Hive学习（二）基础知识

目录

1、Hive 基本概念

1.1、Hive 简介 

1.1.1、什么是 Hive

1.1.2、为什么使用 Hive

1.1.3、Hive 特点

1.2、Hive 和 RDBMS 的对比

1.3、Hive 架构

1.4、Hive 的数据存储 

1、Hive 基本概念

1.1、Hive 简介

1.1.1、什么是 Hive

Hive 由 Facebook 实现并开源，是基于 Hadoop 的一个数据仓库工具，可以将结构化的数据映射为一张数据库表，并提供 HQL(Hive SQL)查询功能，底层数据是存储在 HDFS 上。Hive的本质是将 SQL 语句转换为 MapReduce 任务运行，使不熟悉 MapReduce 的用户很方便地利用 HQL 处理和计算 HDFS 上的结构化的数据，适用于离线的批量数据计算。

1、Hive 由 Facebook 实现并开源

2、是基于 Hadoop 的一个数据仓库工具，

1、hive是数据仓库， 用来存储数据

2、真实存储在Hive中的数据，底层时候存储在HDFS上的。

3、Hive是一个使用SQL语句计算存储在HDFS上的数据的，底层的执行引擎：MapReduce

hbase：  数据库

hive : 数据仓库

区别：

1、数据库，对于数据会做精细化的管理，具有事务的概念

     数据仓库，存储数据的格式就类似打包，没有事务的概念

2、操作方式的区别：
    数据库：NoSQL语法  put get scan delele

     数据仓库: SQL方言 Hive的SQL ===  HQL     hibernate:HQL

                3、用途的区别：

  数据库：OLTP  联机事务处理   增删改

  数据仓库： OLAP   联机分析处理   查询

  hive是数据仓库，它根本就不支持 update和delete   但是支持insert

4、模式上的区别

   数据库： 写模式    hbase无严格模式 ： 仅有的模式校验只有 表名和列簇的名称

   数据仓库：  读模式

3、可以将结构化的数据映射为一张数据库表，

你就把存储在HDFS上的数据，看做是一张二维表格

ORM ：对象映射模型
mysql class
student Student
id id
name name

sex sex

一条记录 一个实例对象

mybatis : 半orm    hibernate： 全orm

HDFS mysql

student.txt student

一行记录 一条记录

第一个属性 第一个字段
第二个属性 第二个字段

..... ....

咱们完全可以把存储在HDFS上的结构化的数据看做是一张二维表格

4、并提供 HQL(Hive SQL)查询功能，

使用SQL语句进行操作

5、底层数据是存储在 HDFS 上。

Hive是数据仓库，但是本身不存储数据， 仅仅只是用来存储描述存储在HDFS上的数据

为了SQL语法能够顺利执行，肯定需要把存储在HDFS上的数据，进行一番抽象

并且把抽象出来数据进行存储。 Hive就存储这份数据   就叫做 元数据

Hive的元数据到底是什么？

Hive的元数据，就是描述存储在HDFS上的数据的 数据，  Hive数据仓库的元数据，是一定不能丢失的。

Hive的元数据，是借用RDBMS进行存储。 最常用的就是 MySQL

任何地方提到元数据，，都是同一个概念，， 都是指  描述  数据的  数据

HDFS 集群中会存储非常多的大文件的很多数据块，

namenode中就存储了 “描述了存储在HDFS上的数据被切分成多少个数据块的数据”

6、Hive的本质是将 SQL 语句转换为 MapReduce 任务运行，

Hive的本质作用就是  把 用户编写 SQL语句 转换成hadoop能够执行的 maprdcue分布式计算程序去执行

Hive的SQL语句，你就应该把它看做是一个MapReduce程序

但是事实上，一个SQL有可能没法使用一个MapReduce去实现。

Hive的作用：就是把SQL转换成MapReduce

数据仓库  +  工具

7、使不熟悉 MapReduce 的用户很方便地利用 HQL 处理和计算 HDFS 上的结构化的数据，适用于离线的批量数据计算。

数据仓库之父比尔·恩门（Bill Inmon）在 1991 年出版的“Building the Data Warehouse”（《建立数据仓库》）一书中所提出的定义被广泛接受——数据仓库（Data Warehouse）是一个面向主题的（Subject Oriented）、集成的（Integrated）、相对稳定的（Non-Volatile）、反映历史变化（Time Variant）的数据集合，用于支持管理决策(Decision Making Support)。

