Hive学习笔记（一）—

1.Hive是个什么玩意?

Hive：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（有规律的数据）文件映射为一张表，并提供类SQL查询功能。

一句话暴力总结：通过写SQL语句的方式，代替原来的写MapReduce程序。

下边几点还需要留意一下：

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；

这就相当于Hive是Hadoop的客户端，不是分布式的

2. Hive的优缺点（选看）

2.1 优点：

1）操作接口采用类SQL的语法，比较好上手，不用写代码；

2）避免写MapReduce程序代码，减少了开发人员的学习成本，也提高了开发效率嘛；

3）适用于数据分析，对实时性要求不高的场合，因为默认的实现是MapReduce；

4）Hive主要的优势在于处理大数据，对处理小数据没有优势，因为Hive的执行延迟比较高；

5）Hive支持用户自定函数，开发人员可以根据需求自定义函数。

2.2 缺点：

1）Hive的HQL表达能力有限：
（1）迭代式算法无法表达；
（2）数据挖掘方面不擅长，由于MapReduce数据处理流程的限制，效率更高的算法却无法实现。
2）Hive的效率比较低：
（1）Hive自动生成的MapReduce作业，通常情况下不够智能化；
（2）Hive调优比较困难，粒度较粗。

3. Hive的架构原理

Hive主要架构及协同工作的架构组件如下图：

了解一下各个组件:

1）用户接口：Client，不属于hive的内部数据

CLI（command-line interface）、JDBC/ODBC(jdbc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库）、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；

例如：HDFS上有一个文件，有四个列，我们用Hive建了一个四个列的表与之相映射，这个映射关系就是元数据Metastore

元数据默认存储在自带的derby数据库中，推荐使用MySQL存储Metastore（Hive要去HDFS上读数据，它怎么知道数据的位置呢？它要先访问Mysql里的元数据，根据元数据拼接处文件路径）。

3）Hadoop

Hive处理的数据存储在HDFS上，使用的是MapReduce进行计算。

4）驱动器：Driver

（1）解析器：将SQL字符串转换成抽象语法树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：将AST编译生成逻辑执行计划；【即翻译器：将HQL翻译成MapReduce】

（3）优化器：对逻辑执行计划进行优化；

（4）执行器：把逻辑执行计划转换成可以运行的物理计划。对于Hive来说，就是MR/Spark。

小总结：Hive通过给用户提供的一系列交互接口，接收到用户的指令(HQL)，使用自己的Driver，结合元数据(包括数据的存储路径和数据与表的映射关系)，将这些指令翻译成MapReduce，提交到Hadoop中执行，最后，将执行返回的结果输出到用户交互接口。

4. Hive和数据库比较

Hive 是为数据仓库而设计的，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。比较一下两者吧：

查询语言：专门针对Hive的特性设计了类SQL的查询语言HQL ；
存储的位置：Hive是建立在Hadoop之上的，所以Hive的数据都存储在HDFS上。数据库的文件则存储在块设备上或者本地文件系统中；
数据更新：Hive是针对数据仓库设计的，数据仓库里的内容读多写少，Hive中不建议对数据改写，所有的数据都是在加载的时候确定好的。数据库中的内容则是需要频繁的读写；
执行：Hive的执行借助于Hadoop提供的MapReduce实现，数据库则是有自己的执行引擎；
执行延迟：Hive由于没有索引，需要扫描全表，因此延迟比较高；另一个导致延迟高的原因是MapReduce框架本身就有较高的执行延迟。相比较而言，数据库的执行延迟比较低，当然低是有条件的：即处理数据量小的时候比较低。当规模达到一定程度的时候，Hive的并行计算的优势就能体现出来了。
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。而数据库由于 ACID 语义的严格限制，扩展行非常有限。目前最先进的并行数据库在理论上的扩展能力也只有100台左右。
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。