【Hive笔记】1——Hive入门

1. 什么是Hive

hive是由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sql查询功能。

本质：将HQL转化为Mapreduce程序
Hive处理的数据存储在HDFS，HIve分析数据底层的实现是Mapreduce，执行程序运行在Yarn上

2. Hive的优缺点

优点：

1. 操作接口采用类sql语法，提供快速开发能力（简单，容易上手）。
2. 避免了去写Mapreduce，减少了开发人员的学习成本
3. Hive的执行延迟比较高，因此Hive常用语数据分析，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。

缺点：

1. Hive的HQL表达能力有限
   迭代式算法无法表达，数据挖掘方面不擅长

2. Hive效率比较低
   Hive自动生成的Mapreduce作业，通常情况下不够智能化而且Hive调优比较困难，粒度较粗

3. Hive的框架原理

1．用户接口：Client
CLI（hive shell）、JDBC/ODBC(java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；
默认存储在自带的derby数据库中，推荐使用MySQL存储Metastore
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字符串准换成抽象语法树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（Executition）：把逻辑执行计划转换成可以运行的物理计划，对Hive来说就是MR/spark。

Hive通过给用户提供的一系列交互接口，接受到用户的指令（SQL），使用自己的Driver结合元数据（Meta Store）。将这些 指令翻译成Mapreduce，提交到Hadoop中执行，最后，将执行返回结果输出到交互接口

4. Hive和传统数据库的比较

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. 查询语言
   由于Sql被广泛的应用于在数据仓库中，因此，专门针对Hive的特性设计了类SQL的查询语言HQL。
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。而数据库则是可以将数据保存在块设备或者本地文件系统中的。
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。
4. 索引
   Hive在加载数据的过程中不会对数据进行任何处理，甚至不会对数据进行扫描，因此没有对数据中的某些key建立索引。Hive要访问数据中满足条件的特定值时，需要暴力扫描整个数据，因此访问延迟高。由于Mapreduce的引入，Hive可以并行访问数据，因为即使没有索引，对于大数据量的访问，Hive任然可以体现出优势。数据库中，通常会针对一个或者几个列建立索引，因此对于少量的特定条件的数据的访问，数据库可以有很高的效率，较低的延迟。由于数据的访问延迟较高，决定了 Hive 不适合在线数据查询。
5. 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。
6. 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。
7. 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。
8. 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。