Hive与优化方法
文章目录
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
- 用户接口Client:
CLI(hive shell)、JDBC/ODBC(java访问hive)、WEBUI(浏览器访问hive) - 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。 - Hadoop:
使用HDFS进行存储,使用MapReduce进行计算。 - 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:
- 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。
- 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