大数据二
Hive
1 Hive介绍
1.1 概述
Hive:由Facebook开源用于解决海量结构化日志的数据统计。
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。
本质是:将HQL转化为MapReduce程序
Hive处理的数据存储在HDFS
Hive分析数据底层的实现是MapReduce
执行程序在Yarn上
1.2 Hive的优缺点 *
1.2.1 优点
-
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)。
-
避免了去写MapReduce,减少开发人员的学习成本。
-
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。
-
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。
-
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。
1.2.2 缺点
1.Hive的HQL表达能力有限
(1)迭代式算法无法表达 (不断对结果进行处理)
(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
1.3 特点
hive不是关系型数据库;
hive不是基于OLTP(在线事务处理)设计
侧重事务的处理和在线访问,一般的关系型数据库都是基于OLAP设计
hive不是实时查询,不支持行级别的更新(update,delete)
hive分析的数据存储在 HDFS 上,hive 为数据创建的表结构,存储在rdms;
hive基于OLAP 设计(在线分析处理)设计
OLAP侧重数据的分析,不追求分析的效率
hive使用类SQL,成为HQL(Hibernate Query Language)的查询语言
1.4 Hive架构原理
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-z6KIppix-1605723409112)(C:\Users\Administrator\Pictures\图片2.png)]
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。
1.5 Hive与数据库比较
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。
应用角度 | Hive | 数据库 |
---|---|---|
查询语言 | 类SQL的查询语言HQL | SQL |
数据存储位置 | 存储在 HDFS | 块设备或者本地文件系统 |
数据更新 | 不建议对数据的改写 | 可以进行修改 |
执行 | 通过 Hadoop 提供的 MapReduce 来实现的 | 有自己的执行引擎 |
执行延迟 | 较高的延迟 | 执行延迟较低 |
可扩展性 | Hive的可扩展性是和Hadoop的可扩展性是一致的 | 数据库由于 ACID 语义的严格限制,扩展行非常有限 |
数据规模 | 支持很大规模的数据 | 可以支持的数据规模较小 |
详见下:
1.5.1 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。
1.5.2 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。
1.5.3 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。
1.5.4 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。
1.5.5 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。
1.5.6 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年的规模在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 Oracle 在理论上的扩展能力也只有100台左右。
1.5.7 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。
2 Hive安装
2.1 Hive安装地址
1.Hive官网地址
http://hive.apache.org/
2.文档查看地址
https://cwiki.apache.org/confluence/display/Hive/GettingStarted
3.下载地址
http://archive.apache.org/dist/hive/
4.github地址
https://github.com/apache/hive