Hive基本概念

女爷i 2024-04-19 09:57 32阅读 0赞

# Hive基本概念 #

--------------------

## 目录 ##

1.  什么是Hive
2.  Hive的优缺点
3.  Hive架构原理
4.  Hive和数据库比较

--------------------

### 1. 什么是Hive ###

1.  Hive：由 Facebook 开源用于解决海量结构化日志的数据统计框架。
2.  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表**，并提供了**类 SQL** 查询功能。
3.  **本质是：将 HQL 转化成 MapReduce 程序。**  
    ![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MTkxMDY5NA_size_16_color_FFFFFF_t_70]

*  Hive 处理的数据存储在 HDFS。
 *  Hive 分析数据底层的实现是 MapReduce。
 *  执行程序运行在 Yarn 上。

--------------------

### 2. Hive的优缺点 ###

##### 1. 优点 #####

1.  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）。
2.  避免了去写 MapReduce，减少开发人员的学习成本。
3.  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。
4.  Hive 的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。
5.  Hive 支持用户自定义函数，用户可以根据自己的需求实现自己的函数。

##### 2. 缺点 #####

1.  Hive 的 HQL 的表达能力有限。
    
    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，效率更高的算法却无法实现。
2.  Hive 的效率比较低
    
    1.  Hive 自动生成的 MapReduce 作业，通常情况下不够智能化。
    2.  Hive 调优比较困难，粒度较粗。

--------------------

### 3. Hive架构原理 ###

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MTkxMDY5NA_size_16_color_FFFFFF_t_70 1]

1.  用户接口：Client  
    CLI(command-line interface)、JDBC/ODBC(jdbc 访问 hive)、WEBUI(游览器访问 hive)
2.  元数据：Matestore  
    元数据包括：表名、表所属的数据库（默认为default）、表的拥有者、列/分区字段、表的类型（是否为外部表）、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。
3.  Hadoop  
    使用 HDFS 进行存储，使用 MapReduce 进行计算。
4.  驱动器：Driver
    
    1.  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。
    2.  编译器（Physical Plan）：将 AST 编译生成逻辑执行计算。
    3.  优化器（Query Optimizer）：对逻辑执行计划进行优化。
    4.  执行器（Execution）：把逻辑执行计算转换成可以运行的物理计划。对于 Hive 来说，就是MR/Spark。

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MTkxMDY5NA_size_16_color_FFFFFF_t_70 2]  
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，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。

--------------------

### 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。本文将从多个方面来阐述 Hive 和数据库的差异。数据库可以用在 Online 的应用中，但是Hive 是为数据仓库而设计的，清楚这一点，有助于从应用角度理解 Hive 的特性。

1.  查询语言  
    由于SQL被广泛的应用在数据仓库中，因此，专门针对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。
4.  执行  
    Hive中大多数查询的执行是通过 Hadoop 提供的 MapReduce 来实现的。而数据库通常有自己的执行引擎。
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。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。
6.  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（世界上最大的Hadoop 集群在 Yahoo!，2009年的规模在4000 台节点左右）。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。
7.  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。

[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MTkxMDY5NA_size_16_color_FFFFFF_t_70]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/18/9e13441647c94720b449cc5fdec57428.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MTkxMDY5NA_size_16_color_FFFFFF_t_70 1]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/18/2fbe7b37de934a9c90f0b33d45f4fddb.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MTkxMDY5NA_size_16_color_FFFFFF_t_70 2]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/18/7c1d53ad9de74c288518cfdb6b836f03.png