Hive基础

Hive介绍

hive是一个开源的用于大数据分析和统计的数据库工具，它的存储基于HDFS，计算基于MapReduce或Spark，可以将结构化数据映射成表，并提供类SQL查询功能。具有以下特点

1. 提供类SQL查询，容易上手，开发方便
2. 封装了很多方法，尽量避免了开发MapReduce程序，减少成本
3. 支持自定义函数，可以根据需求实现函数
4. 适用于处理大规模数据，小数据的处理没有优势
5. 执行延迟较高，适合用于数据分析，不适合对时效性要求较高的场景

Hive架构

• MetaStore：元数据，数据的数据，比如某个表的元数据，包括表名、表所属的数据库、表的类型、表的数据目录等；
• CLI(命令行接口)、JDBC：用户接口，用以访问hive；
• Sql Parser解析器：将SQL转换成抽象语法树，一般用第三方工具库完成；对抽象语法树进行语法分析，比如表是否存在、字段是否存在、SQL语义是否有误；
• Physical Plan 编译器：将抽象语法树编译生成逻辑执行计划；
• Query Optimizer 优化器：对逻辑执行计划进行优化；
• Execution 执行器：把逻辑执行计划转换成可以运行的物理计划。对Hive而言，就是 MR/Spark；
• HDFS：hive数据文件存放的地方。

Hive运行机制

当创建表的时候，需要指定HDFS文件路径，表和其文件路径会保存到MetaStore，从而建立表和数据的映射关系。当数据加载如表时，根据映射获取到对应的HDFS路径，将数据导入。

用户输入SQL后，hive会将其翻译成MapReduce或者Spark任务，提交到Yarn上面执行，执行成功将返回结果。

*hive默认将元数据存储在derby数据库中，但其仅支持单线程操作，若有一个用户在操作，其他用户则无法使用，造成效率不高；
而且当在切换目录后，重新进入Hive会找不到原来已经创建的数据库和表，
因此一般用MySQL存储元数据。

Hive与数据库区别

可能有些朋友会认为，hive是数据库，因为它提供了类SQL查询功能。但其实除了这一点和数据库相似以外，其它的根本就没有多少共性。

数据库支持事务，可读可写；而hive不支持事务，一般用于读多写少的情况，不建议改动数据，因为数据存储在HDFS中，而HDFS的文件不支持修改；
hive延迟比较大，因其底层是MapReduce，执行效率较慢。但当数据规模较大的情况下，hive的并行计算优势就体现出来了，数据库的效率就不如hive了；
hive不支持索引，查询的时候是全表扫描，这也是其延迟大的原因之一；
*hive在0.14以后的版本支持事务，前提是文件格式为 orc 格式，同时必须分桶，还必须显式声明 transactional=true

数据类型