[转] Hive简介
from :
https://zhuanlan.zhihu.com/p/65295469
and
https://zhuanlan.zhihu.com/p/137458844
Apache Hive是一个构建于Hadoop顶层的数据仓库。
## Hive简介
Apache Hive是一个构建于Hadoop顶层的数据仓库，可以将结构化的数据文件映射为一张数据库表，并提供简单的SQL查询功能，可以将SQL语句转换为MapReduce任务进行运行。需要注意的是，Hive它并不是数据库。
Hive依赖于HDFS和MapReduce，其对HDFS的操作类似于SQL，我们称之为HQL，它提供了丰富的SQL查询方式来分析存储在HDFS中的数据。HQL可以编译转为MapReduce作业，完成查询、汇总、分析数据等工作。这样一来，即使不熟悉MapReduce 的用户也可以很方便地利用SQL 语言查询、汇总、分析数据。而MapReduce开发人员可以把己写的mapper 和reducer 作为插件来支持Hive 做更复杂的数据分析。
说到这里，你可能会对Hive和HBase之间的关系产生疑问？在不熟悉它们的作用之前，我们有这样的疑问是很正常的。我们知道HBase是一个NoSQL数据库，它可以进行海量数据存储，他可以将一些数据查询工作转换为MapReduce任务进行运作，HBase非常适用于大数据实时查询，它的查询效率非常高。而Hive适合于对一段时间内的数据进行分析查询，例如：趋势分析、日志分析等，虽然Hive也能够进行数据实时查询，但是它在这方面表现的很糟糕，它需要很长时间才可以返回结果，这并不是它所擅长的。Hive分析的数据可以来自于HDFS，也可以来自于HBase，你可以认为HBase是一个DB，而Hive是一个Tool。它们经常是在一起互相协作来完成一些工作的。
Hive主要特点如下：
1. 通过HQL语言非常容易的完成数据提取、转换和加载（ETL）。
2. 通过HQL完成海量结构化数据分析。
3. 灵活的数据存储格式，支持JSON，CSV，TEXTFILE，RCFILE，ORCFILE，SEQUENCEFILE等存储格式，并支持自定义扩展。
4. 多种客户端连接方式，支持JDBC、Thrift等接口。
## Hive架构
你可以认为Hive就是一款SQL解析引擎，它可以将SQL语句转换为相应的MapReduce程序，我们来看一下Hive的体系架构图:
下面我们分析这张图
（1）首先最顶层的是“User Interfaces”层，也就是用户接口层，它包括Web UI、Hive Command Line和HD Insight三种方式。其中Web UI让我们可以通过浏览器界面进行操作Hive，一般只能进行查看。Hive Command Line也就是Hive Command Line Interface，我们称之为CLI(Command Line Interface)，也就是Shell操作，这个是使用最多的，因为我们可以编写Shell脚本来进行运行HDInsight 是一种云技术驱动的 Hadoop 发行版。使用 HDInsight，我们可以在HDInsight 上预加载 Hive 库。基于 Linux 的 HDInsight，我们可以使用 Hive 客户端、WebHCat 和 HiveServer2。基于 Windows 的 HDInsight，我们可以使用 Hive 客户端和WebHCat。
（2）MetaStore，也就是元数据。Hive的元数据存储在元数据库中，Hive默认自带有元数据库derby，我们也可以使用其它的例如MySQL 数据库来存储元数据信息，具体我会在后续的任务中进行讲解。
（3）Hive QL Process Engine，HiveQL类似于SQL用于查询Metastore上的模式信息。它是MapReduce程序的传统方法的替代品之一。 代替在Java中编写MapReduce程序，我们可以为MapReduce作业编写一个查询并处理它。
（4）Excution Engine，Hive执行引擎，Hive QL Process Engine和MapReduce的连接部分是Hive Excution Engine，执行引擎处理查询并生成与MapReduce结果相同的结果。
（5）HDFS or HBase Data Storage，这是因为Hive主要进行数据分析，分析的数据来源于HDFS或HBase。
从上面的体系结构中可以看出，Hive其实就是利用Hive QL Process Engine和Excution Engine将用户的SQL语句解析成对应的MapReduce程序而已。
经过上面的说明，我们知道Hive的工作和Hadoop之间密不可分，它的工作执行要素之一需要依赖HDFS（也可以是HBase），执行要素之二需要依赖MapReduce。为了更加深入的理解其内部的执行机制，我们看一下Hive的工作流程图。
上图展示了Hive工作时的内部流程，主要分为10个步骤：
（1）执行查询：Hive接口比如Command line首先会将用户输入的查询操作发送给数据库Driver比如JDBC、ODBC。
（2）Driver驱动在查询编译器的帮助下解析查询，并检查语法，生成一个查询计划。
（3、4）编译器向元数据库发送数据请求，然后元数据库返回数据给编译器。
（5）编译器检查查询计划的各个条件和要素是否满足，然后将查询计划重新发送给数据库驱动，截止到这里，解析和编译一个查询QL的工作已经完成。
（6）接下来，驱动就可以将查询计划发送给执行引擎了，包含对应的数据信息。
（7）执行引擎处理我们的查询计划，会从元数据库中获取数据信息，然后将其转换为一个MapReduce Job，然后就涉及到了MapReduce的工作机制了。首先这个查询计划会发送到JobTracker，然后分配给具体的TaskTracker去完成。MapReduce执行过程中会从HDFS读取数据。
