Hive篇:Hive入门

5,068 阅读4分钟

一、什么是hive?

hive由Facebook开源用于解决海量结构化日志的数据统计的工具,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。原理是将hql(不是hibernate的sql)转化成MapReduce

  • hive执行程序在yarn上
  • hive分析数据底层在MapReduce上
  • hive的数据存储在hdfs上

二、优缺点

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),不用写复杂的MapReduce
  • Hive的执行延迟比较高,适合用于数据分析,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(创建job耗时)。
  • 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,迭代式算法无法表达,数据挖掘方面不擅长
  • Hive的效率比较低,Hive自动生成的MapReduce作业,通常情况下不够智能化,Hive调优比较困难,粒度较大

三、架构原理

基本架构如下

1、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derby数据库中,推荐使用MySQL存储Metastore。类似于一个hive的基本信息配置

2、hadoop

提供HDFS做存储,提供MapReduce进行计算

3、驱动

  • 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。
  • 编译器(Physical Plan):将AST编译生成逻辑执行计划。
  • 优化器(Query Optimizer):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MapReduce/spark

hive给用户提供一系列交互接口,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,提交到Hadoop中执行,最后,将执行返回的结果输出到用户交互接口

四、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,其他不一样了

1、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。

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,因此可以使用 INSERT INTO … VALUES 添加数据,使用 UPDATE … SET修改数据。

3、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,通常会针对一个或者几个列建立索引,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

4、执行

hive大多数查询用Hadoop的madpreduce执行

数据库用字节的执行引擎

5、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。

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。

5、可扩展性

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

数据库由于ACID语义的严格限制,扩展性有限

6、数据规模

 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;

数据库可以支持的数据规模较小。