Hive 一、什么是Hive，Hive有什么用

　　

1、什么是Hive

　　Hive是创建在 Hadoop 上的数据仓库基础构架。它提供了一系列的工具，能够用来进行数据提取转化加载（ETL），这是一种能够存储、查询和分析存储在 Hadoop 中的大规模数据的机制。Hive 定义了简单的类 SQL 查询语言，称为 HQL，它容许熟悉 SQL 的用户查询数据。同时，这个语言也容许熟悉 MapReduce 开发者的开发自定义的 mapper 和 reducer 来处理内建的 mapper 和 reducer 没法完成的复杂的分析工做。

　　Hive 没有专门的数据格式。 Hive 能够很好的工做在 Thrift 之上，控制分隔符，也容许用户指定数据格式。

2、Hive的应用场景

　　Hive 构建在基于静态批处理的Hadoop 之上，Hadoop 一般都有较高的延迟而且在做业提交和调度的时候须要大量的开销。所以，Hive 并不可以在大规模数据集上实现低延迟快速的查询，例如，Hive 在几百MB 的数据集上执行查询通常有分钟级的时间延迟。所以， Hive 并不适合那些须要低延迟的应用，例如，联机事务处理（OLTP）。Hive 查询操做过程严格遵照Hadoop MapReduce 的做业执行模型，Hive 将用户的HiveQL 语句经过解释器转换为MapReduce 做业提交到Hadoop 集群上，Hadoop 监控做业执行过程，而后返回做业执行结果给用户。Hive 并不是为联机事务处理而设计，Hive 并不提供实时的查询和基于行级的数据更新操做。Hive 的最佳使用场合是大数据集的批处理做业，例如，网络日志分析。

 

3、Hive的体系结构

　　主要分为如下几个部分：

　　

　 　用户接口

　　用户接口主要有三个：CLI，Client 和 WUI。其中最经常使用的是 CLI，Cli 启动的时候，会同时启动一个 Hive 副本。Client 是 Hive 的客户端，用户链接至 Hive Server。在启动 Client 模式的时候，须要指出 Hive Server 所在节点，而且在该节点启动 Hive Server。 WUI 是经过浏览器访问 Hive。

 

　　 元数据存储

　　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。

 

　　 解释器、编译器、优化器、执行器

　　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，并随后由 MapReduce 调用执行。

　　　　.编译器将一个Hive QL转换操做符
　　　　.操做符是Hive的最小的处理单元
　　　　.每一个操做符表明HDFS的一个操做或者一道MapReduce做业

　　　　Hive编译器

 

 

 

　 　　　编译流程

 

 

　　Hadoop

　　Hive 的数据存储在 HDFS 中，大部分的查询由 MapReduce 完成（包含 * 的查询，好比 select * from tbl 不会生成 MapReduce 任务）。

 

4、数据存储

　　首先，Hive 没有专门的数据存储格式，也没有为数据创建索引，用户能够很是自由的组织 Hive 中的表，只须要在建立表的时候告诉 Hive 数据中的列分隔符和行分隔符，Hive 就能够解析数据。

 

　　其次，Hive 中全部的数据都存储在 HDFS 中，Hive 中包含如下数据模型：表(Table)，外部表(External Table)，分区(Partition)，桶(Bucket)。

 

　　Hive 中的 Table 和数据库中的 Table 在概念上是相似的，每个 Table 在 Hive 中都有一个相应的目录存储数据。例如，一个表 pvs，它在 HDFS 中的路径为：/wh/pvs，其中，wh 是在 hive-site.xml 中由 ${hive.metastore.warehouse.dir} 指定的数据仓库的目录，全部的 Table 数据（不包括 External Table）都保存在这个目录中。

 

　　Partition 对应于数据库中的 Partition 列的密集索引，可是 Hive 中 Partition 的组织方式和数据库中的很不相同。在 Hive 中，表中的一个 Partition 对应于表下的一个目录，全部的 Partition 的数据都存储在对应的目录中。例如：pvs 表中包含 ds 和 city 两个 Partition，则对应于 ds = 20090801, ctry = US 的 HDFS 子目录为：/wh/pvs/ds=20090801/ctry=US；对应于 ds = 20090801, ctry = CA 的 HDFS 子目录为；/wh/pvs/ds=20090801/ctry=CA