（8）当执行引擎执行完查询计划后，会将结果返回到执行处，这样执行引擎就能知道MapReduce执行结果的数据具体保存在HDFS什么位置上。
（9）执行引擎执行完查询计划后，会将收到的结果返回给驱动。
（10）驱动将收到的结果返回给Hive接口，这样查询计划的执行者就可以看到查询计划的执行结果。
到这里，相信你对Hive的工作流程也有了一个清晰的认识。
## Hive数据类型
（1）数值型
TINYINT
SMALLINT
INT/INTEGER
BIGINT
FLOAT
DOUBLE
DECIMAL
（2）日期型
TIMESTAMP
DATE
INTERVAL
（3）字符型
String
Varchar
Char
（4）其它类型
BOOLEAN
BINARY
（5）复杂类型
arrays
maps
structs
union
## Hive表类型
内部表、分区表、外部表和桶表
外部表可以分区，内部表也可以分区
Hive、Hbase、mysql的区别
1、Hive和HBase的区别
1）hive是sql语言，通过数据库的方式来操作hdfs文件系统，为了简化编程，底层计算方式为mapreduce。
2）hive是面向行存储的数据库。
3）Hive本身不存储和计算数据，它完全依赖于HDFS和MapReduce，Hive中的表纯逻辑。
4）HBase为查询而生的，它通过组织起节点內所有机器的內存，提供一個超大的內存Hash表 。
5）hbase不是关系型数据库，而是一个在hdfs上开发的面向列的分布式数据库，不支持sql。
6）hbase是物理表，不是逻辑表，提供一个超大的内存hash表，搜索引擎通过它来存储索引，方便查询操作。
7）hbase是列存储。
Hive和Hbase有各自不同的特征：hive是高延迟、结构化和面向分析的，hbase是低延迟、非结构化和面向编程的。Hive数据仓库在hadoop上是高延迟的。
其中HBase位于结构化存储层，Hadoop HDFS为HBase提供了高可靠性的底层存储支持，Hadoop MapReduce为HBase提供了高性能的计算能力，Zookeeper为HBase提供了稳定服务和failover机制。
2、hive和Hbase各是什么？
1）hive是什么？
白话一点再加不严格一点，hive可以认为是map-reduce的一个包装。hive的意义就是把好写的hive的sql转换为复杂难写的map-reduce程序。
2）hbase是什么？
同样白话一点加不严格一点，hbase可以认为是hdfs的一个包装。他的本质是数据存储，是个NoSql数据库；hbase部署于hdfs之上，并且克服了hdfs在随机读写方面的缺点。
hive和hbase哪里像了，好像哪里都不像，既然哪里都不像，又何来的“区别是什么”这一问题，所以要问hive和hbase的区别，就应该问问map-reduce和hdfs之间的区别，问区别，就要先说说他俩哪里像。
3、hive和数据库的比较
由于 Hive 采用了 SQL 的查询语言 HQL，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。
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。
2）数据存储位置
Hive 是建立在 Hadoop 之上的，所有 Hive 的数据都是存储在 HDFS 中的。而数据库则可以将数据保存在块设备或者本地文件系统中。
3）数据格式
Hive 中没有定义专门的数据格式，数据格式可以由用户指定，用户定义数据格式需要指定三个属性：列分隔符（通常为空格、”\t”、”\x001″）、行分隔符（”\n”）以及读取文件数据的方法（Hive 中默认有三个文件格式TextFile，SequenceFile以及RCFile）。由于在加载数据的过程中，不需要从用户数据格式到 Hive 定义的数据格式的转换，因此，Hive在加载的过程中不会对数据本身进行任何修改，而只是将数据内容复制或者移动到相应的HDFS目录中。而在数据库中，不同的数据库有不同的存储引擎，定义了自己的数据格式。所有数据都会按照一定的组织存储，因此，数据库加载数据的过程会比较耗时。
4）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中不支持对数据的改写和添加，所有的数据都是在加载的时候中确定好的。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。
5）索引
之前已经说过，Hive在加载数据的过程中不会对数据进行任何处理，甚至不会对数据进行扫描，因此也没有对数据中的某些Key建立索引。Hive要访问数据中满足条件的特定值时，需要暴力扫描整个数据，因此访问延迟较高。由于 MapReduce 的引入， Hive 可以并行访问数据，因此即使没有索引，对于大数据量的访问，Hive 仍然可以体现出优势。数据库中，通常会针对一个或者几个列建立索引，因此对于少量的特定条件的数据的访问，数据库可以有很高的效率，较低的延迟。由于数据的访问延迟较高，决定了 Hive 不适合在线数据查询。
6）执行
Hive中大多数查询的执行是通过 Hadoop 提供的 MapReduce 来实现的（类似 select * from tbl的查询不需要MapReduce）。而数据库通常有自己的执行引擎。
7）执行延迟
之前提到，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。
8）可扩展性
由于Hive是建立在Hadoop之上的，因此Hive的可扩展性是和Hadoop的可扩展性是一致的（世界上最大的Hadoop 集群在 Yahoo!，2009年的规模在4000 台节点左右）。而数据库由于 ACID 语义的严格限制，扩展行非常有限。目前最先进的并行数据库 Oracle 在理论上的扩展能力也只有100台左右。
9）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
