Hive的设计与架构

本文包含Hive的设计与架构的详细信息，具体内容如下：

• Hive架构
• Hive数据模型
• 元存储
  • Motivation
  • 元数据对象

Hive 架构

图中展示了Hive的主要组成部分，以及与Hadoop的交互，如图所述，Hive的主要组件有：

• UI – 提供给用户的接口，用于对系统提交查询和其他操作。从2011年起，在Hive开发了一个命令行接口和一个基于GUI的网页.
• Driver – 这个组件接收来自UI的查询。这个组件实现了会话句柄的概念，并提供执行，以及模仿JDBC/ODBC接口取得APIs。
• Compiler – 这个组件解析查询，对不同的查询块和查询表达式做语义分析，最后根据元数据的表和分区的元数据来产生一个执行计划。
• Metastore – 这个组件存储数据仓库中的表和分区的所有结构信息，包括列、列类型信息，需要读和写数据的序列化器和反序列化器，以及数据存储的HDFS文件位置。
• Execution Engine – 这个组件执行由compiler创建的执行计划。这个计划是一个DAG stages。这个执行引擎管理着这个计划的不同的stages的依赖，并且在合适的系统组件上执行这些stages。

图中也显示了，一个经典的查询流程是如何贯穿这个系统的。在图中的第一步，UI调用执行接口到Driver。第二步，Driver对查询创建一个会话句柄（session handle），并且发送查询给Compiler来产生执行计划。第三和第四步，compiler从metastore获取需要的元数据。这个元数据用于对查询树中的表达式做类型检查、和基于查询谓词做分区剪枝。这个由compiler产生的计划（第五步）是一个有向无环图（DAG）的stages，每个stage可以是一个map/reduce作业，一个元数据操作或者对HDFS的操作。对于map/reduce stages，这个计划包含map操作树（执行在mapper上的操作树）和一个reduce操作树（需要reduce的操作）。第六步（6，6.1，6.2，6.3），执行引擎提交这些stages到合适的组件。在每个task（mapper/reducer)，与表或中间输出相关的反序列化器，用于从HDFS文件读取数据行，并且被传递到相关的操作树。一旦有输出产生，会通过序列化器把输出写到一个临时的HDFS文件（这会发生在mapper端，且没有reduce的情况下）。这个临时文件用于给计划的子stage的map/reduce提供数据。对于DML(数据操纵语言)操作，最终的临时文件被移到表（table）的位置。这个策略用于确保不会读到脏数据（在HDFS上，文件重命名是一个原子操作）。对于查询，通过执行引擎直接从HDFS读取这个临时文件的内容，然后作为从Driver调用获得的一部分返回给UI（第七，八，九步）。

Hive 数据模型

Hive中的数据组织成以下：

• Tables – 这与关系型数据库的表类似。表可以被过滤，投影，连接和合并。此外，一个表的所有数据存储在HDFS的一个目录下。Hive也支持外部表概念，即在创建表的时候，可以在创建表语句中，通过提供正确的路径，然后创建外部表。与关系型数据库相似，一个表里的行被组织成有类型的列。

• Partitions – 每个表都有一个或多个分区key，来决定数据如何存储，例如，表T有一个日期分区列ds，数据文件则存储在HDFS的<table location>/ds=<date>目录。在查询的情况下，分区会对数据进行剪枝，例如，在一个查询中有谓词T.ds = '2008-09-01'，则查询只会针对HDFS上的<table location>/ds=2008-09-01/这个目录进行数据查找。

• Buckets – 在表中，每个分区的数据，还可能基于一个列的哈希划分成桶。每个桶作为一个文件存储在分区目录下。分桶使得系统更有效地进行数据的抽样查询。

除了原生列类型（integer, float, string, date, boolean），Hive还支持数组和map（key、value键值对）。另外，用户也可以使用原生类型来自定义自己的类型。类型系统依赖于SerDe（序列化和反序列化）和对象检查接口，用户通过实现他们自己的对象检查器来创建自己的类型，并且使用这些检查器，用户能够创建他们自己的SerDes来序列化和反序列化数据到HDFS文件，当需要理解其他数据格式和类型时，这两个接口为其提供了必要的钩子来继承Hive的这个能力。内置的对象检查器，如ListObjectInspector，StructObjectInspector和MapObjectInspector以一个可扩展的方式，提供了必要的原型来组合富类型。例如map（关联数组）和数据组提供了有用的诸如size和index操作符的内置函数。.用于索引嵌套类型，例如a.b.c=1，表示比较a里面的b字段中的c字段是否为1。

元存储

Motivation

元存储提供了两个数据仓库中重要但通常会忽略的特征：数据抽象和数据发现。在Hive中，如果没有数据抽象，用户在查询时，必须提供数据格式、提取器和加载器信息。在Hive中，这些信息是在表创建的时候给予的，并且在每次引用表的时候会重复使用这些信息。这与传统的仓库系统非常相似。第二个特性：数据发现，允许用户在仓库中探索和发现有意义的数据。

元数据对象

• 数据库 - 表的命名空间，在未来，它可以被用来作为一个管理单元，如果没有指定数据库名，默认使用default库。
• 表 - 表的元数据包含：列的列表，拥有者，存储和序列化信息。也能包含任意用户指定的key-value数据。存储信息包括数据的位置，文件的输入和输出格式，以及桶信息。序列化和反序列化元数据包括序列化器和反序列化器的类实现，所有的这些信息在创建表的时候提供。
• 分区 -每个分区可以有自己的列和序列化和反序列化存储信息。这些信息的变更不会影响老的分区。

文章翻译自：Design