大数据技术之Hive：先导篇（一）

目录

一、什么是Hive

二、思考如何设计出Hive功能

2.1 提问

2.2 案例分析

2.3 小结

三、掌握Hive的基础架构

3.1 Hive组件 - 元数据存储

3.2 Hive组件 - Driver驱动程序

3.3 Hive组件 - 用户接口

---

一、什么是Hive

什么是分布式SQL计算

我们知道，在进行数据统计分析时，通常是编程语言（如Java、Python） +  SQL，说明SQL是目前数据统计分析最为方便的编程工具。

大数据体系中充斥着非常多的统计分析场景。所以，使用SQL去处理数据，在大数据中也是有极大的需求的 。

但是前面我们学习的非常重要的MapReduce，它只支持程序开发（Java、Python等），不支持SQL开发。

所以，尽管MapReduce很重要，计算效率很高，由于不支持SQL开发，使用上就显得非常复杂。

由此，Hive应运而生。

什么是Hive

Apache Hive是一款分布式SQL计算的工具， 其主要功能是：

将SQL语句 翻译成MapReduce程序运行

 Hive的好处

使用Hadoop MapReduce直接处理数据所面临的问题:

• 人员学习成本太高 需要掌握java、Python等编程语言
• MapReduce实现复杂查询逻辑开发难度太大

使用Hive处理数据的好处

• 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）
• 底层执行MapReduce，可以完成分布式海量数据的SQL处理

二、思考如何设计出Hive功能

2.1 提问

如果让您设计Hive这款软件，要求能够实现

1. 用户只编写sql语句
2. Hive自动将sql转换MapReduce程序并提交运行
3. 处理位于HDFS上的结构化数据。

如何实现？

2.2 案例分析

针对SQL：SELECT city, COUNT(*) FROM t_user GROUP BY city;

若翻译成MapReduce程序，有如下问题：

• 数据文件在哪里？
• 使用什么符号作为列的分隔符？
• 哪些列可以作为 city 使用？
• city列是什么类型的数据？

下面我们逐一分析：

数据文件在哪里？

单凭这个”给定的SQL“，怎么知道数据文件放在什么位置呢？

这一点我们不妨借鉴一下数据库（例如MySQL数据库），它通过SQL语句内部就能够定位到数据文件的存储位置。

同理，使用什么符号作为列的分隔符？哪些列可以作为 city 使用？city列是什么类型的数据？这些个问题，在MySQL中通过内部映射关系都能够解决。

那么，最最简单的方法，就是找一个数据库，让它管理我们的数据。我们称为元数据管理。

元数据管理

所以，元数据管理的功能，即：

解决数据位置、数据结构等问题，对数据进行描述进行记录。

SQL解析器

解决了元数据管理后，我们还有一个至关重要的步骤， 即完成SQL到MapReduce转换的功能。

这个功能，我们称它为SQL解析器，期待它能做到：

• SQL分析
• SQL到MapReduce程序的转换
• 提交MapReduce程序运行并收集执行结果

注意：这里提到的SQL解析和数据库工具（比如Mysql）的SQL解析器不是一回事。MySQL的SQL解析器是内部解析SQL语法的工具。这里的SQL解析器是针对Hive工具设计的，目的是让Hive的SQL能被解析转换成MapReduce程序，同时也能对SQL进行分析等等。因为Hive的SQL和数据库的SQL是有区别的。

至于Hive的SQL和数据库的SQL有什么异同，怎么让MySQL识别到Hive的SQL语法，这个后续慢慢讲~

所以，当解析器也拥有了之后，我们就完成了一款基于MapReduce的，分布式SQL执行引擎的基础构建。

2.3 小结

Apache Hive其2大主要组件就是：SQL解析器以及元数据存储， 如下图。

三、掌握Hive的基础架构

3.1 Hive组件 - 元数据存储

通常是存储在关系数据库如 mysql/derby中。Hive 中的元数据包括表的名字，表的列和分区及其属性，表的属性（是否为外部表等），表的数据所在目录等。

-- Hive提供了 Metastore 服务进程提供元数据管理功能

3.2 Hive组件 - Driver驱动程序

即SQL解析器，包括语法解析器、计划编译器、优化器、执行器。

作用

完成 HQL 查询语句从词法分析、语法分析、编译、优化以及查询计划的生成。

生成的查询计划存储在 HDFS 中，并在随后有执行引擎调用执行。

这部分内容不是具体的服务进程，而是封装在Hive所依赖的Jar文件即Java代码中。

3.3 Hive组件 - 用户接口

包括 CLI、JDBC/ODBC、WebGUI。其中，CLI(command line interface)为shell命令行；Hive中的Thrift服务器允许外部客户端通过网络与Hive进行交互，类似于JDBC或ODBC协议。WebGUI是通过浏览器访问Hive。

-- Hive提供了 Hive Shell、 ThriftServer等服务进程向用户提供操作接口

下一章，会讲解Apache Hive的安装部署以及 hello world   ✨