Hadoop学习（8）-- Apache Hive入门

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。

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。

场景设计：如何模拟实现Hive功能

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）。
  

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，这个映射是指文件和表之间的对应关系。
• Hive软件本身到底主要承担的功能职责是SQL语法解析编译成为MapReduce。

实现流程图

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。

优缺点

优点

1. 学习成本低
2. 海量数据分析：底层基于海量计算的MapReduce实现。
3. 可扩展性：为超大数据集设计了计算扩展能力（MR作为计算引擎，HDFS作为存储系统）.。
4. 延展性：Hive支持用户自定义函数。
5. 良好的容错性。 统一管理：提供了统一的元数据管理。

缺点

1. Hive的HQL表达能力有限。
2. 迭代计算无法表达。
3. Hive的效率比较低。
4. Hive自动生成MR作业，通常不够智能化。
5. Hive调优比较困难，粒度比较困难。

Hive和关系型数据库的对比