大数据框架之Hive详解

1.Hive 的基本概念

1.1 Hive是什么？

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 处理的数据存储在 HDFS
2）Hive 分析数据底层的实现是 MapReduce
3）执行程序运行在 Yarn 上

1.2 Hive的优缺点

1.2.1 优点

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，减少开发人员的学习成本。
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，因为 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。

1.2.2 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

1.3 Hive 架构原理

1．用户接口：Client
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）、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；
3．Hadoop
使用 HDFS 进行存储，使用 MapReduce 进行计算。
4．驱动器：Driver
（1）解析器（SQL Parser）：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/Spark。

Hive 通过给用户提供的一系列交互接口，接收到用户的指令(SQL)，使用自己的 Driver，
结合元数据(MetaStore)，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。

1.4 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。
1.4.1 查询语言
由于 SQL 被广泛的应用在数据仓库中，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。
1.4.2 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。
1.4.3 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的。因此，Hive
中不建议对数据的改写，所有的数据都是在加载的时候确定好的。而数据库中的数据通常是
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。
1.4.4 执行
Hive 中大多数查询的执行是通过 Hadoop 提供的 MapReduce 来实现的。而数据库通常
有自己的执行引擎。
1.4.5 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 执行延迟高的因素是 MapReduce 框架。由于 MapReduce 本身具有较高的延迟，因此
在利用 MapReduce 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，这个低是有条件的，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 的并行计算显然能体现出优势。
1.4.6 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 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 Oracle 在理论
上的扩展能力也只有 100 台左右。
1.4.7 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。

1.5 常见命令

HQL	解释
sh hive	启动hive
show databases	查看所有的库
create database demo	创建库
drop database demo	删除库
create table person（id int,name string,age int）;	建表
use person	进入person表中
insert into table person values(1,‘Tom’,20);	插入数据
load data local inpath ‘/path’ into table person;	从本地加载数据到表中
drop table person;	删除表
create table person(id int,name string,age int) row format delimited fields terminated by ’ ’ ;	建表的时候指定间隔符号为空格
create table p2 like person;	建立p2表，表结构和person表一致
insert into table p2 select * from person where age>18;	将person表中age>=18的数据查询出来放到p2表中
from person insert overwrite table p2 select * where age >18 insert into table p3 select * where id >3；	从person表中查询数据，然后age<18的数据放到p2表中，将id>3的数据放到p3表中
insert overwrite local directory ‘/path’ row format delimited fields terminated by ‘,’ select * from person where age>18;	将person表中age>18的数据查询出来放到本地的指定目录下
insert overwrite directory ‘/path’ row format delimited fields terminated by ‘,’ stored as textfile select name,age from person where id <=4;	将person表中id<4的数据查询出来放到HDFS的指定路径下
alter table person rename to p1;	重命名
alter table p1 add columns(gender string,addr string);	增加列

=======================2020-10-12

2 Hive的常见表结构

2.1 内部表和外部表

2.1.1概念

1. 内部表：先在hive里建一张表，然后向这个表插入数据（用insert可以插入数据，也可以通过加载外部文件方式来插入数据），这样的表称之为hive的内部表
2. 外部表：HDFS里已经有数据了，然后，通过hive创建一张表来管理这个文件数据。则这样表称之为外部表。需要注意的是，hive外部表管理的是HDFS里的某一个目录下的文件数据

2.1.2 外部表执行命令

进入hive，执行：create external table stu(id int,name string) row format delimited fields terminated by ’ ’ location ‘/目录路径’；

2.1.3 区别

1. 对于内部表，在删除该表的时候，HDFS对应的目录节点会被删除
2. 对于外部表，在删除该表的时候，HDFS对应的目录节点不会删除

2.2 分区表

2.2.1 概念

1. 分区表可以通过添加指定的字段来提高Hive的查询效率
2. 在数据量较大的情况下，往往会添加分区表来避免全表查询

2.2.2 指令

动态分区
1. 如果在进行查询的时候一个表中的数据是未分区的一个表中的数据是已经分区的，则此时从未分区的表中查询数据向已分区表中添加是不行的。所以此时需要开启动态分区。
2. 步骤：
set hive.exec.dynamic.partition = true;
set hive.exec.dynamic.partition.mode = nostrict;
insert into table stu2 partition(class) select id, name, class from stu distribute by class;

2.3 分桶表

2.3.1 概述

1. 分桶表是一种更细粒度的数据分配方式
2. 一个表既可以分区也可以分桶
3. 分桶的主要作用是实现数据的抽样，方便进行数据测试
4. 分桶表通过hash分桶算法，将数据分放在不同的桶(hdfs中的文件)中，方便后续获取
5. 分桶表机制默认是不开启的，需要手动开启：set hive.enforce.bucketing=true;
6. 分桶表不允许以外部文件方式导入数据，只能从另外一张表数据导入

2.3.2 指令

3 Hive 的体系结构

简化版：

详细版：

1. 通过客户端提交一条Hql语句
2. 通过complier（编译组件）对Hql进行词法分析、语法分析。在这一步，编译器要知道此hql语句到底要操作哪张表
3. 去元数据库找表信息
4. 得到信息
5. complier编译器提交Hql语句分析方案
6. 执行流程
a. executor 执行器收到方案后，执行方案（DDL过程）。在这里注意，执行器在执行方案时，会进行判断：如果当前方案不涉及到MR组件，比如为表添加分区信息、比如字符串操作等，比如简单的查询操作等，此时就会直接和元数据库交互，然后去HDFS上去找具体数据；如果方案需要转换成MR job，则会将job 提交给Hadoop的JobTracker
b. MR job完成，并且将运行结果写入到HDFS上
c. 执行器和HDFS交互，获取结果文件信息
7. 如果客户端提交Hql语句是带有查询结果性的，则会发生：7-8-9步，完成结果的查询。