1.1 什么是Hive
Hive是由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,可以将一张结构化的数据文件映射为一张表,并且提供了类SQL查询功能。其实本质是将HQL(Hive Query Language)转化成MapReduce程序。
(1)Hive处理的数据存储在HDFS上;
(2)Hive分析数据的底层实现是MapReduce
(3)执行的程序是运行在Yarn上。
从上面不难看出,我觉得Hive实际上是Hadoop的一个客户端,而且Hive并不是一个分布式的框架。
1.2 优缺点
1.2.1 优点:
操作接口采用的是类SQL的语法,提供了快速开发的能力;
避免了去写MapReduce,减少了开发人员的学习成本;
Hive的执行延迟比较高,因此Hive常常被用来做数据分析,用于实时性要求不高的场合;
Hive的优势在于处理大数据,对于小数据没有什么优势,因为Hive处理数据的延迟比较高;
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,这个是Hive很大的优势之一。
1.2.2 缺点:
Hive的HQL表达能力有限,只要表现在迭代式算法无法表达和数据挖掘方面不太擅长
Hive的效率比较低,而且调优比较困难。
1.3 Hive架构原理
1.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;
注意:默认存储在自带的derby数据库中,推荐使用MySQL存储Metastore
2. 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。
从上图可以看出,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。