【4.分布式计算】hadoop-hive

hive对hdfs中数据进行抽象成表，能够经过sql组装m_p的过程。（更多大数据处理见：https://segmentfault.com/a/11...）。数据经过mysql和hdfs存储，存储格式用的现有文件格式，mysql存结构/hdfs存表数据（好比insert id name 4 ss,hdfs存 4ss）。只是sql到m_p的映射，这过程又比较复杂。因此这里只介绍下hive的执行过程和框架，存储的分层组织和事务的支持。

官方：Apache Hive™数据仓库软件有助于使用SQL读取，编写和管理驻留在分布式存储中的大型数据集。能够将结构投影到已存储的数据中。提供了命令行工具和JDBC驱动程序以将用户链接到Hive。
https://hive.apache.org/
适用：离线计算。用sql生成task调用map_Reduce。

• UI
• driver
  会话和JDBC/ODBC接口
• metadata
  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，表的列和分区及其属性，表的属性（是否为外部表等），表的数据所在目录等。元数据提供数据的抽象和发现能力，存于database仍是文件，考虑到要随机更新、可查询，所以用database。表和元数据用来生成task
• complier
  解释器、编译器、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。
• 执行引擎
  执行编译器建立的执行计划的组件。该计划是一个阶段的DAG。执行引擎管理计划的这些不一样阶段之间的依赖关系，并在适当的系统组件上执行这些阶段
• 数据存储/计算
  Hive的数据存储在HDFS中，大部分的查询、计算由MapReduce完成（包含的查询，好比select from tbl不会生成MapRedcue任务）。
  将大多数查询转换为mr组合的计算（select *等不须要）转化过程比较复杂：
  https://blog.csdn.net/u010738...
  HDFS的存储：表=》分区=》桶
  1)、表：Hive中的表和关系型数据库中的表在概念上很相似，每一个表在HDFS中都有相应的目录用来存储表的数据，这个目录能够经过${HIVE_HOME}/conf/hive-site.xml配置文件中，若是我有一个表wyp，那么在HDFS中会建立/user/hive/warehouse/wyp 目录(这里假定hive.metastore.warehouse.dir配置为/user/hive/warehouse);wyp表全部的数据都存放在这个目录中。
  2)、外部表：Hive中的外部表和表很相似，可是其数据不是放在本身表所属的目录中，而是存放到别处，这样的好处是若是你要删除这个外部表，该外部表所指向的数据是不会被删除的，它只会删除外部表对应的元数据;而若是你要删除表，该表对应的全部数据包括元数据都会被删除。
  3)、分区：在Hive中，表的每个分区对应表下的相应目录，全部分区的数据都是存储在对应的目录中。好比wyp 表有dt和city两个分区，则对应dt=20131218,city=BJ对应表的目录为/user/hive/warehouse /dt=20131218/city=BJ，全部属于这个分区的数据都存放在这个目录中。
  4)、桶：对指定的列计算其hash，根据hash值切分数据，目的是为了并行，每个桶对应一个文件(注意和分区的区别)。好比将wyp表id列分散至16个桶中，首先对id列的值计算hash，对应hash值为0和16的数据存储的HDFS目录为：/user /hive/warehouse/wyp/part-00000;而hash值为2的数据存储的HDFS 目录为：/user/hive/warehouse/wyp/part-00002。
  表文件格式支持：text/avro/jsonfile/ORC等
  数据行支持：serde/json/csv
• 执行流程
  UI调用驱动程序的执行接口（图1中的步骤1）。
  驱动程序为查询建立会话句柄，并将查询发送到编译器以生成执行计划（步骤2）。
  编译器从Metastore获取必要的元数据（步骤3和4）。此元数据用于检查查询树中的表达式以及基于查询谓词修剪分区。由编译器生成的计划（步骤5）是阶段的DAG，其中每一个阶段是m/p做业，元数据操做或对HDFS的操做。
  执行引擎将这些阶段提交给适当的组件（步骤6,6.1,6.2和6.3）。在每一个任务（m/p）中，与表或中间输出相关联的反序列化器用于从HDFS文件中读取行，这些行经过关联的运算符树传递。生成输出后，它将经过序列化程序写入临时HDFS文件（若是操做不须要减小，则会在映射器中发生）。临时文件用于向计划的m/p提供数据。对于DML操做，最终临时文件将移动到表。此方案用于确保不读取脏数据（文件重命名是HDFS中的原子操做）

https://cwiki.apache.org/conf...

• 高可用
  hive提供了跨集群（跨hadoop,通常部署须要hadoop,mysql,hive，hadoop对其中文件其实有3份备份的，为了跨hadoop高可用）基于HCatalog的发布订阅（JMS）和EXPORT和IMPORT命令
• 事务锁+快照锁：DbLockManager 在hive的metastore 中管理全部的锁和事务。（锁和事务的信息是持久化存储的，即使server挂掉也不会有影响）这也意味着，一旦开启式了事务，以前在zookeeper中的锁行为也不在支持。为了防止客户端由于挂掉而致使事务和锁没法释放，在锁的持有者和事务的初始化器到server的metastore 间会维持一个周期性的心跳。一旦心跳超时，锁和事务就会被释放。须要明确事务表只支持快照隔离级别。当一个给定的查询启动时，它会提供该数据的一致快照。必须分桶支持了单key的update/delete。新的记录和更新，删除都存在delta files。一次事务操做建立一系列的delta files。在读取的时候，将基础文件和修改，删除合并，最后返回给查询。涉及到delta的合并和删除，Minor compaction ：将已有的delta files重写到一个单独的delta file，每一个分桶一个。Major compaction： 将delta文件和base 重写到一个新的base file，每一个分桶一个。