hive的基本概念

Hive基本概念
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
  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，并提供类SQL查询功能
  本质是：将HQL转化成MapReduce程序
  1.Hive处理数据存储在HDFS
  2.Hive分析数据底层的实现Map Reduce
  3.执行程序运行在YARN上
2.为什么使用Hive？
  1.直接使用Hadoop所面临的问题
        1.人员学习成本太高
        2.项目周期要求太短
        3.MapReduce实现复杂查询逻辑开发难度太大
  2.Hive的好处
        1.操作接口采用类SQL语法，提供快速开发的能力 
        2.避免了去写MapReduce，减少开发人员的学习成本
        3.扩展功能很方便
    如图中所示，Hive通过用户提供的一系列交互接口，接受到用户的指令（SQL），使用自己的Driver，结合元数据（Meta Store）
    将这些指令翻译成Map Reduce，提交到Hadoop中执行，最后，将执行返回的结构输出到用户交互接口
    1.用户接口：Client
        CLI(hive shell)、JDBC/ODBC(java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）、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，推荐使用MySQL存储Meta store
    3.Hadoop
        使用HDFS进行存储，使用Map Reduce进行计算
    4.驱动器:Driver
        1.解析器（SQLParser）：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MR/TEZ/Spark
3.Hive的特点
    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优势在于处理大数据，对于处理小数据没有优势，因此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来实现自己的函数
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。
    本人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。
5.查询语言
    由于SQL被广泛的应用在数据仓库，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
6.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。
7.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。因此，Hive中不支持对数据的改写和添加，所有的数据都是在加载的时候中确定好的。而数据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
8.索引
    Hive在加载数据的过程中不会对数据进行任何处理，甚至不会对数据进行扫描，因此也没有对数据中的某些Key建立索引。Hive要访问数据中满足条件的特定值时，需要暴力扫描整个数据，
    因此访问延迟较高。由于Map Reduce的引入，Hive仍然可以体现出优势。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
9.执行
    Hive中大多数查询的执行时通过Hadoop提供的MapReduce来实现的。而数据库通常有自己的执行引擎。
10.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执行延迟高的因素时Map Reduce框架。由于Map Reduce本身具有较高的延迟，因此在利用Map Reduce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，这个低似乎有条件的，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的并性计算显然体现出优势。
11.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（Atomicity：原子性，Consistency：一致性，Isolation：隔离性，Durability：持久性）语义的严格限制
    扩展非常有限。目前最先进的并行数据库Oracle在理论上的扩展能力也只用100台左右
12.数据规模
    由于Hive建立在集群上并可以利用Map Reduce进行计算，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。