Hive 依赖于 HDFS 存储数据，Hive 将 HQL 转换成 MapReduce 执行

所以说 Hive 是基于 Hadoop 的一个数据仓库工具，实质就是一款基于 HDFS 的 MapReduce计算框架，对存储在 HDFS 中的数据进行分析和管理

1.1.2、为什么使用 Hive

直接使用 MapReduce 所面临的问题：

    人员学习成本太高

    项目周期要求太短

    MapReduce 实现复杂查询逻辑开发难度太大

为什么要使用 Hive：

    更友好的接口：操作接口采用类 SQL 的语法，提供快速开发的能力

    更低的学习成本：避免了写 MapReduce，减少开发人员的学习成本

    更好的扩展性：可自由扩展集群规模而无需重启服务，还支持用户自定义函数

1.1.3、Hive 特点

优点：

1、可扩展性,横向扩展，Hive 可以自由的扩展集群的规模，一般情况下不需要重启服务

    横向扩展：通过分担压力的方式扩展集群的规模

    纵向扩展：一台服务器cpu i7-6700k 4核心8线程，8核心16线程，内存64G => 128G

2、延展性，Hive 支持自定义函数，用户可以根据自己的需求来实现自己的函数

3、良好的容错性，可以保障即使有节点出现问题，SQL 语句仍可完成执行

缺点：

1、Hive 不支持记录级别的增删改操作，但是用户可以通过查询生成新表或者将查询结果导入到文件中（当前选择的 hive-2.3.2 的版本支持记录级别的插入操作）

2、Hive 的查询延时很严重，因为 MapReduce Job 的启动过程消耗很长时间，所以不能用在交互查询系统中。

3、Hive 不支持事务（因为不没有增删改，所以主要用来做 OLAP（联机分析处理），而不是 OLTP（联机事务处理），这就是数据处理的两大级别）。

1.2、Hive 和 RDBMS 的对比

总结：Hive 具有 SQL 数据库的外表，但应用场景完全不同，Hive 只适合用来做海量离线数据统计分析，也就是数据仓库。

1.3、Hive 架构

基本组成

一、用户接口

    CLI，Shell 终端命令行（Command Line Interface），采用交互形式使用 Hive 命令行与 Hive进行交互，最常用（学习，调试，生产）    

    JDBC/ODBC，是 Hive 的基于 JDBC 操作提供的客户端，用户（开发员，运维人员）通过这连接至 Hive server 服务

    Web UI，通过浏览器访问 Hive

二、Thrift Server

Thrift 是 Facebook 开发的一个软件框架，可以用来进行可扩展且跨语言的服务的开发，Hive 集成了该服务，能让不同的编程语言调用 Hive 的接口

三、元数据存储

元数据，通俗的讲，就是存储在 Hive 中的数据的描述信息。

Hive 中的元数据通常包括：表的名字，表的列和分区及其属性，表的属性（内部表和外部表），表的数据所在目录

Metastore 默认存在自带的 Derby 数据库中。缺点就是不适合多用户操作，并且数据存储目录不固定。数据库跟着 Hive 走，极度不方便管理

解决方案：通常存我们自己创建的 MySQL 库（本地 或 远程）

Hive 和 MySQL 之间通过 MetaStore 服务交互

四、Driver：编译器（Compiler），优化器（Optimizer），执行器（Executor）

Driver 组件完成 HQL 查询语句从词法分析，语法分析，编译，优化，以及生成逻辑执行计划的生成。生成的逻辑执行计划存储在 HDFS 中，并随后由 MapReduce 调用执行

