Hive基本概念

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。用写SQL的方式来写mapreduce。

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表达能力有限

（1）迭代式算法无法表达

（2）数据挖掘方面不擅长，由于MapReduce数据处理流程的限制，效率更高的算法却无法实现。

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

​​​​​​​3、Hive架构原理

1）．用户接口：Client

CLI（command-line interface）、JDBC/ODBC(jdbc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。

由于Hive本质上就是mapreduce，于是它的数据主要在HDFS上，引擎是mapreduce。Hive负责管理的只有Meta store。

一张表的构成只有数据肯定是不行的，还需要有描述这些数据的元数据（metadata）。Hive通过这些元数据把已有的数据看成一张表，Hive跟MySQL本质上是不一样的。

我们可以启动两种客户端，一个Hive（对应CLI），一个是hiveserver2（对应JDBC）。

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。

​​​​​​​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. 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。而普通数据库（MySQL）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。而普通数据库（MySQL）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. 执行

        Hive中大多数查询的执行是通过Hadoop提供的MapReduce来实现的。而普通数据库（MySQL）通常有自己的执行引擎。

5. 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。

6. 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。

7. 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，普通数据库（MySQL）可以支持的数据规模较小。