什么是Hive

Hive:由Facebook开源用于解决海量结构化日志的数据统计(海量的结构化数据的运算分析工具)
Hive是基于Hadoop的一个数据仓库工具(服务性的软件),可以将结构化的数据文件映射为一张表,并提供类似于SQL查询
本质是:将Hive SQL转化成MapReduce程序或者spark程序处理数据的一种工具

  1. Hive处理的数据存储在HDFS
  2. Hive分析数据底层的实现是MapReduce/spark(分布式运算框架)
  3. 执行程序运行在Yarn上

Hive的优点

  1. 操作接口采用类SQL语法,提供快速开发的能力(简单 容易上手) HQL
  2. 避免了去写MapReduce,减少开发人员的学习成本
  3. Hive的执行延迟比较高,因此Hive常用于数据分析,对实时性要求不高的场合(历史数据)
  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
  6. 底层就是java 提供了反射调用java类的方法
  7. 运行模式为MR 比较稳定

Hive的缺点

  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(数据挖掘和算法,机器学习)
  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(快)

架构原理

用户接口:Client

CLl(hive shell) JDBC/ODBC(java访问hive) WEBUI(浏览器访问hive)

元数据:Metastore

  • Metadata即元数据.元数据包含用Hive创建的database table 表的字段等元信息 元数据存储在关系型数据库中 如hive内置的Derby 第三方如MySQL等
  • Metastore即元数据服务,作用是:客户端连接metastore服务,metastore再去连接MySQL数据库来存取元数据 有了metastore服务 就可以有多个客户端同时连接 而且这些客户端不需要知道MySQL数据库的用户名和密码,只需要连接metastore服务即可.远程模式下,需要单独起metastore服务 然后每个客户端都在配置文件里配置连接到该metastore服务 远程模式的metastore服务和hive运行在不同的进程里 在生产环境中,建议用远程模式来配置Hive Metastore 在这种情况下,其他依赖hive的软件都可以通过Metastore访问hive 远程模式下,需要配置hive.metastore.uris参数来指定metastore服务运行的机器ip和端口,并且需要单独手动启动metastore服务

Hadoop

使用HDFS进行存储,yarn资源调度,使用MapReduce进行计算

驱动器:Driver

  1. 解析器(SQL Parser):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(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(Execution):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

  5. Hive通过给用户提供的一系列交互接口,接收到用户的指令(SQL),使用自己的Driver,结合元数据(MetaStore)

    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

Hive和数据库比较

DBMS数据库管理系统[数据进行CRUD,组织数据结构]
hive不是数据库,数据处理工具
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,本文将从多个方面来阐述Hive和数据库的差异.数据库可以用在Online的应用中,但是Hive是为数据仓库而设计的,清楚这一点,有助于从应用角度理解Hive的特性

查询语言

由于SQL被广泛的引用在数据仓库中,因此,专门针对Hive的特性设计了类SQL的查询语言HQL.
熟悉SQL开发的开发者可以很方便的使用Hive进行开发

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.而数据库则可以将数据保存在块设备或者本地文件系统中

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

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,因此也没有对数据中的某些Key建立索引.Hive要访问数据满足条件的特定值时,需要暴力扫描整个数据,因此访问延迟较高.由于MapReduce的引入
Hive可以并行访问数据,因此即使没有索引,对于大数据量的访问,Hive仍然可以体现出优势.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

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

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

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(世界上最大的Had集群在Yahoo!,2009年的规模在4000台节点左右).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Oracle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 hive是一个数仓工具(服务性质软件),并不是一个数据库 处理分析大量的静态的结构化数据,报表