Hive 的核心是驱动引擎， 驱动引擎由四部分组成：

(1) 解释器：解释器的作用是将 HiveSQL 语句转换为抽象语法树（AST）

(2) 编译器：编译器是将语法树编译为逻辑执行计划

(3) 优化器：优化器是对逻辑执行计划进行优化

(4) 执行器：执行器是调用底层的运行框架执行逻辑执行计划

五、执行流程

HiveQL 通过命令行或者客户端提交，经过 Compiler 编译器，运用 MetaStore 中的元数据进行类型检测和语法分析，生成一个逻辑方案(Logical Plan)，然后通过的优化处理，产生一个 MapReduce 任务。

1.4、Hive 的数据存储

1、Hive 的存储结构包括数据库、表、视图、分区和表数据等。数据库，表，分区等等都对应 HDFS 上的一个目录。表数据对应 HDFS 对应目录下的文件。

2、Hive 中所有的数据都存储在 HDFS 中，没有专门的数据存储格式，因为 Hive 是读模式（Schema On Read），可支持 TextFile，SequenceFile，RCFile 或者自定义格式等

3、 只需要在创建表的时候告诉 Hive 数据中的列分隔符和行分隔符，Hive 就可以解析数据

Hive 的默认列分隔符：控制符 Ctrl + A，\x01

Hive 的默认行分隔符：换行符 \n

4、Hive 中包含以下数据模型：

database：在 HDFS 中表现为${hive.metastore.warehouse.dir}目录下一个文件夹

table：在 HDFS 中表现所属 database 目录下一个文件夹

external table：与 table 类似，不过其数据存放位置可以指定任意 HDFS 目录路径

partition：在 HDFS 中表现为 table 目录下的子目录

bucket：在 HDFS 中表现为同一个表目录或者分区目录下根据某个字段的值进行 hash 散列之后的多个文件

view：与传统数据库类似，只读，基于基本表创建

5、Hive 的元数据存储在 RDBMS 中，除元数据外的其它所有数据都基于 HDFS 存储。默认情况下，Hive 元数据保存在内嵌的 Derby 数据库中，只能允许一个会话连接，只适合简单的测试。实际生产环境中不适用，为了支持多用户会话，则需要一个独立的元数据库，使用MySQL 作为元数据库，Hive 内部对 MySQL 提供了很好的支持。

6、Hive 中的表分为内部表、外部表、分区表和 Bucket 表

内部表和外部表的区别：

    删除内部表，删除表元数据和数据

    删除外部表，删除元数据，不删除数据

内部表和外部表的使用选择：

    大多数情况，他们的区别不明显，如果数据的所有处理都在 Hive 中进行，那么倾向于选择内部表，但是如果 Hive 和其他工具要针对相同的数据集进行处理，外部表更合适。

    使用外部表访问存储在 HDFS 上的初始数据，然后通过 Hive 转换数据并存到内部表中

    使用外部表的场景是针对一个数据集有多个不同的 Schema

通过外部表和内部表的区别和使用选择的对比可以看出来，hive 其实仅仅只是对存储在HDFS 上的数据提供了一种新的抽象。而不是管理存储在 HDFS 上的数据。所以不管创建内部表还是外部表，都可以对 hive 表的数据存储目录中的数据进行增删操作。

分区表和分桶表的区别：

Hive 数据表可以根据某些字段进行分区操作，细化数据管理，可以让部分查询更快。同时表和分区也可以进一步被划分为 Buckets，分桶表的原理和 MapReduce 编程中的HashPartitioner 的原理类似

分区和分桶都是细化数据管理，但是分区表是手动添加区分，由于 Hive 是读模式，所以对添加进分区的数据不做模式校验，分桶表中的数据是按照某些分桶字段进行 hash 散列形成的多个文件，所以数据的准确性也高很多