什么是 Apache Hive？为什么要使用 Hive？

你的名字 2021-04-24 06:22 1719阅读 0赞

**一、什么是 Apache Hive？**

Apache Hive 是一个基于 Hadoop Haused 构建的开源数据仓库系统，我们使用它来查询和分析存储在 Hadoop 文件中的大型数据集。此外，通过使用 Hive，我们可以在 Hadoop 中处理结构化和半结构化数据。

换句话说，Hive 是一个数据仓库基础设施，便于查询和管理驻留在分布式存储系统中的大型数据集。它提供了一种类 SQL 的查询语言 HiveQL（Hive Query Language）查询数据的方法。 此外，编译器在内部将 HiveQL 语句转换为 MapReduce、Tez、Spark 等作业。进一步提交给 Hadoop 框架执行。

**二、我们为什么要使用 Hive 技术？**

随着 Hadoop MapReduce 的出现，极大的简化大数据编程的难度，使得普通程序员也能从事开发大数据编程。但在生产活动中经常要对大数据计算分析是从事商务智能行业（BI）的工程师，他们通常使用 SQL 语言进行大数据统计以及分析，而 Mapreduce 编程是有一定的门槛，如果每次都采用 MapReduce 开发计算分析，这样成本就太高效率太低，那么有没有更简单的办法，可以直接通过 SQL 在大数据平台下运行进行统计分析？有的，答案即是 Hive。

Hive 主要用于数据查询，统计和分析，提高开发人员的工作效率。Hive 通过内置函数将 SQL 语句生成 DAG（有向无环图），再让 Mapreduce 计算处理。从而得到我们想要的统计结果。而且在处理具有挑战性的复杂分析处理和数据格式时，极大的简化了开发难度。

**三、Hive 架构**

Hive 能够直接处理我们输入的 HiveQL 语句，调用 MapReduce 计算框架完成数据分析操作。下面是它的架构图，我们结合架构图来看看 Hive 到 MapReduce 整个流程。

![一个数据仓库时代开始——Hive][Hive]

由上图可知，HDFS 和 Mapreduce 是 Hive 架构的根基。Hive 架构主要分为以下几个组件：Client、Metastore、Thrift Server、Driver，下面是各个组件介绍：

**Client：**用户接口组件主要包含 CLI（命令行接口）、JDBC 或 ODBC、WEB GUI（以浏览器访问 Hive）；

**Metastore组件：**元数据服务组件， 记录表名、字段名、字段类型、关联 HDFS 文件路径等这些数据库的元数据信息；

**Driver（执行引擎）：**包括 Complier 、Optimizer 和 Executor，它们的作用是将 HiveQL 语句进行语法分析、语法解析、语法优化，生成执行计划，然后提交给 Hadoop MapReduce 计算框架处理；

**Thrift Server：**Thrift 是 FaceBook 开发的一个软件框架，它用来进行可扩展且跨语言的服务的开发， 通过该服务使不同编程语言调用 Hive 的接口。

我们通过 CLI 向 Hive 提交 SQL 命令，如果 SQL 是创建数据表的 DDL，Hive 会通过 执行引擎 Driver 将数据表元数据信息存储 Metastore 中，而如果 SQL 是查询分析数据的 DQL，通过 Complier 、Optimizer 和 Executor 进行语法分析、语法解析、语法优化操作，生成执行计划生成一个 MapReduce 的作业，提交给 Hadoop MapReduce 计算框架处理。

到此 Hive 的整个流程就结束了，相信你对 Hive 的整个流程已经有基本了解。接下来我们探讨一条 SQL 在 MapReduce 是如何统计分析。

**四、SQL如何在Mapreduce执行**

![一个数据仓库时代开始——Hive][Hive 1]

左边是数据表，右边是结果表，这条 SQL 语句对 age 分组求和，得到右边的结果表，到底一条简单的 SQL 在 MapReduce 是如何被计算， MapReduce 编程模型只包含 map 和 reduce 两个过程，map 是对数据的划分，reduce 负责对 map 的结果进行汇总。

select id,age,count(1) from student_info group by age

首先看 map 函数的输入的 key 和 value，输入主要看 value，value 就是 user\_info 表的每一行数据，输入的 value 作为map函数输出的 key，输出的 value 固定为 1，比如<<1,17>,1>。 map 函数的输出经过 shuffle 处理，shuffle 把相同的 key 以及对应的 value 组合成新<key,value集合>，从 user\_info 表看出map输出 2 次<<1,17>,1>，那么经过 shuffle 处理后则会输出<<1,17>,<1,1>>，并将输出作为 reduce 函数的输入。

