Hive学习笔记(一)——概述

1.Hive是个什么玩意?

Hive:由Facebook开源用于解决海量结构化日志的数据统计。

Hive是基于Hadoop的一个数据仓库工具,可以将结构化的数据(有规律的数据)文件映射为一张表,并提供类SQL查询功能。

一句话暴力总结:通过写SQL语句的方式,代替原来的写MapReduce程序。

下边几点还需要留意一下:

  • 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 ;

    这就相当于Hive是Hadoop的客户端,不是分布式的

Hive学习笔记(一)——概述_第1张图片

2. Hive的优缺点 (选看)

2.1 优点:

1)操作接口采用类SQL的语法,比较好上手,不用写代码;

2)避免写MapReduce程序代码,减少了开发人员的学习成本,也提高了开发效率嘛;

3)适用于数据分析,对实时性要求不高的场合,因为默认的实现是MapReduce;

4)Hive主要的优势在于处理大数据,对处理小数据没有优势,因为Hive的执行延迟比较高;

5)Hive支持用户自定函数,开发人员可以根据需求自定义函数。

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,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的架构原理

Hive主要架构及协同工作的架构组件如下图:

Hive学习笔记(一)——概述_第2张图片

了解一下各个组件:

1)用户接口:Client,不属于hive的内部数据

​ CLI(command-line interface)、JDBC/ODBC(jdbc访问hive)、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库)、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;

例如:HDFS上有一个文件,有四个列,我们用Hive建了一个四个列的表与之相映射,这个映射关系就是元数据Metastore

元数据默认存储在自带的derby数据库中,推荐使用MySQL存储Metastore(Hive要去HDFS上读数据,它怎么知道数据的位置呢?它要先访问Mysql里的元数据,根据元数据拼接处文件路径)。

3)Hadoop

​ Hive处理的数据存储在HDFS上,使用的是MapReduce进行计算。

4)驱动器:Driver

(1)解析器: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:将AST编译生成逻辑执行计划;【即翻译器:将HQL翻译成MapReduce】

(3)优化器:对逻辑执行计划进行优化;

(4)执行器: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MR/Spark。

小总结:Hive通过给用户提供的一系列交互接口,接收到用户的指令(HQL),使用自己的Driver,结合元数据(包括数据的存储路径和数据与表的映射关系),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

​ Hive 是为数据仓库而设计的 ,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。比较一下两者吧:

  • 查询语言:专门针对Hive的特性设计了类SQL的查询语言HQL ;
  • 存储的位置:Hive是建立在Hadoop之上的,所以Hive的数据都存储在HDFS上。数据库的文件则存储在块设备上或者本地文件系统中;
  • 数据更新:Hive是针对数据仓库设计的,数据仓库里的内容读多写少,Hive中不建议对数据改写,所有的数据都是在加载的时候确定好的。数据库中的内容则是需要频繁的读写;
  • 执行:Hive的执行借助于Hadoop提供的MapReduce实现,数据库则是有自己的执行引擎;
  • 执行延迟:Hive由于没有索引,需要扫描全表,因此延迟比较高;另一个导致延迟高的原因是MapReduce框架本身就有较高的执行延迟。相比较而言,数据库的执行延迟比较低,当然低是有条件的:即处理数据量小的时候比较低。当规模达到一定程度的时候,Hive的并行计算的优势就能体现出来了。
  • 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,扩展行非常有限。目前最先进的并行数据库在理论上的扩展能力也只有100台左右。
  • 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。

你可能感兴趣的:(Hive学习笔记(一)——概述)