大数据技术之Hive概述

基本概念

hive简介

Hive:由facebook开源用于解决海量结构化日志的数据统计工具.
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:将HQL转化为MapReduce程序

(1)Hive处理的数据存储在HDFS
(2)Hive分析数据底层的实现是MapReduce
(3)执行程序运行在Yarn上

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,减少了开发人员的学习成本
(3)Hive优势在于处理大数据,支持海量数据的分析与计算
(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

缺点

(1)Hive的表达能力有限
1.Hive自动生成的MapReduce作业,通常情况下不够智能化
2.数据挖掘方面不擅长,由于MapReduce数据处理流程的限制,效率更高的算法缺无法实现
(2)Hive的效率比较低
1.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
2.Hive调优比较困难,粒度较粗
(3)Hive不支持实时查询和行级别更新
1.hive分析的数据是存储早hdfs上,hdfs不支持随机写,只支持追加写,所以在hive中不能update和delete,能select和insert

Hive架构原理

1)用户接口:Client
CLI (command-line interface), JDBC/ODBC(jdbc 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derdy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Hive来说,就是MR/Spark

Hive通过给用户提供一系列交互接口,接受到用户的指令(SQL),使用自己的Driver.结合元数据(MetaStore),将这些指令翻译成MapReduce,提交打Hadoop中执行,最后,将执行返回的结果输出到用户交互接口.

Hive和数据库的比较

由于 Hive 采用了类似SQL 的查询语言 HQL(Hive Query Language)，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。本文将从多个方面来阐述 Hive 和数据库的差异。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，清楚这一点，有助于从应用角度理解 Hive 的特性。
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，因此可以在数据库使用 INSERT INTO … VALUES 添加数据和使用 UPDATE … SET修改数据。
3.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。

4.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。