Hive的基本知识

一：Hive定义

1.1出现原因

Hive最早来源于FaceBook ,因为FaceBook⽹站每天产⽣海量的结构化⽇志数据，为
了对这些数据进⾏管理，并且因为机器学习的需求，产⽣了Hive这⻔技术，并继续
发展成为⼀个成功的Apache项⽬。

1.2定义：

Hive是⼀个基于 Hadoop 的数据仓库⼯具，可以将结构化的数据⽂件映射成⼀张数据表，并可以使⽤类似SQL的⽅式来对数据⽂件进⾏读写以及管理。这套Hive SQL 简 称HQL。Hive的执⾏引擎可以是MR、Spark、Tez。

1.3本质：

Hive的本质是将HQL转换成MapReduce任务，完成整个数据的分析查询，减少编 
写MapReduce的复杂度 。

二：Hive的优缺点

2.1优点 ：

1. 学习成本低:提供了类SQL查询语⾔HQL,使得熟悉SQL语⾔的开发⼈员⽆需关⼼细节,可以快速上⼿. 
2. 海量数据分析:底层是基于海量计算到MapReduce实现. 
3. 可扩展性：为超⼤数据集设计了计算/扩展能⼒（MR作为计算引擎，HDFS作为存储系统），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。 
4. 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。 
5. 良好的容错性:某个数据节点出现问题HQL仍可完成执⾏。 
6. 统计管理：提供了统⼀的元数据管理

2.2缺点 ：

 1. Hive的HQL表达能⼒有限
 2. 迭代式算法⽆法表达.
 3. Hive的效率⽐较低.
 4. Hive⾃动⽣成的MapReduce作业，通常情况下不够智能化.
 5. Hive调优⽐较困难，粒度较粗.

三：Hive的架构:

核心结构如下图：

3.1 ⽤户连接接⼝

CLI：是指Shell命令⾏ JDBC/ODBC:是指Hive的JAVA实现，与传统数据库JDBC类似。 WebUI:是指可通过浏览器访问Hive

3.2 thriftserver

hive的可选组件,此组件是⼀个软件框架服务，允许客户端使⽤包括Java、C++、Ruby和其他很多种语⾔，通过编程的⽅式远程访问Hive。

3.3 元数据

Hive将元数据存储在数据库中，如mysql、derby。Hive中的元数据包括(表名、表所属的数据库名、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）

3.4 驱动(Driver)

解析器(SQLParser):

将HQL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(Compiler)：

对hql语句进⾏词法、语法、语义的编译(需要跟元数据关联)，编译完成后会⽣成⼀个执⾏计划。hive上就是编译成mapreduce的job

优化器(Optimizer)：

将执⾏计划进⾏优化，减少不必要的列、使⽤分区、使⽤索引等。优化job。

执⾏器(Executer):

将优化后的执⾏计划提交给hadoop的yarn上执⾏。提交job。

四：Hive与关系型数据库的异同

4.1列表比较

4.2 关键⽐较项解释:

1、查询语⾔：由于SQL被⼴泛的应⽤在数据仓库中，因此，专⻔针对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。
3、数据格式：Hive中没有定义专⻔的数据格式，数据格式可以由⽤户指定，⽤户定
义数据格式需要指定三个属性：列分隔符(通常为空格、"\t"、"\x001")、⾏分隔符
("\n")以及读取⽂件数据的⽅法(Hive中默认有三个⽂件格式TextFile、SequenceFile
以及RCFile)。由于在加载数据的过程中，不需要从⽤户数据格式到Hive定义的数据
格式的转换，因此，Hive在加载的过程中不会对数据本身进⾏任何修改，⽽只是将
数据内容复制或者移动到相应的HDFS⽬录中。⽽在数据库中，不同的数据库有不同
的存储引擎，定义了⾃⼰的数据格式。所有数据都会按照⼀定的组织存储，因此，
数据库加载数据的过程会⽐较耗时。
4、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中不⽀持对数据的改写和添加，所有的数据都是在加载的时候中确
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。
5、索引：Hive在加载数据的过程中不会对数据进⾏任何处理，甚⾄不会对数据进⾏
扫描，因此也没有对数据中的某些Key建⽴索引。Hive要访问数据中满⾜条件的特定
值时，需要暴⼒扫描整个数据，因此访问延迟较⾼。由于MapReduce的引⼊，Hive
可以并⾏访问数据，因此即使没有索引，对于⼤数据量的访问，Hive仍然可以体现
出优势。数据库中，通常会针对⼀个或⼏个列建⽴索引，因此对于少量的特定条件
的数据的访问，数据库可以有很⾼的效率，较低的延迟。由于数据的访问延迟较
⾼，决定了Hive不适合在线数据查询。
6、执⾏：Hive中⼤多数查询的执⾏是通过Hadoop提供的MapReduce来实现的(类 似select * from tbl的查询不需要MapReduce)。⽽数据库通常有⾃⼰的执⾏引擎。
7、执⾏延迟：之前提到，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。
8、可扩展性：由于Hive是建⽴在Hadoop之上的，因此Hive的可扩展性是和
Hadoop的可扩展性是⼀致的。⽽数据库由于ACID语义的严格限制，扩展性⾮常有
限。⽬前最先进的并⾏数据库Oracle在理论上的扩展能⼒也只有100台左右。
9、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。

Hive和Hadoop的关系

1. Hive是基于Hadoop的。
2. Hive本身其实没有多少功能，hive就相当于在Hadoop上⾯加了⼀个外壳，就是对hadoop进⾏了⼀次封装。
3. Hive的存储是基于HDFS的，hive的计算是基于MapReduce。

五：数据库的基本操作 库、表

5.1规则语法

注释语法:

-- 单⾏注释
// 单⾏注释
/* 
* 多⾏注释
*/

大小写规则:
1 Hive的数据库名、表名都不区分⼤⼩写
2. 建议关键字⼤写

命名规则：

1. 名字不能使⽤数字开头
2. 不能使⽤关键字
3. 尽量不使⽤特殊符号
4. 如果表⽐较多,那么表名和字段名可以定义规则加上前缀

快速创建库和表:

-- hive有⼀个默认的数据库default，如果不明确的说明要使⽤哪个库，则使⽤默认数据库。
hive> create database zoo;
hive> create database if not exists zoo;
hive> create database if not exists qfdb comment 'this is a database of qianfeng';

-- 创建库的本质：在hive的warehouse⽬录下创建⼀个⽬录（库名.db命名的⽬录）
-- 切换库：
hive> use zoo;
--创建表
hive> create table t_user(id int,name string);
-- 使⽤库+表的形式创建表：
hive> create table qfdb.t_user(id int,name string);