第1章Hive入门
第1章Hive入门
1.1 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。后来还是归于apache 基金会管理。
Hive是基于Hadoop的一个数据仓库工具，可以将结构化的数据（例如json数据）文件映射为一张表，并提供类SQL查询功能。
本质是：将
HQL（HIve QL）转化成MapReduce程序
1）Hive处理的数据存储在HDFS
2）Hive分析数据底层的实现是MapReduce
3）执行程序运行在Yarn上
1.2 Hive的优缺点
1.2.1 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，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。比较适合离线数据处理.
-
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。
-
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。
1.2.2 缺点
1．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
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
1.3 Hive架构原理
1．用户接口：Client
提供三种访问方式
- CLI（hive shell）、
- JDBC/ODBC(java访问hive)【
driver url username password】 - WEBUI（浏览器访问hive）
2．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； 可以理解一个管理数据的基本信息的地方.及其详细信息放在HDFS上
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【重点】
（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划。
（3）优化器（Query Optimizer）：对逻辑执行计划进行优化。
（4）执行器（Execution）：把逻辑执行计划转换成可以运行的物理计划。对于Hive来说，就是MapReduce/Spark。
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。
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。
本小结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。
| 区别 | Hive | MySQL |
|---|---|---|
| 查询语言 | 类SQL的查询语言HQL | SQL |
| 数据存储位置 | 存储在HDFS 中 |
块设备或者本地文件系统中 |
| 数据更新 | 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 |
数据库中的数据通常是需要经常进行修改的， INSERT INTO … VALUES 、 UPDATE … SET修改数据。 |
| 索引 | 没有对数据中的某些Key建立索引，暴力扫描整个数据MapReduce 的引入， Hive 可以 并行访问数据，因此即使没有索引， |
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。 |
| 执行 | MapReduce | 执行引擎innodb |
| 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。 |
相对的，数据库的执行延迟较低。 |
| 可扩展性 | 666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， 扩展行非常有限。 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。 |
| 数据规模 | 大 | 小 |
文章来源: hiszm.blog.csdn.net，作者：孙中明，版权归原作者所有，如需转载，请联系作者。
原文链接：hiszm.blog.csdn.net/article/details/118958316
- 点赞
- 收藏
- 关注作者
评论（0）