Hive工具的介绍（一）

一、Hive是什么

要了解Hive是什么得先了解一下数仓(数据仓库)的概念，什么又是数据仓库呢？

数据仓库的目的是为了协助输出分析报告，支持决策，为需要业务智能的企业提供业务流程的改进和指导，从而可以节省时间和成本，提高质量。

数据仓库与数据库的不同在于，数据库主要是为了很好的解决事务问题，实现对数据的增、删除、改、查，而数据仓库则主要是用来做查询分析的数据库，通常不会做数据的插入、修改、删除。

Hive作为数据仓库工具，非常适合做数据的统计分析。它可以把数据文件组成表格并且有完整的类SQL查询功能，还可以把这种类SQL的语句自动转为MapReduce任务来运行，因而使用它可以提高开发效率。

 

Hive与传统的关系数据库的异同点

Hive与RDBMS的区别

1. 关于查询语句

区别	Hive	RDBMS
查询语句	HQL	SQL
数据存储位置	HDFS	LocalFS
数据格式判断	查询时判断	插入时判断
执行	MapReduce	Excecutor
执行延迟	高	低
处理数据规模	大	小

关于HQL与SQL的比较

特征	HQL	SQL
更新	INSERT	INSERT、UPATE、DELETE
事务	有限支持	支持
索引	支持	支持
延迟	分钟级	亚秒级
多表插入	支持	不支持
create table as select	支持	SQL-92中不支持，有些数据库支持
SELECT	支持排序sort by。可限制返回行数量的limit	SQL-92
子查询	只能在From,where或having子句中（不支持查关子查询）	在任何子句中支持“相关”或“不相关”的
视图	用户定义函数	可更新
扩展	MapReduce脚本	用户定义函数

1. 关于数据存储位置

数据库的数据存储在块设备或本地文件系统中，而Hive是把所有数据存储在HDFS中，关建立在Hadoop之上。

1. 数据格式

Hive中，没有特定的数据格式，数据格式是由用户指定，用户在定义数据格式是由用户指定的，定义时需要指定3个属性：列分隔符（空格、\t、\x001）；行分隔符（\n）；读取文件数据的方法，在加载数据时，不需要从用户数据格式到Hive本身定义的数据格式传换，所以，在Hive加载过程中不会对数据本身做任何调整，只是把数据内容复制到HDFS目录中

传统的数据库中，由于不同的数据库有不同的引擎，它们各自定义了自己的数据格式，数据会按一定的组织结构进行存储，因而在数据库加载过程中会比较耗时

1. 数据更新

Hive是不支持对数据的修改和增加的，所有的数据都在加载过程中完成，而传统的数据库常常会进行修改、查询、增加等操作

1. 索引

Hive在加载数据时不会对数据做任何的处理，也不会对数据做扫描处理，所以也没有对数据中某些键值创建索引，在Hive访问数据中满足条件的数据时，需要扫描全部数据，因而它的延迟较高，由于HQL最终会转化成MapReduce，因此可以并行访问数据，即使在没有索引的情况下，对于大批量的数据访问，它仍可以表现出优势

在传统数据库中通常会对某列或某几例建立索引，所以对于小批量的满足特定条件的数据访问，数据库具有很高的效率，以及较低的延迟。Hive相对来说延迟较高不适合做在线查询数据

1. 执行

Hive的大多数查询是通过MapReduce来实现的，则数据库则具有自己的执行引擎

1. 执行延迟

Hive有执行的延迟，所以只有当数据规模大到超过数据库处理能力的时候，Hive的并行计算的优势才会体现出来

1. 可扩展性

Hive与Hadoop的可扩展性一致，而传统数据库由于ACID语义的严格限制，扩展性非常有限

1. 处理数据规模

Hive建立在集群之上可以处理的数据规模相比于传统数据库要大很多

 

Hive的运行架构简介

Hive的用户接口主要有3个：CLI（Command Line)、Client和WUI，其中CLI是最常用的

在CLI启动时，一个Hive的副本也会随之启动

Client就是Hive的客户端，在启动这个客户端时需要指出Hive Server在哪个节点上，同时在这个节点启动Hive Server

HWI则是通过浏览器来访问Hive

对于上图的简单解释

MetaStore：主要用来存储元数据，Hive将元数据存储在数据库中（MySql,derby……）。在Hive中元数据包含有：表名称、表的列和分区及其属性、表属性、表所在的目录……

解释器、编译器、优化器完成HQL查询语句从词法分析、语法分析、编译、优化到查询计划生成，生成的查询计划存储在HDFS中，并在MapReduce中调用执行。

Hive的数据存储在HDFS中，大部分的查询、计算由MapReduce完成

 

Hive的执行流程

1. 用户提交查询任务到Driver
2. 编译器获取用户的任务计划
3. 编译器根据用户任务计划从MetaStore中获取需要的元数据信息
4. 编译器对任务进行编译，先把HQL转为抽象语法树，再把抽象语句块转成查询语句块，接着把查询语句块转为逻辑的查询计划
5. 把最终计划提交到Driver
6. Driver把计划提交到Execution Engine,获取元数据信息，接着提交到JobTracker或SourceManager运行这个任务，任务会直接从HDFS中读取文件并进行相应的操作
7. 获取返回执行结果

 

Hive服务介绍

1. CLI服务

        CLI是Hive的命令行接口，也就是Shell环境。CLI启动时会同时启动一个Hive副本，这也是默认的服务

1. HiveServer服务

        通过Thrift提供的服务（默认端口是10000），客户端可以在不启动CLI的情况下对Hive中的数据进行操作并且可以使用不同的语言编写客户端进行访问。使用Thrift、JDBC、ODBC连接器的客户端需要运行Hive服务器来和Hive进行通信

1. ​HWI服务

        同过浏览器访问Hive，默认的端口是9999

1. ​MetaStore服务

        使用这个服务可以让MetaStore作为一个单独的进程来运行。通过设定METASTORE_PORT环境变量可以指定服务器监听的端口号

 

元数据存储——Metastore

它是Hive存放元数据的地方，它包含两个部分：服务、后台数据存储

Hive有三种Metastore的配置方式：内嵌模式、本地模式、远程模式

内嵌模式：使用内嵌的Derby数据库来存储数据，配置简单，但是一次只能与一个客户端连接，适用于单元测试，不适用于生产环境

本地模式和远程模式：都使用外部数据库来存数据。它们两者的区别在于本地模式元数据不需要单独启动Metastore服务，因为本地元存储用的是和本地Hive在同一个进程里的Metastore服务

内嵌模式(Embedded)

连接到一个In-memory的数据库Derby,一般是用于做单元测试

本地模式(Local)

通过网络连接到一个数据库中，这个是常用的一种模式

远程模式(Remote)

用于非JAVA客户端访问元数据库，在服务器端会启动MetaStoreServer,客户端通过Thrift协议及MetaStoreServer来访问元数据库