大数据技术---数据仓库Hive

一、数据仓库Hive概述

1、数据仓库
数据仓库：是一个面向主题的、集成的、相对稳定的、反映历史变化的数据集合，用于支持管理决策。
根本目的：支持企业内部的商业分析和决策，基于数据仓库的分析结果，做出相关的经营决策。
2、数据仓库和传统数据库的区别？
（1）数据仓库相对稳定
（2）传统数据库只能保留某一时刻的状态信息，数据仓库保留所有的历史数据，帮助企业构建经营分析系统。
（3）面临挑战：传统数据仓库无法满足快速增长的海量数据存储需求、无法有效处理不同类型的数据、计算和处理能力不足

3、Hive简介
Hive：构建在Hadoop核心组件基础之上，不支持数据的存储和处理，只是提供了一种编程语言（HiveQL,类似于SQL）。用户利用HiveQL来运行具体的mapreduce任务。
Hadoop：支持大规模数据存储的组件叫HDFS，支持大规模数据处理的组件叫MapReduce。
Hive特性：
（1）批处理的方式处理海量数据：Hive会把HiveQL语句转换成mapreduce任务进行运行；数据仓库存储的是静态数据，对静态数据的分析适合采用批处理方式，不需快速响应给出结果，而且数据本身也不会频繁变化。
（2）Hive提供了一系列对数据进行提取、转换、加载（ETL）的工具：可以存储、查询和分析存储在Hadoop中的大规模数据。

二、Hive系统架构和工作原理

Hive系统架构：

1、对外访问的接口
2、驱动模块（driver）
包含编译器、优化器、执行器。负责把 hiveQL 语句转换成一系列 mapreduce 作业。

3、元数据存储模块（metastore）
是一个独立的关系型数据库。通过MySQL数据库来存储hive的元数据。

SQL转换成MapReduce的原理：
1、连接：利用MapReduce来实现数据库的连接操作。


2、当用户向hive输入一段命令或者查询时，hive表需要和Hadoop交互工作来完成该操作。

三、Impala简介

1、Impala简介
hive：hive是建立在Hadoop平台上，依赖底层的mapreduce和hdfs，所以它的延时比较高。
Impala：是由Cloudera公司开发的新型查询系统，运行需要依赖于hive的元数据，通过分布式查询引擎直接与hdfs和hbase进行交互查询。

2、Impala系统架构

组件：
(1）Impalad：查询计划器、查询协调器、查询引擎。负责协调客户端提交的查询执行，与hdfs的数据运行在同一节点上。

(2）State Store：负责收集分布在集群中各个Impalad进程的资源信息，用于查询调度。
(3）CLI：给用户提供查询的命令行工具。

3、Impala查询执行过程

执行查询的具体过程：
（1）当用户提交查询前，Impala先创建一个负责协调客户端提交的查询的Impalad进程，该进程会向Impala state store提交注册订阅信息，state store 会创建一个statestore进程，statesored进程通过创建多个线程来处理Impalad的注册订阅信息。
（2）用户通过CLI客户端提交一个查询到Impalad进程，Impalad的query planner对SQL进行解析，生成解析树，planner把这个查询的解析树变成若干个planfragment（分片），发送到query coordinator。
（3）coordinator通过MySQL元数据库中获取元数据，从hdfs的名称节点中获取数据地址，以得到存储这个查询相关数据的所有数据节点。
（4）coordinator初始化相应Impalad上的任务执行，把查询任务分配给所有存储这个查询相关数据的数据节点。
（5）query executor通过流式交换中间输出，并由query coordinator汇聚来自各个Impalad的结果。
（6）coordinator把汇总后的结果返回给CLI客户端。

4、Impala和Hive对比？
不同点：

相同点：