Hive 3.x|第一天|Hive基本概念介绍

Hive基本概念

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。

本质

将HQL转化为MapReduce程序。

与Hadoop的关系

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

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. 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。
3. 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。

缺点

1. HQL 表达能力有限（迭代式算法无法表达，效率更高的算法无法实现）
2. 效率比较低，调优比较困难

架构原理

图

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。

用户接口：Client

1. CLI（command-line interface）
2. JDBC/ODBC(jdbc 访问 hive)
3. WEBUI（浏览器访问 hive）

Hadoop

使用 HDFS 进行存储，使用 MapReduce 进行计算。

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。

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。

Hive和数据库比较

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

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。
数据库的执行延迟较低，但这个低是有条件的，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。

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。