Hive基础
一、什么是hive
（1）Hive：由Facebook开源用于解决海量结构化日志的数据统计工具。
（2）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。
（3）本质是：将HQL转化成MapReduce程序
（4）Hive处理的数据存储在HDFS
（5）Hive分析数据底层的实现是MapReduce
（6）执行程序运行在Yarn上
二、hive的优点
（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）避免了去写MR，减少开发人员的学习成本
（3）hive的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。
（4）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。
四、hive的确点
1、hive的HQL表达能力有限
（1）无法表达迭代式算法
（2）数据挖掘方面不擅长，由于MR数据处理流程的限制，效率更高的算法无法实现
2、hive的效率较低
（1）hive自动生成的MR作业，不够智能化
（2）hive调优比较困难，粒度较粗
五、hive架构原理
1、用户接口：Client
CLI（command-line interface）、JDBC/ODBC(jdbc访问hive)、WEBUI（浏览器访问hive）
2、元数据：Metastore
元数据包括：表名、表所属的数据库（默认是Default）、标的拥有者、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
3、Hadoop
使用HDFS进行存储，使用MapReduce进行计算。
4、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变异生产逻辑执行计划
（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。
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。
六、hive和数据库比较
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
4、执行
Hive中大多数查询的执行是通过 Hadoop 提供的 MapReduce 来实现的。而数据库通常有自己的执行引擎
5、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。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。
6、可扩展
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。
7、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。
