Hive--可执行SQL的Hadoop数据仓库管理工具

Hive是一个基于HDFS的数据仓库软件，可理解为数据库管理工具；Hive的功能主要有：

1. 支持使用SQL对分布式存储的大型数据集进行读、写、管理，将SQL转化成MapReduce任务执行；

2. 将数据结构映射到已存储的数据中，即将存储在HDFS上结构化的文件内容定义成Hive的外部表。

3. Hive提供了命令行的操作工具和JDBC的开发接口。

 

 

我们知道HBase也是基于HDFS的数据库，两者之间有何异同点呢？简言之，Hive和HBase都是Hadoop集群下的工具(bi)，Hive是对MapReduce的优化(使用SQL操作MR)，而HBase则是HDFS数据存储的大管家。

	Hive	HBase
出发点	使用SQL简化对MapReduce的操作	将HDFS上无序的数据映射成有序的表格，便于管理和使用数据
数据存储	1. Hive是纯逻辑表，无物理存储结构；只定义表格元数据，元数据保存在其他数据库上如MySQL，表格数据存储在HDFS上； 2. Hive是逻辑表，属于稠密型，定义列数，每一行有固定的列数。	1. HBase表则是物理表，适合存放非结构化的数据； 2. HBase的存储表存储密度小，用户可以对行定义成不同的列。
数据访问	Hive是在MapReduce的基础上对数据进行处理，而MapReduce的数据处理依照行模式；	HBase为列模式，这样使得对海量数据的随机访问变得可行。
使用场景	1. Hive使用Hadoop来分析处理数据，而Hadoop系统是批处理系统，所以数据处理存在延时的问题； 2. Hive没有row-level的更新，它适用于大量append-only数据集（如日志）的批任务处理； 3. Hive全面支持SQL，一般可以用来进行基于历史数据的挖掘、分析； 4. Hive主要针对的是OLAP应用，其底层是hdfs分布式文件系统，重点是基于一个统一的查询分析层，支撑OLAP应用中的各种关联，分组，聚合类SQL语句。Hive一般只用于查询分析统计，而不能是常见的CUD操作，要知道Hive是需要从已有的数据库或日志进行同步最终入到HDFS文件系统中，当前要做到增量实时同步都相当困难。	1. HBase是准实时系统，可以实现数据的实时查询； 2. HBase的查询，支持和row-level的更新； 3. HBase不适用于有join，多级索引，表关系复杂的应用场景； 4. HBase的应用场景通常是采集网页数据的存储，因为它是key-value型数据库，从而可以到各种key-value应用场景，例如存储日志信息，对于内容信息不需要完全结构化出来的类CMS应用等。注意HBase针对的仍然是OLTP应用为主。

结合两者的特点，我们可以将Hbase和Hive应用在大数据架构中的不同位置，使用Hbase解决实时数据查询问题，使用Hive解决数据处理和计算问题。

 

那么Hive具体是如何工作的，其结构原理是怎样的，下面我们具体分析：

1. Hive在0.11版本中引入HiveServer2，是HiveServer(ThriftServer)的升级版本，增加了支持多用户并发和安全认证等功能；HiveServer2是Hive的服务端，接受客户端的任务请求并执行；

2. HiveServer2的客户端有：Beeline、JDBC、Python Client、Ruby Client等。Beeline是HiveServer2的命令行工具，Hive CLI由于不支持多用户等特性已被弃用，JDBC、Python Client、Ruby Client等接口需要用户开发客户端程序连接Hive。

 

3. HiveServer2的任务执行流程：

(1) Hive将客户端提交的HQL任务解析编译成一组操作符(Operator)，比如GroupByOperator，JoinOperator等；

（2）操作符Operator是Hive的最小处理单元；

（3）每个操作符代表一个HDFS操作或者MapReduce作业；

（4）Hive通过ExecMapper和ExecReducer执行MapReduce程序。

(5)  Hive 编译器的工作职责：

a. Parser：将 HQL 语句转换成抽象语法树(AST：Abstract Syntax Tree)；

b. Semantic Analyzer：将抽象语法树转换成查询块；

c. Logic Plan Generator：将查询块转换成逻辑查询计划；

d. Logic Optimizer：重写逻辑查询计划，优化逻辑执行计划；

e. Physical Plan Gernerator：将逻辑计划转化成物理计划(MapReduce Jobs)；

f. Physical Optimizer：选择最佳的 Join 策略，优化物理执行计划。

(6) 优化器类型：

下表中带①符号的，优化目的都是尽量将任务合并到一个Job中，以减少 Job数量，带②的优化目的是尽量减少shuffle数据量。

 