在 reduce 函数会把所有 value 进行相加后输出结果，<<1,17>,<1,1>>输出为<<1,17>,2>。 这就是一条简单 SQL 在 Mapreduce 执行过程，可能你会有点迷糊，在这里我画了一张流程图，结合流程图你会更加清楚。

![一个数据仓库时代开始——Hive][Hive 2]

**五、Hive 和 RDBMS 之间的区别**

说到 Hive 跟 RDBMS（传统关系型数据库）相比有哪些区别，很多人可能还是说不清楚，在这里我总结一下关于 Hive 和 RDBMS 之间的区别。

**1、**Hive 支持部分 SQL 语法，跟标准 SQL 有一定区别。

**2、**传统的数据库在写入数据会严格检验数据格式，对于这种我们成为读时模式，而 Hive 是在查询数据时验证数据，这种验证我们称为写时模式，而且由于每次都是扫描整个表导致高延时；

**3、**Hive 是在 Hadoop 上运行的，通常而言 Hive 时一次写入多次读取，而 RDBMS 则是多次读写；

**4、**Hive 视图是逻辑存在，而且只读，不接受 LOAD/INSERT/ALTER，而 RDBMS 视图根据表变化而变化；

**5、**Hive 支持多表插入而 RDBMS 是不支持，而且 Hive 对子查询有严格要求，有许多子查询是不支持；

**6、**早期 Hive 只支持 INSERT OVERWRITEINTO TABLE 插入数据，从 0.14.0 开始支持 INSERT INTO ... VALUE 语句按行添加数据，另外 UPDATE 和 DELETE 也允许被执行；

**7、**在 Hive 0.7.0 之后 Hive 是支持索引的，只是它跟 RDBMS 不一样，比如它不支持主键和外键，而是支持在某些列上建立索引，以提高 Hive 表指定列的查询速度（但是效果差强人意）；

其实对于更新、事物和索引，一开始 Hive 是不支持的，因为这样非常影响性能，不符合当初数据仓库的设计，不过后来不断的发展，也不得不妥协，这也导致 Hive 和 RDBMS 在形式上更加相识。

相信看完这些大家已经对它们之间区别有了一些理解，在这里我还贴出一张表格，你可以对照表格加深印象。

比较项 RDBMS Hive ANSI SQL 支持 不完全支持 更新 UPDATEINSERTDELETE UPDATEINSERTDELETE（0.14.0之后） 模式 读时模式 写时模式 数据保存 磁盘 HDFS 延时 低 高 多表插入 不支持 支持 子查询 完全支持 支持 From 子句 视图 Updatable Read-only 索引 支持 支持表列(0.7.0之后) 可扩展性 低 高 数据规模 小 大 读写 一次写入多次读取 多次读写 分析 OLTP OLAP 执行 Excutor MapReduced、Spark等

**小结**

在实际生产过程中，其实我们不会经常编写 MapReduce 程序，起初在网站的大数据分析基本是通过 SQL 进的，也因此 Hive 在大数据中扮演着非常重要作用。随着 Hive 的普及，我们希望更多的大数据应用场景中使用 SQL 语句进行分析，于是现在越来越多的大数据 SQL 引擎被开发出来。在我看来无论是 Cloudera 的 Impala，还是后来的 Spark ，对大数据中使用 SQL需求越来迫切， 对大数据 SQL 应用场景更多样化，我们只需要通过 SQL 语句就可以轻易得到我们想要的结果。最后说一点，在这些 SQL 引擎基本都是支持类 SQL 语言，但并不像数据库那样支持那样标准 SQL，特别是 Hive 等数据仓库几乎必然会用到嵌套查询 SQL，也就是在 where 条件嵌套 select 子查询，但是几乎所有的大数据 SQL 引擎都不支持。

[Hive]: /images/20210424/1619245355234.jpg
[Hive 1]: /images/20210424/1619245340577.jpg
[Hive 2]: /images/20210424/1619245301441.jpg