Hive——Hive的基础概念以及Hive的数据类型

1、什么是Hive

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。

2、Hive的本质

将 HQL 转化成 MapReduce 程序。

• 将 HQL 转化成 MapReduce 程序；
• Hive 分析数据底层的实现是 MapReduce；
• 执行程序运行在 Yarn 上。

3、Hive的优缺点

3.1、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。

3.2、缺点

• Hive 的 HQL 表达能力有限；
  • 迭代式算法无法表达；
  • 数据挖掘方面不擅长，由于 MapReduce 数据处理流程的限制，效率更高的算法却无法实现；
• Hive 的效率比较低；
  • 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。

4、Hive架构

• 用户接口：Client

  CLI（command-line interface）、JDBC/ODBC(jdbc 访问 Hive)、WEBUI（浏览器访问 Hive）；

• 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

• Hadoop

  使用 HDFS 进行存储，使用 MapReduce 进行计算。

• 驱动器：Driver

  • **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。
  • 编译器（Physical Plan）： 将 AST 编译生成逻辑执行计划。
  • 优化器（Query Optimizer）： 对逻辑执行计划进行优化。
  • 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。

5、Hive的运行机制

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。

6、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。

6.1、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。

6.2、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。

6.3、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。

6.4、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。

7、基本数据类型

对于 Hive 的 String 类型相当于数据库的 varchar 类型，该类型是一个可变的字符串，不过它不能声明其中最多能存储多少个字符，理论上它可以存储 2GB 的字符数。

Hive 数据类型	Java 数据类型	长度	例子
TINYINT	byte	1byte有符号整数	20
SMALINT	short	2byte有符号整数	20
INT	int	4byte 有符号整数	20
BIGINT	long	8byte 有符号整数	20
BOOLEAN	boolean	布尔类型，true 或者 false	TRUE FALSE
FLOAT	float	单精度浮点数	3.14159
DOUBLE	double	双精度浮点数	3.14159
STRING	string	字符系列。可以指定字 符集。可以使用单引号或者双 引号。	"now is the time " “for all good men”
TIMESTAMP		时间类型
BINARY		字节数组

8、集合数据类型

Hive 有三种复杂数据类型 ARRAY、MAP 和 STRUCT。ARRAY 和 MAP 与 Java 中的Array 和 Map 类似，而 STRUCT 与 C 语言中的 Struct 类似，它封装了一个命名字段集合，复杂数据 类型允许任意层次的嵌套。

数据类型	描述	语法示例
STRUCT	和C语言中的struct类似，都可以通过“点”符号访问元素内容。例如，如果某个列的数据类型是STRUCT{first String, last STRING}，那么第一个元素可以通过字段first来引用。	struct() 例如：struct<street:strubg,city:string>
MAP	MAP是一组键-值对元组集合，使用数字表示法可以访问数据。例如，如果某个列的数据类型是MAP，其中键值对是'first'→'John'和'last'→'Doe'，那么可以通过字段名['last']获取最后一个元素。	map() 例如： map<string, int>
ARRAY	数组是一组具有相同类型和名称的变量的集合，这些变量称为数组的元素，每个数组元素斗鱼一个编号，编号从零开始。例如，数组值为['John','Doe']，那么第2个元素可以通过数组[1]进行引用。	Array() 例如： array<string>

9、类型转换

Hive 有三种复杂数据类型 ARRAY、MAP 和 STRUCT。ARRAY 和 MAP 与 Java 中的 Array 和 Map类似，而 STRUCT 与 C 语言中的 Struct 类似，它封装了一个命名字段集合，复杂数据 类型允许任意层次的嵌套。

9.1、隐式类型转换规则

• 任何整数类型都可以隐式地转换为一个范围更广的类型，如 TINYINT可以转换成INT，INT 可以转换成 BIGINT。
• 所有整数类型、FLOAT 和STRING 类型都可以隐式地转换成 DOUBLE。
• TINYINT、SMALLINT、INT都可以转换为 FLOAT。
• BOOLEAN 类型不可以转换为任何其它的类型。

9.2、可以使用 CAST 操作显示进行数据类型转换

例如 CAST('1' AS INT)将把字符串’1’ 转换成整数 1；如果强制类型转换失败，如执行 CAST('X' AS INT)，表达式返回空值 NULL。

select '1'+2, cast('1'as int) + 2;