Hive學習筆記（一）——概述

1.Hive是個什麼玩意?

Hive：由Facebook開源用於解決海量結構化日誌的數據統計。

Hive是基於Hadoop的一個數據倉庫工具，能夠將結構化的數據（有規律的數據）文件映射爲一張表，並提供類SQL查詢功能。

一句話暴力總結：經過寫SQL語句的方式，代替原來的寫MapReduce程序。

下邊幾點還須要留意一下：

• Hive處理的數據存儲在HDFS ；

• Hive分析數據底層的實現是MapReduce ；

• 執行程序運行在Yarn上 ；

  這就至關於Hive是Hadoop的客戶端，不是分佈式的
  

2. Hive的優缺點 （選看）

2.1 優勢：

1）操做接口採用類SQL的語法，比較好上手，不用寫代碼；

2）避免寫MapReduce程序代碼，減小了開發人員的學習成本，也提升了開發效率嘛；

3）適用於數據分析，對實時性要求不高的場合，由於默認的實現是MapReduce；

4）Hive主要的優點在於處理大數據，對處理小數據沒有優點，由於Hive的執行延遲比較高；

5）Hive支持用戶自定函數，開發人員能夠根據需求自定義函數。

2.2 缺點：

1）Hive的HQL表達能力有限：
（1）迭代式算法沒法表達；
（2）數據挖掘方面不擅長，因爲MapReduce數據處理流程的限制，效率更高的算法卻沒法實現。
2）Hive的效率比較低：
（1）Hive自動生成的MapReduce做業，一般狀況下不夠智能化；
（2）Hive調優比較困難，粒度較粗。

3. Hive的架構原理

Hive主要架構及協同工做的架構組件以下圖：

瞭解一下各個組件:

1）用戶接口：Client，不屬於hive的內部數據

​ CLI（command-line interface）、JDBC/ODBC(jdbc訪問hive)、WEBUI（瀏覽器訪問hive）

2）元數據：Metastore

元數據包括：表名、表所屬的數據庫（默認是default庫）、表的擁有者、列/分區字段、表的類型（是不是外部表）、表的數據所在目錄等；

例如：HDFS上有一個文件，有四個列，咱們用Hive建了一個四個列的表與之相映射，這個映射關係就是元數據Metastore

元數據默認存儲在自帶的derby數據庫中，推薦使用MySQL存儲Metastore（Hive要去HDFS上讀數據，它怎麼知道數據的位置呢？它要先訪問Mysql裏的元數據，根據元數據拼接處文件路徑）。

3）Hadoop

​ Hive處理的數據存儲在HDFS上，使用的是MapReduce進行計算。

4）驅動器：Driver

（1）解析器：將SQL字符串轉換成抽象語法樹AST，這一步通常都用第三方工具庫完成，好比antlr；對AST進行語法分析，好比表是否存在、字段是否存在、SQL語義是否有誤；

（2）編譯器：將AST編譯生成邏輯執行計劃；【即翻譯器：將HQL翻譯成MapReduce】

（3）優化器：對邏輯執行計劃進行優化；

（4）執行器：把邏輯執行計劃轉換成能夠運行的物理計劃。對於Hive來講，就是MR/Spark。

小總結：Hive經過給用戶提供的一系列交互接口，接收到用戶的指令(HQL)，使用本身的Driver，結合元數據(包括數據的存儲路徑和數據與表的映射關係)，將這些指令翻譯成MapReduce，提交到Hadoop中執行，最後，將執行返回的結果輸出到用戶交互接口。

4. Hive和數據庫比較

​ Hive 是爲數據倉庫而設計的 ，Hive 採用了相似SQL 的查詢語言 HQL(Hive Query Language)，所以很容易將 Hive 理解爲數據庫。其實從結構上來看，Hive 和數據庫除了擁有相似的查詢語言，再無相似之處。比較一下二者吧：

• 查詢語言：專門針對Hive的特性設計了類SQL的查詢語言HQL ；
• 存儲的位置：Hive是創建在Hadoop之上的，因此Hive的數據都存儲在HDFS上。數據庫的文件則存儲在塊設備上或者本地文件系統中；
• 數據更新：Hive是針對數據倉庫設計的，數據倉庫裏的內容讀多寫少，Hive中不建議對數據改寫，全部的數據都是在加載的時候肯定好的。數據庫中的內容則是須要頻繁的讀寫；
• 執行：Hive的執行藉助於Hadoop提供的MapReduce實現，數據庫則是有本身的執行引擎；
• 執行延遲：Hive因爲沒有索引，須要掃描全表，所以延遲比較高；另外一個致使延遲高的緣由是MapReduce框架自己就有較高的執行延遲。相比較而言，數據庫的執行延遲比較低，固然低是有條件的：即處理數據量小的時候比較低。當規模達到必定程度的時候，Hive的並行計算的優點就能體現出來了。
• 可擴展性：因爲Hive是創建在Hadoop之上的，所以Hive的可擴展性是和Hadoop的可擴展性是一致的。而數據庫因爲 ACID 語義的嚴格限制，擴展行很是有限。目前最早進的並行數據庫在理論上的擴展能力也只有100臺左右。
• 數據規模：因爲Hive創建在集羣上並能夠利用MapReduce進行並行計算，所以能夠支持很大規模的數據；對應的，數據庫能夠支持的數據規模較小。