Apache Hive入门：模拟实现Hive功能、Hive架构、 组件

一、Apache Hive概述

什么是Hive

Apache Hive是一款建立在Hadoop之上的开源数据仓库系统，可以将存储在Hadoop文件中的结构化、半结构化数据文件映射为一张数据库表，  基于表提供了一种类似SQL的查询模型，  称为Hive查询语言(HQL)，  用于访问和分析存储在Hadoop文件中的大型数据集。

Hive核心是将HQL转换为MapReduce程序，然后将程序提交到Hadoop群集执行。

Hive由Facebook实现并开源。

 

为什么使用Hive

• 使用Hadoop MapReduce直接处理数据所面临的问题

人员学习成本太高 需要掌握java语言
MapReduce实现复杂查询逻辑开发难度太大

• 使用Hive处理数据的好处

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)
避免直接写MapReduce，减少开发人员的学习成本
支持自定义函数，功能扩展很方便
背靠Hadoop，  擅长存储分析海量数据集

Hive和Hadoop关系

• 从功能来说，数据仓库软件，至少需要具备下述两种能力：

存储数据的能力、分析数据的能力

• Apache Hive作为一款大数据时代的数据仓库软件，当然也具备上述两种能力。只不过Hive并不是自己实现了上述两种能力，而是借助Hadoop。

Hive利用HDFS存储数据，利用MapReduce查询分析数据。

• 这样突然发现Hive没啥用，不过是套壳Hadoop罢了。其实不然，  Hive的最大的魅力在于用户专注于编写HQL，Hive帮您转换成为MapReduce程序完成对数据的分析。

二、场景设计：如何模拟实现Hive功能 

如何模拟实现Apache Hive的功能?

在HDFS文件系统上有一个文件，路径为/data/china_user.txt；

需求：统计来自于上海年龄大于25岁的用户有多少个？

 场景目的

重点理解下面两点：

Hive能将数据文件映射成为一张表，  这个映射是指什么？

Hive软件本身到底承担了什么功能职责？

映射信息记录

映射在数学上称之为一种对应关系，  比如y=x+1，对于每一个x的值都有与之对应的y的值。

在hive中能够写sql处理的前提是针对表，而不是针对文件，  因此需要将文件和表之间的对应关系描述记录清楚。

映射信息专业的叫法称之为元数据信息  (元数据是指用来描述数据的数据 metadata)。

映射信息记录

具体来看，要记录的元数据信息包括：

表对应着哪个文件(位置信息)
表的列对应着文件哪一个字段(顺序信息)
文件字段之间的分隔符是什么 

 SQL语法解析、编译

用户写完sql之后，  hive需要针对sql进行语法校验，并且根据记录的元数据信息解读sql背后的含义，制定执行计划。

并且把执行计划转换成MapReduce程序来具体执行，把执行的结果封装返回给用户。

对Hive的理解

Hive能将数据文件映射成为一张表，  这个映射是指什么？

文件和表之间的对应关系

Hive软件本身到底承担了什么功能职责？

SQL语法解析编译成为MapReduce

最终效果

基于上述分析，最终要想模拟实现的Hive的功能，  大致需要下图所示组件参与其中。

从中可以感受一下Hive承担了什么职责，当然，也可以把这个理解为Hive的架构图。

 

三、Apache Hive架构、  组件 

Hive架构图

Hive组件

• 用户接口 

包括 CLI、JDBC/ODBC、WebGUI。其中，  CLI(command line interface)为shell命令行；  Hive中的Thrift服务器允许 外部客户端通过网络与Hive进行交互，类似于JDBC或ODBC协议。WebGUI是通过浏览器访问Hive。

• 元数据存储

通常是存储在关系数据库如 mysql/derby中。  Hive 中的元数据包括表的名字，表的列和分区及其属性，  表的属性(是 否为外部表等)，表的数据所在目录等。

• Driver驱动程序，包括语法解析器、计划编译器、优化器、  执行器

完成 HQL 查询语句从词法分析、语法分析、编译、优化以及查询计划的生成。生成的查询计划存储在 HDFS 中，并在 随后有执行引擎调用执行。 

• 执行引擎

Hive本身并不直接处理数据文件。而是通过执行引擎处理。当下Hive支持MapReduce、Tez、  Spark3种执行引擎。