文章目录
大数据技术 之 Hive (概论、优缺点、构架原理、与数据库区别)
一、Hive 基本概念
1、Hive 概论
1.1 Hive 简介
- Hive:由 Facebook 开源用于解决海量结构化日志的数据统计工具。
- 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。
1.2 Hive 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
2、Hive 的优缺点
2.1 优点
- (1)操作接口采用类SQL语法,提供快速开发的能力(简单、容易上手)。
- (2)避免了去写 MapReduce,减少开发人员的学习成本。
- (3)Hive 优势在于处理大数据,支持海量数据的分析与计算。
- (4)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。
2.2 缺点
2.2.1 Hive 的 HQL 表达能力有限
- (1)Hive 自动生成的 MapReduce 作业,通常情况下不够智能化
- (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。
2.2.1 Hive 的效率比较低
- (1)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。
- (2)Hive 调优比较困难,粒度较粗(粒度:粗略理解为字段名、或表较少)
2.2.1 Hive 不支持实时查询和行级别更新
- (1)Hive 分析的数据是存储在 HDFS上,HDFS 不支持随机写,只支持追加写,所以在Hive 中不建议 insert 和 update,建议 select 和 load(加载)
3、Hive 构架原理
3.1 用户接口:Client
- CLI(command-line interface:命令行接口)、JDBC/ ODBC(jdbc 访问 Hive)
3.2 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
3.3 Hadoop
- 使用 HDFS 进行存储,使用 MapReduce 进行计算。
3.4 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 的工作流程
- 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。
4、Hive 和 数据库 比较
- 由于 Hive 采用了类似SQL 的查询语言 HQL(Hive Query Language),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。
- Hive 不是数据库
4.1 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。
4.2 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。
4.3 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。
4.4 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。