Hive概念学习

Hive简介

Hive是基于Hadoop的数据仓库工具，可以对存储在HDFS上的文件数据集进行查询和分析处理。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查询语言 HiveQL，在做查询时将HQL语句转换成MapReduce任务，在Hadoop层进行执行。主要用途：做离线数据分析，比直接用MapReduce开发效率更高。

 

Hive 并不能够在大规模数据集上实现低延迟快速的查询，例如，Hive 在几百MB 的数据集上执行查询一般有分钟级的时间延迟。Hive 并不适合那些需要低延迟的应用，例如，联机事务处理（OLTP），Hive 并非为联机事务处理而设计，Hive 并不提供实时的查询和基于行级的数据更新操作。

 

Hive和数据库的异同

       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。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。

   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。

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。

   7.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。而数据库由于ACID语义的严格限制，扩展行非常有限。

   8.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。

 

Hive的特点

优点：

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）

避免了去写MapReduce，减少开发人员的学习成本

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

可以处理海量数据

 

缺点：

因为Hive底层是MapReduce, 所以执行延迟比较高, 无法提供实时查询, 而且不支持流式数据

不支持行级别的增删改

迭代算法无法表达

Hive优化比较困难

 

数据库和数据仓库对比

数据库	数据仓库
为线上系统提供实时数据	为离线分析存储历史数据
具有完整的增删改查的能力	只支持一次写入多次查询，不支持行级别的增删改
具有完整的事务能力	不强调事务的特性
尽量的避免冗余 提高存储 和处理的效率	人为的制造冗余 提高查询的效率
数据来源单一	数据来源多样

OLTP(Online Transaction Processing) 联机事务处理系统

数据库属于OLTP, 涵盖了企业大部分的日常操作，如购物、库存、制造、银行、工资、注册、记账等, 比如Mysql，oracle等关系型数据库

OLTP是面向用户的、用于程序员的事务处理以及客户的查询处理

OLTP系统的访问由于要保证原子性，所以有事务机制和恢复机制

OLTP系统具有较强的事务

OLAP(Online Analytical Processing) 联机分析处理系统

主要用于分析数据, Hive, HBase都属于OLAP

OLAP是面向市场的，用于知识工人（经理、主管和数据分析人员）的数据分析

OLAP通常会集成多个异构数据源的数据，数量巨大

OLAP系统一般存储的是历史数据，所以大部分都是只读操作，不需要事务

 

Hive架构

 

1 Client(客户端)

即用户接口, 其中包括CLI（command-line interface）、JDBC/ODBC(jdbc访问hive)、WEBUI（浏览器访问hive）

2 Metastore(元数据)

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

注意：HIve默认的元数据存储在自带derby数据库中, 但是不推荐使用derby数据库, 可以自定义成MySQL数据库存储

3.Hadoop

Hive基于HDFS存储, 将类SQL语句翻译成MapReduce在Yarn上运行

4.Driver(驱动器)

 

解析器

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。

编译器

将AST编译生成逻辑执行计划

优化器

对逻辑执行进行优化

执行器

把逻辑执行计划转换成可运行的物理计划, 对于Hive来说, 也就是MapReduce或者Spark

 

Hive执行流程

  1.用户通过客户端提交一个HQL语句

  2.通过complier(编译组件) 对HQL语句进行词法和语法分析, 在这一步编译器会分析出HQL语句要操作哪张表

  3.去元数据获取表信息

  4.complier编译器提交HQL语句分析方案

  5.执行HQL语句

执行器在执行方案时，会进行判断：如果当前方案不涉及到MapReduce组件，比如为表添加分区信息、比如字符串操作等，比如简单的查询操作等，此时就会直接和元数据库交互，然后去HDFS上去找具体数据.

如果涉及到计算或者复杂的查询, 就需要将HQL语句转换成MapReduce去执行.

 

Hive的数据模型主要有以下四种：

 

Hive安装

 

 

 

 

 参考：

https://blog.csdn.net/alaskyed/article/details/105444201