Hive基础知识梳理

Hive简介

Hive是什么

Hive是构建在Hadoop之上的数据仓库平台。

Hive是一个SQL解析引擎，将SQL转译成MapReduce程序并在Hadoop上运行。

Hive是HDFS的一个文件目录，一个表名对应一个目录名，若该表是分区表，则分区值对应子目录名。

Hive的历史由来

Hive体系结构

Hive在Hadoop中的位置

Hive设计特征

Hive 做为Hadoop 的数据仓库处理工具，它所有的数据都存储在Hadoop 兼容的文件系统中。

Hive 在加载数据过程中不会对数据进行任何的修改，只是将数据移动到HDFS 中Hive 设定的目录下，因此，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。

Hive 的设计特点如下：

支持索引，加快数据查询。

不同的存储类型，例如，纯文本文件、HBase 中的文件。

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。

Hive体系结构

用户接口：

CLI：命令行界面，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，谓词下推。

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）

Hive运行机制

① 用户通过用户接口连接Hive,发布Hive SQL

② Hive解析查询并制定查询计划

③ Hive将查询转换成MapReduce作业

④ Hive在Hadoop上执行MapReduce作业

Hive适用场景

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。

Hive的缺点

• 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；HQL调优困难，粒度较粗；可控性差。
• 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。

Hive的应用场景

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

Hive安装

参考：Hive伪分布式下安装