1 Hive简介
1.1 什么是Hive
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。
详见：Hive官网
- Hive处理的数据存储在HDFS
- Hive分析数据底层的实现是计算引擎，MapReduce、Spark、Tez等
- 执行程序运行在Yarn上
1.2 为什么使用Hive
操作接口采用类SQL语法，提供快速开发的能力。避免了去写MapReduce、Spark等JAVA代码，减少开发人员的学习成本。功能扩展很方便。
- 优点
- 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）。
- 避免了去写MapReduce、Spark等，减少开发人员的学习成本。
- 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。
- 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
15 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
- 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
的算法却无法实现。在Spark、Tez等引擎支持后，效率还是相对提高了不少。
- 特点
- 可扩展
Hive可以自由的扩展集群的规模，一般情况下不需要重启服务。 - 延展性
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。 - 容错性
良好的容错性，节点出现问题SQL仍可完成执行。
1.3 Hive架构原理
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/Spark等引擎，结合读取数据存储进行任务管理及工作分派计算，最后，将执行返回的结果输出到用户交互接口。
流程如下：
该组件图包含不同的单元。下表描述每个单元：
| 单元名称 |
|---|
| 用户接口/界面(Client/UI) |
| Hive是一个数据仓库基础工具软件，可以创建用户和HDFS之间互动。用户界面，Hive支持是Hive的Web UI，Hive命令行，JDBC/ODBC(jdbc访问hive) |
| 元存储(MetaStore) |
| Hive选择各自的数据库服务器，用以储存表，数据库，列模式或元数据表，它们的数据类型和HDFS映射。(推荐使用MySQL存储) |
| HiveQL引擎(Driver) |
| 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。 |
| 编译器（Physical Plan）：将AST编译生成逻辑执行计划。 |
| 优化器（QueryOptimizer）：对逻辑执行计划进行优化。 |
| 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。 |
| 存储(Storage) |
| HDFS 或 HBASE 或第三方FileSystem/DataBases |
官方流程如下：
参考：HIVE Architecture
1.4 Hive和数据库比较
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。数据库可以用在 Online 的应用中，主要是OLTP场景，但是Hive 是为数据仓库而设计的，主要应用在OLAP场景。
- 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。 - 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，因此可以使用INSERT INTO … VALUES 添加数据，使用 UPDATE … SET修改数据。HIVE主要是INSERT OVERWRITE ，目前HIVE3已经支持UPDATE事务。 - 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。可以使用分区提高效率。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。 - 数据规模、可扩展性
由于Hive建立在集群上并可以利用MapReduce/Spark/Tez等进行并行计算，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。
扫一扫
3661
到【灌水乐园】发言
