Hive教程一

目录

1、什么是Hive

2、Hive的优缺点

3、Hive架构原理

4、Hive和数据库比较

---

1、什么是Hive

       Hive：由于Facebook开源用于解决海量结构化日志的数据统计(海量的结构化数据的运算分析)。
       Hive是基于Hadoop的一个数据仓库工具(服务性的软件)，可以将结构化的数据文件映射为一张表，并提供类似与SQL查询，HQL。
       本质上：是将Hive SQL转化成MapReduce程序或者Spark程序。

       1）Hive处理的数据存储在HDFS
       2）Hive分析数据底层的实现是MapReduce/Spark(分布式运算框架)
       3）执行程序运行在Yran上（运行HDFS和yarn）

2、Hive的优缺点

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。（历史数据）
       4）Hive的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

缺点

       1、Hive的HQL表达能力有限

              1）迭代式算法无法表达 例如：递归算法
              2）数据挖掘方面不擅长（数据挖掘和算法 机器学习）

       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
              2）Hive调优比较困难，力度较粗（快）

3、Hive架构原理

       Mysql记录元数据，Hive表的数据映射，表结构

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defult）、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，不如表是否存在、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。

       Hive通过给用户提供的一系列交互接口，接受到用户的指令(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，讲执行返回的结果输出到用户交互接口。

4、Hive和数据库比较

       Hive不是数据库，数据处理工具
       由于hive采用了类似SQL的查询语言，HQL（Hive Query Lanuguage），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的也行设计了类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。而数据库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。而数据库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）索引

       Hive在加载数据的过程中不会对数据进行任何处理，甚至不会对数据进行扫描，因为也没有对数据中的某些key建立索引。Hive要访问数据中满足条件的特定值时，需要暴力扫描整个数据，因此访问延迟较高。由于MapReduce的引入，通常会针对一个或者几个列建立索引，因此对于少量的特定条件的数据的访问，数据库可以有很高的效率，较低的延迟。由于数据的访问延迟较高，决定了Hive不适合在线数据查询。

（5）执行

       Hive中大多数查询的执行是通过Hadoop提供的MapReduce来实现的，而数据库通常有自己的执行引擎。

（6）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执行延迟搞得元素是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，当数据规模达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。

（7）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在Oracle在理论上的扩展能在也只有100太左右。

（8）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，数据库可以支持数据规模较小。