大数据技术 之 Hive （概论、优缺点、构架原理、与数据库区别）

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。