 

　　Buckets 对指定列计算 hash，根据 hash 值切分数据，目的是为了并行，每个 Bucket 对应一个文件。将 user 列分散至 32 个 bucket，首先对 user 列的值计算 hash，对应 hash 值为 0 的 HDFS 目录为：/wh/pvs/ds=20090801/ctry=US/part-00000；hash 值为 20 的 HDFS 目录为：/wh/pvs/ds=20090801/ctry=US/part-00020

　　External Table 指向已经在 HDFS 中存在的数据，能够建立 Partition。它和 Table 在元数据的组织上是相同的，而实际数据的存储则有较大的差别。

 

　　Table 的建立过程和数据加载过程（这两个过程能够在同一个语句中完成），在加载数据的过程当中，实际数据会被移动到数据仓库目录中；以后对数据对访问将会直接在数据仓库目录中完成。删除表时，表中的数据和元数据将会被同时删除。

 

　　External Table 只有一个过程，加载数据和建立表同时完成（CREATE EXTERNAL TABLE ……LOCATION），实际数据是存储在 LOCATION 后面指定的 HDFS 路径中，并不会移动到数据仓库目录中。当删除一个 External Table 时，仅删除元数据，表中的数据不会真正被删除。

 

5、Hive的模式

　　 单用户数据库模式

　　单用户数据库模式：经过网络链接到一个数据库中，是最常用到的模式。

　　

　　

　　 单用户Derby模式

　　单用户Derby模式：此模式链接到一个In-memory 的数据库Derby，通常用于Unit Test。

　　

 

　　 多用户远程服务器模式

　　多用户远程服务器模式：用于非Java客户端访问元数据库，在服务器端启动MetaStoreServer，客户端利用Thrift协议经过MetaStoreServer访问元数据库。

　　

 

6、Hive执行流程

　　　　•编译器将一个Hive QL转换操做符

　　　　•操做符是Hive的最小的处理单元

　　　　•每一个操做符表明HDFS的一个操做或者一道MapReduce做业

　　Operator

　　　　•Operator都是hive定义的一个处理过程

　　　　•Operator都定义有:

　　　　•protected List  <Operator<?   extends Serializable  >> childOperators; 

　　　　•protected List  <Operator<?   extends Serializable  >> parentOperators; 

　　　　•protected boolean done; // 初始化值为false

　　　　•全部的操做构成了 Operator图，hive正是基于这些图关系来处理诸如limit, group by, join等操做

 

操做符	描述
TableScanOperator	扫描hive表数据
ReduceSinkOperator	建立将发送到Reducer端的<Key,Value>对
JoinOperator	Join两份数据
SelectOperator	选择输出列
FileSinkOperator	创建结果数据,输出至文件
FilterOperator	过滤输入数据
GroupByOperator	GroupBy语句
MapJoinOperator	/*+mapjoin(t) */
LimitOperator	Limit语句
UnionOperator	Union语句

　　　　

　　　　•Hive经过ExecMapper和ExecReducer执行MapReduce任务

　　　　•在执行MapReduce时有两种模式

　　　　•本地模式

　　　　•分布式模式

 

　　　ANTLR词法语法分析工具

　　　　•ANTLR—Another Tool for Language Recognition

　　　　•ANTLR 是开源的

　　　　•为包括Java，C++，C#在内的语言提供了一个经过语法描述来自动构造自定义语言的识别器（recognizer），编译器（parser）和解释器（translator）的框架

　　　　•Hibernate就是使用了该分析工具

 

　　

7、一条HQL引起的思考

　　　　案例HQL

　　　　•select key from test_limit  limit 1

　　　　•Stage-1

　　　　•TableScan Operator>Select Operator-> Limit->File Output Operator

　　　　•Stage-0

　　　　•Fetch Operator

　　　　•读取文件

 

　　　　Mapper与InputFormat

　　　　•该hive MR做业中指定的mapper是:

　　　　•mapred.mapper.class = org.apache.hadoop.hive.ql.exec.ExecMapper

　　　　•input format是:

　　　　•hive.input.format  = org.apache.hadoop.hive.ql.io.CombineHiveInputFormat