Hive与优化方法

Hive与优化方法

---

---

Java、大数据开发学习要点（持续更新中…）

---

一、Hive概念

  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。其本质是，将HQL转化成MapReduce程序。底层数据存储在HDFS上，由于延迟较大所以一般适用于离线大批量的数据计算和分析。

二、Hive架构

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(Hive执行过程)：
   • 解析器（SQL Parser）：将SQL字符串(shell命令行、JDBC、Web)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，根据MetaStore中的元数据信息判断SQL语句的合法性，比如表是否存在、字段是否存在、SQL语义是否有误。
   • 编译器（Physical Plan）：将抽象语法树编译生成逻辑执行计划。
   • 优化器（Query Optimizer）：对逻辑执行计划进行优化。
   • 执行器（Execution）：把逻辑执行计划转换成可以运行的物理计划存储在HDFS上由计算引擎进行调用。对于Hive来说，就是MR/Spark任务。

三、Hive与数据库的比较

  Hive 和数据库除了拥有类似的查询语言，再无类似之处。其实记住Hive是数仓工具就可以将其与数据库区别开来。

• Hive与传统数据库的区别：

1. 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更新。
2. 数据查询：传统数据库数据由于索引的存在，在数据量较小的情况下查询较快，并且自己提供执行引擎。而Hive数据查询是整表或者分区表的扫描，只有在大数据情况