一、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。本质上是将HQL转化成MapReduce程序。
- Hive处理的数据存储在HDFS上
- Hive分析数据的底层实现是MapReduce
- 执行程序运行在Yarn上
二、优缺点
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。
- 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 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。
缺点:
1、 Hive的HQL能力表达有限
2、 Hive的效率比较低
三、Hive架构原理
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。
执行流程:
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。
四、Hive与数据库比较
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。
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。因此,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.索引
Hive不建立索引,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,数据库可以有很高的 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执行引擎。
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。
- 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。
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。
这是我学习Hive的网址:
Hive学习