人使用与喜爱,比如我们常见的数据分析师、BI报表工程师、数仓工程师等岗位,这些岗位的同事们基本上都是HiveSQL的粉丝(包括我也是)。下面就大概记录一下自己对HiveSQL的认识。
理解Hive
- 基于Hadoop的数据仓库工具,对MapReduce的一个封装,底层就是MapReduce程序,HiveSql替代了复杂的MapReduce程序
- 将Hdfs中的结构化数据映射为一张虚表,并提供sql查询语句
- Hive没有服务端,它的本质是Hdfs的客户端,对Hdfs中的数据与 Meta store中的元数据进行操作
Hive的架构与原理
- 2个客户端
CLC命令行客户端(在shell上执行脚本)
JDBC客户端
- 4个驱动器
SQL Parser解析器:检查sql语法是否正确
Pysical Plan编译器:把sql转换为MapReduce任务
Query Optimizer优化器:优化sql查询语句
Execution执行器:执行MapReduce任务
- 元数据Meta Store
Meta Store用来存放Hive的元数据信息,如Hive中的表名、列/分区字段、表的类型(内部表or外部表)、表所属数据库、表所在的目录、表的用户权限等
Meta Store默认存放在Hive自带的derby数据库中,但derby无法实现并发,所以Meta Store一般存放在外部mysql数据库中
通过元数据信息能找到表字段,然后把表字段映射到结构化数据中,最终形成一张虚表
Hive与常规数据库的区别
- 数据存储的位置
Hive处理的结构化数据存放在Hdfs上,元数据一般放在外部mysql数据库中
数据库是把数据放在块设备或本地文件系统中
- 数据的更新
Hive适用于静态数据,主要用作数据的查询与分析
数据库适用于动态数据,主要用作数据的实时更新
- 执行的机制
Hive的查询引擎一般是Hadoop的MapReduce
数据库的查询引擎一般是InnerDB
- 执行的延迟
Hive没有索引,通过MapReduce执行查询任务,延迟比较高
数据库延迟低,但不适合做海量数据查询
- 扩展性
Hive构建在Hadoop上,可扩展性强,支持并发运行
数据库可扩展性差
参考文章
https://blog.csdn.net/wx1528159409/article/details/84667658