大数据----Hive学习（1）----Hive基本介绍

Hive基本概念

Hive相当于是Hadoop的一个客户端，通过提交SQL，让Hive去解析封装成MapReduce任务，去HDFS读数据，去Yarn执行。
1.Hive简介
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。
Hive用于解决海量结构化日志的数据统计工具。

2.Hive本质
将HQL转化为MapReduce程序

（1）Hive处理的数据存储在HDFS上
（2）Hive分析数据底层的实现是MapReduce
（3）执行程序运行在Yarn上

Hive的优缺点

1.优点
（1）操作接口采用类SQL语法，提供快速开发的能力（简单、易上手）
（2）避免去写MapReduce，减少开发人员学习成本
（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，对于小数据没有优势
（5）Hive支持自定义函数，用户可以根据自己的需求来实现自己的函数

2.缺点
（1）Hive的HQL表达能力有限
迭代算法无法表达
数据挖掘方面不擅长，由于MapReduce数据处理流程的限制，效率更高的算法无法实现。
（2）Hive的效率低
Hive自动生成的MapReduce作业，通常情况下不够智能化
Hive调优比较困难，粒度较粗

Hive的架构原理

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。

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 和数据库比较

Hive 和数据库除了拥有类似的查询语言，再无类似之处。
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。

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 的特性设计了类 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。

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。（不支持但是可以更新，比如说下载下来修改后再上传覆盖）
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。

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 执行延迟高的因素是 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，当数据规模大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。

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，数据库可以支持的数据规模较小。