 

一句话概括上述过程，将HQL语句翻译成MapReduce任务执行，在Hadoop平台提供SQL语言的操作接口，降低大数据平台的使用难度。所以接下来的问题是HQL语言如何使用，Hive的数据结构到底是怎样设计的。

1. HQL是SQL的一个子集，支持SQL的大部分功能。在Beeline上编写SQL语句即可实现对Hive的操作，如：

 

 

2.  Hive的数据模型：

（1）Hive数据库

类似传统数据库的DataBase，存储在MetaStore(MySQL)的元数据实际是一张表。

//创建一个数据库hive > create database test_database;

（2）内部表

Hive的内部表与数据库中的Table在概念上是类似。每一个Table在Hive中都有一个相应的目录存储数据。例如一个表pvs，它在HDFS中的路径为/wh/pvs，其中wh是在hive-site.xml中由${hive.metastore.warehouse.dir} 指定的数据仓库的目录，所有的Table数据（不包括External Table）都保存在这个目录中。删除表时，元数据与数据都会被删除。

（3）外部表

外部表可理解为指向HDFS文件的链接，仅为HDFS上的结构化数据定义了表结构，便于操作文件。

外部表指向已经在HDFS中存在的数据，可以创建Partition。它和内部表在元数据的组织上是相同的，而实际数据的存储则有较大的差异。

内部表的创建过程和数据加载过程这两个过程可以分别独立完成，也可以在同一个语句中完成，在加载数据的过程中，实际数据会被移动到数据仓库目录中；之后对数据对访问将会直接在数据仓库目录中完成。删除内部表时，表中的数据和元数据将会被同时删除。

而外部表只有一个过程，加载数据和创建表同时完成（CREATE EXTERNAL TABLE ……LOCATION），实际数据是存储在LOCATION后面指定的 HDFS 路径中，并不会移动到数据仓库目录中。当删除一个External Table时，仅删除该链接。

//创建一个外部表hive > create external table test_external_table (key string)

（4）分区表

Partition对应于数据库中的Partition列的密集索引，但是Hive中Partition的组织方式和数据库中的很不相同。在Hive中，表中的一个Partition对应于表下的一个目录，所有的Partition的数据都存储在对应的目录中。例如pvs表中包含ds和city两个Partition，则对应于ds = 20090801, ctry = US 的HDFS子目录为/wh/pvs/ds=20090801/ctry=US；对应于 ds = 20090801, ctry = CA 的HDFS子目录为/wh/pvs/ds=20090801/ctry=CA。

//创建一个分区表hive >create table test_partition_table (key string) partitioned by (dt string)

 

（5）桶表

Buckets是将表的列通过Hash算法进一步分解成不同的文件存储。它对指定列计算hash，根据hash值切分数据，目的是为了并行，每一个Bucket对应一个文件。例如将user列分散至32个bucket，首先对user列的值计算hash，对应hash值为0的HDFS目录为/wh/pvs/ds=20090801/ctry=US/part-00000；hash值为20的HDFS目录为/wh/pvs/ds=20090801/ctry=US/part-00020。适用于多Map任务的场景。

//创建一个桶表hive >create table test_bucket_table (key string) clustered by (key) into 20 buckets

 

 （6）Hive的视图

视图与传统数据库的视图类似。视图是个虚表，只读的，它基于基本表，如果增加数据不会影响视图的呈现；如果删除，会出现问题。如果不指定视图的列，会根据select语句后的生成。

//创建一个试图hive >create view test_view as select * from test

 

Hive的具体安装配置和使用方法，官网http://hive.apache.org/上的wiki有详细介绍，这里不再赘述。最后我们简要介绍Hive使用Zookeeper实现HA功能。

Hive从0.14开始，使用Zookeeper实现了HiveServer2的HA功能(ZooKeeper Service Discovery)，Client端可以通过指定一个nameSpace来连接HiveServer2，而不是指定某一个host和port。

 

1. 将HiveServer2注册到Zookeeper上，以apache-hive-2.0.0-bin为例，编辑hive-site.xml：

 启动HiveServer2后，可到Zookeeper中观察到已注册的Hive服务。

2. 使用JDBC连接服务

JDBC连接的URL格式为：

HiveServer2的多实例高可用配置完成，解决生产中并发、负载均衡、单点故障、安全等问题。