Hive学习--架构和基本组成

参考链接：深入浅出学Hive

一、Hive简介

• 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数据库表，并提供类SQL查询功能。
• 本质是将SQL转换为MapReduce程序

Hive与Hadoop的关系

Hive与传统数据库对比

	Hive	RDBMS
查询语言	HQL	SQL
数据存储	HDFS	Raw Device or Local FS
执行	MapReduce	Excutor
执行延迟	高	低
处理数据规模	大	小
索引	0.8版本后加入位图索引	有复杂的索引

二、Hive架构与基本组成

1、各组件基本功能

• 用户接口：用户访问Hive的入口
主要有三个：CIL（命令行），JDBC/ODBC（java），WebUI（浏览器访问）

•元数据：Hive的用户信息与表的MetaData
Hive将元数据存储在数据库中，目前只支持mysql，derby.
元数据包括：表名字，表的列和分区及其属性，表的数据所在目录。

•解释器，编译器，优化器：分析翻译、编译、优化HQL的组件
完成HQL查询语句从词法分析、语法分析、编译、优化及查询计划的生成。生成的查询计划存储在HDFS中，并随后由MapReduce调用执行。

Hive的数据存储在HDFS中，大部分查询有MapReduce完成。（包含的查询，例如select from不会生成mapreduce任务）

•Metastore
是系统目录，保存Hive中表的元数据信息。
metastore包含：
Database， 是表（table）的名字空间。默认的数据库（database）名为‘default’
Table 表的元数据，包含信息有：列（list of columns）和它们的类型（types），拥有者（owner），存储空间（storage）和SerDei信息
Partition， 每个分区（partition）都有自己的列（columns），SerDe和存储空间（storage）。这一特征将被用来支持Hive中的模式演变（schema evolution）
•Driver
1）Driver调用编译器处理HiveQL字串
2）编译器将HQL转化为策略（plan）
3）策略由元数据操作和HDFS操作组成。元数据操作只包含DDL（create，drop,alter）语句，HDFS操作只包含LOAD语句。
4）对插入和查询而言，策略由map-reduce任务中有向非循环图组成（DAG directed acyclic graph）。

2、Hive运行模式

本地和集群两种模式。
设置方式：

SET mapred.job.tracker=local
或者
SET mapred.job.tracker=192.168.1.2:9001

3、数据类型

原始数据类型：
tinyint - 1byte
smallint - 2 byte
int - 4 byte
bigint - 8 byte
boolean
float
double
string

复杂数据类型：
structs
maps
arrays
timestamp

4、Hive元数据存储

5、Hive的数据模型

Hive的数据存储建立在Hadoop的HDFS之上。
默认可以直接加载文本文件。创建表时可指定列分隔符航分隔符，hive可解析数据。

•Table 内部表
每个内部表在hive中有一个对应的目录存储数据。例如：表student在HDFS中的路径为“/warehouse/student”，warehouse是在hive-site.xml中由${hive.metastore.warehouse.dir}指定的数据仓库目录。
创建内部表：

create table student(id int,name string)

加载数据：

load data inpath ‘filepath’ into table student

删除内部表时，元数据和数据都会被删除。

drop table student

•Partition 分区表
在hive中，表中的一个partition对应于表下的一个目录，partition中的数据存储在对应目录下。
例如：student表中包含age和score两个partition，对应age=15,score=80的HDFS子目录为：warehouse/student/age=15/score=80
分区示例：

create table student(id int,name string) partitioned by (age int)
load data inpath ‘filepath’ into table student partition(age=15)

•External Table 外部表
指向hdfs中已经存在的数据。
与内部表的区别：
1）内部表在load数据的过程中，实际数据会被移动到数据仓库目录中。删除时元数据和数据都会删除。
2）外部表加载数据时，数据并不会被移动到数据仓库目录，只是与外部数据建立一个连接。删除表时仅删除元数据和该连接，不会删除数据。
创建外部表示例：

create external table teacher(id int,name string)
load data inpath ‘filepath’ into table teacher
drop table teacher

•Bucket Table
将表的列通过hash算法分解成不同的文件存储。
例如：将id分散成20个文件，对id进行hash，对应为0的写入/warehouse/student/age=15/score=80/part-0000
示例：

create table student(id int,name string) clustered by (id) into 20 buckets
load date inpath ‘filepath’ into table student
set hive.enforce.bucketing=true