Hive初识功能架构

hadoop,spark,kafka交流群：224209501

kafka源码，hbase源码，spark源码请关注浪尖公众号

本节讲述的主要内容为：

1） Hive 能做什么，与MapReduce相比优势在哪里（对于开发者）
2） 为什么说Hive是Hadoop 数据仓库，从【数据存储和分析】方面理解
3） Hive 架构，分为三个部分来理解，最好通过画图理解

1，hive PK mapreduce。

1.1 mapreduce的缺点

(1).MapReduce 格式比较固定。
【八股文】格式编程，三大部分组成
(2).No Schema(数据库中的Schema，为数据库对象的集合，一个用户一般对应一个schema。)，缺少查询语言，比如SQL。

• 数据分析，针对DBA、SQL语句，如何进行数据分析。
• MapReduce编程成本高。
• 因此facebook，实现并开源了hive。

1.2 hive的优点

(1).操作接口采用类SQL语法，提供快速开发能力(简单、容易上手);
(2).避免去写mapreduce，减少开发人员的学习成本；
(3).统一的元数据管理，可与implela/spark等共享元数据；
(4).易扩展(HDFS+MapReduce：可以扩展集群规模；支持自定义函数);
(5).数据的离线处理；比如：日志分析，海量结构数据离线分析。
(6).hive执行延迟比较高，因此hive常用于数据分析的，对实时性要求不高的场合；
(7).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。

2，hive是hadoop的数据仓库

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数据库表，并提供简单的sql查询功能，可以将sql语句转换为MapReduce任务进行运行。其优点是学习成本低，可以通过类SQL语句快速实现简单的MapReduce统计，不必开发专门的MapReduce应用，十分适合数据仓库的统计分析。它提供了一系列的工具，可以用来进行数据提取转化加载（ETL），这是一种可以存储、查询和分析存储在 Hadoop中的大规模数据的机制。
(1).hive由FaceBook开源用于解决海量结构化日志的数据统计。
(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成一张表，并提供类SQL查询功能。
(3).hive是构建在hadoop之上的数据仓库：

• 使用HQL语句作为查询接口
• 使用HDFS进行存储
• 使用mapreduce进行计算。
  (4).hive本质是:将HQL转化成MapReduce程序。
  (5).灵活和扩展性比较好：支持UDF，自定义存储格式。
  (6).适合离线处理。
  (7).查询和管理在分布式存储的大的数据集(数据库：增删改查，hive不支持增删该)。管理主要是对表的管理。

3，hive架构理解

hive在hadoop生态系统中的位置：

hive框架图：

hive执行流程：

3.1 用户接口：client

CLI(hive shell)、JDBC/ODBC(java访问hive)，WEBUI(浏览器访问hive)

3,2 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；
默认存储在自带的derby数据库中，推荐采用mysql存储metastore；

3,3 hadoop

使用HDFS进行存储，使用mapreduce进行计算

3.4 驱动器：driver

驱动器包含：解析器、编译器、优化器、执行器。
(1).解析器:
强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(比如select中被判定为聚合的字段在group by中是否出现).

(2).编译器
将AST编译生成逻辑执行计划。

(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/TEZ/Spark。

3.5，hive与关系型数据库的区别。

(1).hive和关系数据库存储文件的系统不同，hive使用的是hadoop的HDFS（hadoop的分布式文件系统），关系数据库则是服务器本地的文件系统；
(2).hive使用的计算模型是mapreduce，而关系数据库则是自己设计的计算模型；
(3).关系数据库都是为实时查询的业务进行设计的，而hive则是为海量数据做数据挖掘设计的，实时性很差；实时性的区别导致hive的应用场景和关系数据库有很大的不同；
(4).Hive很容易扩展自己的存储能力和计算能力，这个是继承hadoop的，而关系数据库在这个方面要比数据库差很多。