hive的概念和原理

什么是Hive？

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数据库表，并提供类SQL查询功能。

​​​​​​​为什么使用Hive？

直接使用hadoop所面临的问题

• 人员学习成本太高
• 项目周期要求太短
• MapReduce实现复杂查询逻辑开发难度太大

为什么要使用Hive

操作接口采用类SQL语法，提供快速开发的能力。

避免了去写MapReduce，减少开发人员的学习成本。

扩展功能很方便。

​​​​​​​Hive的特点

• 可扩展：Hive可以自由的扩展集群的规模，一般情况下不需要重启服务。
• 延展性：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。
• 容错：良好的容错性，节点出现问题SQL仍可完成执行。

​​​​​​​架构图

 

基本组成

• 用户接口：包括 CLI、JDBC/ODBC、WebGUI。
• 元数据存储：通常是存储在关系数据库如 mysql , derby中。
• 解释器、编译器、优化器、执行器

• CLI为shell命令行；
• JDBC/ODBC是Hive的JAVA实现，与传统数据库JDBC类似；
• WebGUI是通过浏览器访问Hive。
• 元数据存储：Hive 将元数据存储在数据库中。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。
• 解释器、编译器、优化器完成 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 MapReduce 调用执行

Hive与Hadoop的关系

 

​​​​​​​Hive的数据存储

1. Hive中所有的数据都存储在 HDFS 中，没有专门的数据存储格式（可支持Text，SequenceFile，ParquetFile，RCFILE等）
2. 只需要在创建表的时候告诉 Hive 数据中的列分隔符和行分隔符，Hive 就可以解析数据。
3. Hive 中包含以下数据模型：DB、Table，External Table，Partition，Bucket。

• db：在hdfs中表现为${hive.metastore.warehouse.dir}目录下一个文件夹
• table：在hdfs中表现所属db目录下一个文件夹
• external table：外部表, 与table类似，不过其数据存放位置可以在任意指定路径
• 普通表: 删除表后, hdfs上的文件都删了
• External外部表删除后, hdfs上的文件没有删除, 只是把文件删除了
• partition：在hdfs中表现为table目录下的子目录
• bucket：桶, 在hdfs中表现为同一个表目录下根据hash散列之后的多个文件, 会根据不同的文件把数据放到不同的文件中