Hive简介以及Hive架构

什么是hIVE

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

作用：用于解决海量结构化日志的数据统计

本质：将HQL转化成MapReduce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
3. 执行程序运行在Yarn上
   

为什么用Hive

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。
4. Hive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
   （2）数据挖掘方面不擅长，由于MapReduce数据处理流程的限制，效率更高的算法却无法实现。
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化
   （2）Hive调优比较困难，粒度较粗

Hive和其他数据库对比

1. 查询语言
   Hive 采用了类似SQL 的查询语言 HQL(Hive Query Language)
2. 数据存储
   所有 Hive 的数据都是存储在 HDFS 中的
   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
   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
4. 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
5. 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MapReduce 本身具有较高的延迟
   数据库的执行延迟较低
6. 可扩展性
   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
7. 数据规模
   Hive主要用来处理海量数据
8. Hive使用读时模式，写操作不检测数据，读数据有问题时，使用NULL代替

hive跟hbase的区别

• hive支持sql查询,hbase不支持
• hive不支持record级(一行记录)的更新,删除操作
• hive定义为数据仓库,hbase定义为nosql数据库.

Hive架构

1. 用户接口：Client
   CLI（command-line interface）、JDBC/ODBC(jdbc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
   （1）解析器（SQL Parser）：将SQL字符串转换成抽象语法树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，比如表是否存在、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。

运行机制

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

Hive的file formats

• Text File format:默认格式. 数据不做压缩，磁盘开销大，数据解析开销大。
• Sequence File format:
  • SequenceFile是Hadoop API提供的一种二进制文件支持，其具有使用方便、可分割、可压缩的特点。
  • SequenceFile支持三种压缩选择：NONE, RECORD, BLOCK。 Record压缩率低，一般建议使用BLOCK压缩。
• RC file format: RCFILE是一种行列存储相结合的存储方式。
  首先，其将数据按行分块，保证同一个record在一个块上，避免读一个记录需要读取多个block。其次，块数据列式存储，有利于数据压缩和快速的列存取。RCFile目前没有性能优势, 只有存储上能省10%的空间.
• Parquet:列式数据存储.
• AVRO:avro Schema数据序列化.
• ORC: 对RCFile做了一些优化, 支持各种复杂的数据类型.（最优）
  • ORC将行的集合存储在一个文件中，并且集合内的行数据将以列式存储。 采用列式格式，压缩非常容易，从而降低了大量的存储成本。
  • 当查询时，会查询特定列而不是查询整行，因为记录是以列式存储的
  • ORC会基于列创建索引,当查询的时候会很快.