学习笔记Hive（一）—— Hive简介

一、Hive设计思想

（了解）
Facebook用户社交数据存储与处理

Facebook是美国的一个社交网站 ，于2004年2月4日上线。主要创始人为美国人马克·扎克伯格。Facebook是世界排名领先的照片分享站点。

根据Comscore咨询公司的数据显示，2008年5月Facebook全球独立访问用户首次超过了竞争对手Myspace，前者五月独立访问用户达到了1.239亿，页面浏览量达到500.6亿。2009年12月，Facebook的独立人次达到了4.69亿，其综合浏览量增长了141个百分点，在09年末达到了1930亿。

1.1、Hive由来

Hive是Facebook开发的，构建于Hadoop集群之上的数据仓库应用。2008年Facebook将Hive项目贡献给Apache，成为开源项目。

Hive最初是由Facebook设计的，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数据库表，并提供简单的类SQL查询语言（称为HiveQL）。

底层将HiveQL语句转换为MapReduce任务运行，它允许熟悉SQL的用户基于Hadoop框架分析数据。

优点：学习成本低，对于简单的统计分析，不必开发专门的MapReduce程序，直接通过HiveQL即可实现。

---

二、Hive体系结构

• CLI：Cli 启动的时候，会同时启动一个 Hive 副本。

• JDBC客户端：封装了Thrift,java应用程序，可以通过指定的主机和端口连接到在另一个进程中运行的hive服务器

• ODBC客户端：ODBC驱动允许支持ODBC协议的应用程序连接到Hive。

• WUI 接口：是通过浏览器访问 Hive

• Thrift服务器
  基于socket通讯，支持跨语言。Hive Thrift服务简化了在多编程语言中运行Hive的命令。绑定支持C++,Java,PHP,Python和Ruby语言

• 解析器

  • 编译器:完成 HQL 语句从词法分析、语法分析、编译、优化以及执行计划的生成。
  • 优化器是一个演化组件，当前它的规则是：列修剪，谓词下压。
  • 执行器会顺序执行所有的Job。如果Task链不存在依赖关系，可以采用并发执行的方式执行Job。

• 元数据库

  • Hive的数据由两部分组成：数据文件和元数据。元数据用于存放Hive库的基础信息，它存储在关系数据库中，如 mysql、derby。元数据包括：数据库信息、表的名字，表的列和分区及其属性，表的属性，表的数据所在目录等。

• Hadoop

  • Hive 的数据文件存储在 HDFS 中，大部分的查询由 MapReduce 完成。（对于包含 * 的查询，比如 select * from tbl 不会生成 MapRedcue 作业）

2.1、运行机制

• 用户通过用户接口连接Hive,发布Hive SQL
• Hive解析查询并制定查询计划
• Hive将查询转换成MapReduce作业
• Hive在Hadoop上执行MapReduce作业

补充知识点：

① 用户接口主要有三个：CLI，Client和WUI.其中最常用的是CLI，CLI启动的时候，会同时启动一个Hive副本。Client是Hive的客户端，用户连接至Hive Server。在启动Client模式的时候，需要指出Hive Server所在节点，并且在该节点启动Hive Server。WUI是通过浏览器访问Hive。

② Hive将元数据存储在数据库中，如mysql、derby。Hive中的元数据包括表的名字，表的列和分区以及属性，表的属性（是否为外部表等），表的数据所在目录等。

③ 解释器、编辑器、优化器完成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MapReduce调用执行。

④ Hive的数据存储在HDFS中，大部分的查询、计算由MapReduce完成

三、Hive应用场景

3.1、Hive设计特点

• Hive 不支持对数据的改写和添加，所有的数据都是在加载的时候确定的。
• 支持索引，加快数据查询。
• 不同的存储类型，例如，文本文件、序列化文件。
• 将元数据保存在关系数据库中，减少了在查询中执行语义检查时间。
• 可以直接使用存储在Hadoop 文件系统中的数据。
• 内置大量用户函数UDF 来操作时间、字符串和其他的数据挖掘工具，支持用户扩展UDF 函数来完成内置函数无法实现的操作。
• 类SQL 的查询方式，将SQL 查询转换为MapReduce 的job 在Hadoop集群上执行。
• 编码跟Hadoop同样使用UTF-8字符集。

3.2、Hive的优势

• 解决了传统关系数据库在大数据处理上的瓶颈。适合大数据的批量处理。
• 充分利用集群的CPU计算资源、存储资源，实现并行计算。
• Hive支持标准SQL语法，免去了编写MR程序的过程，减少了开发成本。
• 具有良好的扩展性，拓展功能方便。

3.3、Hive的劣势

• Hive的HQL表达能力有限：有些复杂运算用HQL不易表达。
• Hive效率低：Hive自动生成MR作业，通常不够智能。

针对Hive运行效率低下的问题，促使人们去寻找一种更快，更具交互性的分析框架。 SparkSQL 的出现则有效的提高了Sql在Hadoop 上的分析运行效率。

3.4、应用场景

适用场景

• 海量数据的存储处理
• 数据挖掘
• 海量数据的离线分析

不适用场景

• 复杂的机器学习算法
• 复杂的科学计算
• 联机交互式实时查询