一、Hive基本概念
1、什么是Hive
Hive:由Facebook开源用于解决海量数据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:将HQL转化为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
(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
2)缺点
(1)Hive的HQL表达能力优先
(1.1)迭代式算法无法表达
(1.2)数据挖掘方面不擅长
(2)Hive的效率比较低
(2.1)Hive自动生成的MapReduce作业,通常情况下不够智能化
(2.2)Hive调优比较困难,粒度较粗
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存数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
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 Lanuage),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
。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
4)索引
Hive在加载数据的过程中不会对数据进行任何处理,甚至不会对数据进行扫描,因此也没有对数据中的某些Key建立索引。Hive要访问数据中满足条件的特定值时,需要暴力扫描整个数据,因此访问延迟较高。由于MapReduce的引入,Hive可以并行访问数据,因此即使没有索引,对于大数据量的访问,Hive仍然可以体现出优势。数据库中,通常会针对一个或者几个列建立索引,因此对于少量的特定条件的数据的访问,数据库可以很高的效率,较低的延迟。由于数据的访问延迟较高,决定了Hive不适合在线数据查询。
5)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引擎。
6)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。
7)可拓展性
由于Hive是建立在Hadoop之上的,因此Hive的可拓展性是和Hadoop的可拓展性是一致的(世界上最大的Hadoop集群在Yahoo!2009年规模在4000台节点左右)。而数据库由于ACID语义的严格限制,拓展行非常优先。目前最先进的并行数据库Oracle在理论上的拓展能力也只有100台左右。
8)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。
二、Hive安装环境准备
1、Hive安装地址
1)Hive官网地址
2)文档查看地址
3)下载地址
4)github地址
2、Hive安装部署
1)Hive安装与部署
(1)把apache-hive-1.2.1-bin.tar.gz上传到linux的/opt/software目录下
(2)解压apache-hive-1.2.1-bin.tar.gz到/opt/module/目录下
(3)修改apache-hive-1.2.1-bin.tar.gz的名称为hive
(4)修改/opt/module/hive/conf目录下的hive-env.sh.template名称为hive-env.sh
(5)配置hive-env.sh文件
(a)配置HADOOP_HOME路径
export HADOOP_HOME=/opt/module/hadoop-2.7.2
(b)配置HIVE_CONF_DIR路径
2)hadoop集群配置
(1)必须启动hdfs和yarn
(2)在hdfs上创建/tmp和/user/hive/warehouse两个目录并修改他们的同组权限可写
3)Hive基本操作
(1)启动hive
hive>hive
(2)查看数据库
hive>show databases;
(3)打开默认数据库
hive>use default;
(4)显示default数据库中的表
hive>show tables;
(5)创建一张表
hive>create table student(id int ,name string);
(6)显示数据库中有几张表
hive>show tables;
(7)查看表的结构
hive>desc studen