Hive简介
一:什么是Hive?
Hive:由 Facebook 开源用于解决海量结构化日志的数据统计。
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。
Hive本质是:将 HQL 转化成 MapReduce 程序
Hive 处理的数据存储在 HDFS
Hive 分析数据底层的实现是 MapReduce
Hive执行程序运行在 Yarn 上
二:Hive的优缺点
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 MapReduce,减少开发人员的学习成本。
3) Hive 的执行延迟比较高,因此 Hive 常用于数据分析,对实时性要求不高的场合。
4) Hive 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
5) 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。
缺点:1. Hive 的 HQL 表达能力有限
( 1)迭代式算法无法表达
( 2)数据挖掘方面不擅长, 由于 MapReduce 数据处理流程的限制,效率更高的算法却无法实现。
2. Hive 的效率比较低
( 1) Hive 自动生成的 MapReduce 作业,通常情况下不够智能化
( 2) Hive 调优比较困难,粒度较粗
三:Hive架构
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)、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;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( Compiler):将 AST 编译生成逻辑执行计划。
( 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。
四:Hive运行机制
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。
五:Hive和数据库的比较
Hive和数据库除了拥有类似的查询语言外,再无相似之处。
(1)Hive的查询语言是HQL,和SQL非常像
(2)Hive是建立在Hadoop上的,数据存储在HDFS上。而数据库则将数据存储在块设备或本地文件系统中
(3)Hive是针对数据仓库应用设计的,Hive中不建议对数据进行改写,所有数据都是在加载时确定好的。而数据库的数据会经常修改。
(4)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)Hive在查询数据时延迟较高,因为没有索引以及MapReduce框架。数据规模小的时候数据库延迟较低,数据规模太大时Hive的并行计算有优势。
(6)Hive的可扩展性和Hadoop一致,而数据库由于ACID语言的严格限制,扩展非常有限。
(7)Hive建立在集群上并利用MapReduce进行并行计算,因此可以支持很大规模的数据,数据库支持的数据规模较小。
默认存储在自带的 derby 数据库中,推荐使用 MySQL 存储 Metastore