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。