【Hadoop学习笔记】（二）——Hive的原理及使用

一、Hive概述

Hive是一个在Hadoop中用来处理结构化数据的数据仓库基础工具。它架构在Hadoop之上，用来进行数据提取、转化、加载，这是一种可以存储、查询和分析存储在Hadoop中的大规模数据的机制。

Hive数据仓库工具能为HDFS上的数据提供类似SQL的查询语言（HiveQL），并将SQL语句转变成MapReduce任务来执行。Hive 明显降低了 Hadoop 的使用门槛，任何熟悉 SQL 的用户都可以使用 Hive。

Hive 经常用于业务和数据分析，并对存储在 HDFS 上的数据执行特殊查询。

二、Hive基本使用

Hive 的使用通常分为以下三个步骤：

1. 创建表，定义表的各个字段
2. 把数据导入已创建的表中
3. 针对上表执行 HiveQL 查询

1.创建表

创建表的语法与 SQL 基本一致

CREATE TABLE ufodata( 
sighted string,
reported string,
sighting_location string)
ROW FORMAT DELIMITED
FIFLDS TERMINATED BY '\t';

这里要注意，由于 Hive 通常从 HDFS 上的文件导入数据，因此要注意文件格式的匹配。
ROW FORMAT DELIMITED 告诉 Hive 每行数据包含多个有界字段，
FIFLDS TERMINATED BY 指定了文件的分隔符

2. 导入数据

• 从 HDFS 上导入数据：如果使用的文件已经在 HDFS 上，可以使用 INPATH 指定源文件位置

如果传给LOAD 的是 HDFS 上的数据路径，那么在导入数据后会删除原始文件
可以使用 LOCAL INPATH 指定位于本地文件系统上的源文件

LOAD DATA INPATH '/tmp/ufo.tsv' OVERWRITE INTO TABLE ufodata;

注意，OVERWRITE 会在导入数据前删除表中原有数据，还会把存放表数据的目录清空

• 基于现有文件创建表：可以导入 Hive 仓库目录之外路径的数据

CREATE EXTERNAL TABLE states(abbreviation string, full_name string)
ROW FORMAT DELIMITED
FIFLDS TERMINATED BY '\t'
LOCATION '/tmp/states';

EXTERNAL 表明该表存在于 Hive 控制之外的位置
LOCATION 指明了源文件或源目录的位置
使用该方式创建表，不会删除原始数据文件，并且在创建表的同时就会把数据插入表中。

• 数据导入原理：Hive 使用上述方式导入数据时，并没有实际把输入数据插入表中各行，而是把数据文件拷入工作路径，以源数据为基础创建了一批元数据，后续进行 HiveSQL查询时，转换成的 MapReduce 作业会使用这些元数据去查询实际的数据。

3. 其他功能

HiveSQL 还支持类似于SQL的很多特性，如：

• 视图
• 导出查询结果：

// 将查询结果导出到 /tmp/out 目录
INSERT OVERWRITE DIRECTORY ‘/tmp/out’
SELECT reported, shape, state
FROM usa_sightings
WHERE state = 'XXX';

• 分区：将表按照虚拟列的值进行分区操作。通常用于超大的数据量，最常用的分区策略是使用日期作为分区列

CREATE TABLE partufo( 
sighted string,
reported string,
sighting_location string)
PARTITIONED BY (year string)
ROW FORMAT DELIMITED
FIFLDS TERMINATED BY '\t';

指定分区列后，会自动在表结构中自动加入 year 这一字段
后续导入数据时，会自动按照 year 列的值对表进行分区。如果后续使用 HiveSQL 引用某个特定分区，Hive 会执行一次意义非凡的优化——只会处理在相应分区路径下的数据

• 分桶：Hive 还可以使用分桶进一步将数据行聚集到桶中，通过对 CLUSTER BY 指定列使用哈希函数实现；还可以使用 SORT BY 对桶中的数据进行排序。 在数据集非常大时，使用分桶可以显著缩短查询时间
• 自定义函数

4. Hive 和 Pig 的对比

和 Hive 一样，Pig 也避免了直接编写 MapReduce 代码，但是两种方法的抽象方式不同。

Hive 提供类似 SQL 语言的接口，使用方便，只定义执行的操作，而不管如何实现这些操作
Pig 则使用 Pig Latin 语言定义数据流流水线，可以对作业运行方式进行更细粒度的控制。

三、Hive 原理

1. Hive 架构

包含：

• 用户界面、接口
• 元存储：Hive选择各自的数据库服务器，用以储存表，数据库，列模式或元数据表，它们的数据类型和HDFS映射。
• HiveQL处理引擎： HiveQL的Metastore模式信息查询类似于SQL的查询上。这是传统的方式进行MapReduce程序的替代品之一。
• 执行引擎
• HDFS 或 HBASE

2. Hive 工作原理

1. Hive接口，如命令行或Web UI发送查询驱动程序（任何数据库驱动程序，如JDBC，ODBC等）来执行。
2. 在驱动程序帮助下查询编译器，分析查询检查语法和查询计划或查询的要求。
3. 编译器发送元数据请求到Metastore（任何数据库）
4. Metastore发送元数据，以编译器的响应。
5. 编译器检查要求，并重新发送计划给驱动程序。到此为止，查询解析和编译完成。
6. 驱动程序发送执行计划到执行引擎。
7. 在内部，执行作业的过程是一个MapReduce工作。执行引擎发送作业给JobTracker至NameNode，并把它分配作业到TaskTracker至DataNode
8. 与此同时，在执行时，执行引擎可以通过Metastore执行元数据操作。
9. 执行引擎接收来自数据节点的结果。
10. 执行引擎发送这些结果值给驱动程序。
11. 驱动程序将结果发送给Hive接口。