Hive学习之路 （一）Hive初识

Hive 简介

什么是Hive

一、Hive 由 Facebook 实现并开源

二、是基于 Hadoop 的一个数据仓库工具

三、能够将结构化的数据映射为一张数据库表

四、并提供 HQL(Hive SQL)查询功能

五、底层数据是存储在 HDFS 上

六、Hive的本质是将 SQL 语句转换为 MapReduce 任务运行

七、使不熟悉 MapReduce 的用户很方便地利用 HQL 处理和计算 HDFS 上的结构化的数据，适用于离线的批量数据计算。

　　数据仓库之父比尔·恩门（Bill Inmon）在 1991 年出版的“Building the Data Warehouse”（《建 立数据仓库》）一书中所提出的定义被普遍接受——数据仓库（Data Warehouse）是一个面 向主题的（Subject Oriented）、集成的（Integrated）、相对稳定的（Non-Volatile）、反映历史 变化（Time Variant）的数据集合，用于支持管理决策(Decision Making Support)。

　　Hive 依赖于 HDFS 存储数据，Hive 将 HQL 转换成 MapReduce 执行，因此说 Hive 是基于 Hadoop 的一个数据仓库工具，实质就是一款基于 HDFS 的 MapReduce 计算框架，对存储在 HDFS 中的数据进行分析和管理

为何使用 Hive

直接使用 MapReduce 所面临的问题：

　　一、人员学习成本过高

　　二、项目周期要求过短

　　三、MapReduce实现复杂查询逻辑开发难度太大

为何要使用 Hive：

　　一、更友好的接口：操做接口采用类 SQL 的语法，提供快速开发的能力

　　二、更低的学习成本：避免了写 MapReduce，减小开发人员的学习成本

　　三、更好的扩展性：可自由扩展集群规模而无需重启服务，还支持用户自定义函数

Hive 特色

优势：

　　一、可扩展性,横向扩展，Hive 能够自由的扩展集群的规模，通常状况下不须要重启服务 横向扩展：经过分担压力的方式扩展集群的规模 纵向扩展：一台服务器cpu i7-6700k 4核心8线程，8核心16线程，内存64G => 128G

　　二、延展性，Hive 支持自定义函数，用户能够根据本身的需求来实现本身的函数

　　三、良好的容错性，能够保障即便有节点出现问题，SQL 语句仍可完成执行

缺点：

　　一、Hive 不支持记录级别的增删改操做，可是用户能够经过查询生成新表或者将查询结 果导入到文件中（当前选择的 hive-2.3.2 的版本支持记录级别的插入操做）

　　二、Hive 的查询延时很严重，由于 MapReduce Job 的启动过程消耗很长时间，因此不能 用在交互查询系统中。

　　三、Hive 不支持事务（由于不没有增删改，因此主要用来作 OLAP（联机分析处理），而 不是 OLTP（联机事务处理），这就是数据处理的两大级别）。

Hive 和 RDBMS 的对比

总结：

　　Hive 具备 SQL 数据库的外表，但应用场景彻底不一样，Hive 只适合用来作海量离线数 据统计分析，也就是数据仓库。

Hive的架构

从上图看出hive的内部架构由四部分组成：

一、用户接口: shell/CLI, jdbc/odbc, webui Command Line Interface

　　CLI，Shell 终端命令行（Command Line Interface），采用交互形式使用 Hive 命令行与 Hive 进行交互，最经常使用（学习，调试，生产）

　　JDBC/ODBC，是 Hive 的基于 JDBC 操做提供的客户端，用户（开发员，运维人员）经过 这链接至 Hive server 服务

　　Web UI，经过浏览器访问 Hive

二、跨语言服务 ： thrift server 提供了一种能力，让用户可使用多种不一样的语言来操纵hive

　　Thrift 是 Facebook 开发的一个软件框架，能够用来进行可扩展且跨语言的服务的开发， Hive 集成了该服务，能让不一样的编程语言调用 Hive 的接口

三、底层的Driver： 驱动器Driver，编译器Compiler，优化器Optimizer，执行器Executor

　　Driver 组件完成 HQL 查询语句从词法分析，语法分析，编译，优化，以及生成逻辑执行 计划的生成。生成的逻辑执行计划存储在 HDFS 中，并随后由 MapReduce 调用执行

　　Hive 的核心是驱动引擎， 驱动引擎由四部分组成：

　　　　(1) 解释器：解释器的做用是将 HiveSQL 语句转换为抽象语法树（AST）

　　　　(2) 编译器：编译器是将语法树编译为逻辑执行计划

　　　　(3) 优化器：优化器是对逻辑执行计划进行优化

　　　　(4) 执行器：执行器是调用底层的运行框架执行逻辑执行计划

四、元数据存储系统 ： RDBMS MySQL

　　元数据，通俗的讲，就是存储在 Hive 中的数据的描述信息。

　　Hive 中的元数据一般包括：表的名字，表的列和分区及其属性，表的属性（内部表和 外部表），表的数据所在目录

　　Metastore 默认存在自带的 Derby 数据库中。缺点就是不适合多用户操做，而且数据存 储目录不固定。数据库跟着 Hive 走，极度不方便管理

　　解决方案：一般存咱们本身建立的 MySQL 库（本地 或 远程）

　　Hive 和 MySQL 之间经过 MetaStore 服务交互

执行流程

　　HiveQL 经过命令行或者客户端提交，通过 Compiler 编译器，运用 MetaStore 中的元数 据进行类型检测和语法分析，生成一个逻辑方案(Logical Plan)，而后经过的优化处理，产生 一个 MapReduce 任务。

Hive的数据组织

一、Hive 的存储结构包括数据库、表、视图、分区和表数据等。数据库，表，分区等等都对 应 HDFS 上的一个目录。表数据对应 HDFS 对应目录下的文件。

二、Hive 中全部的数据都存储在 HDFS 中，没有专门的数据存储格式，由于 Hive 是读模式 （Schema On Read），可支持 TextFile，SequenceFile，RCFile 或者自定义格式等

三、 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

　　Hive 的默认列分隔符：控制符 Ctrl + A，\x01 Hive 的

　　Hive 的默认行分隔符：换行符 \n

四、Hive 中包含如下数据模型：

　　database：在 HDFS 中表现为${hive.metastore.warehouse.dir}目录下一个文件夹

　　table：在 HDFS 中表现所属 database 目录下一个文件夹

　　external table：与 table 相似，不过其数据存放位置能够指定任意 HDFS 目录路径

　　partition：在 HDFS 中表现为 table 目录下的子目录

　　bucket：在 HDFS 中表现为同一个表目录或者分区目录下根据某个字段的值进行 hash 散 列以后的多个文件

　　view：与传统数据库相似，只读，基于基本表建立

五、Hive 的元数据存储在 RDBMS 中，除元数据外的其它全部数据都基于 HDFS 存储。默认情 况下，Hive 元数据保存在内嵌的 Derby 数据库中，只能容许一个会话链接，只适合简单的 测试。实际生产环境中不适用，为了支持多用户会话，则须要一个独立的元数据库，使用 MySQL 做为元数据库，Hive 内部对 MySQL 提供了很好的支持。

六、Hive 中的表分为内部表、外部表、分区表和 Bucket 表

内部表和外部表的区别：

　　删除内部表，删除表元数据和数据

　　删除外部表，删除元数据，不删除数据

内部表和外部表的使用选择：

　　大多数状况，他们的区别不明显，若是数据的全部处理都在 Hive 中进行，那么倾向于 选择内部表，可是若是 Hive 和其余工具要针对相同的数据集进行处理，外部表更合适。

　　使用外部表访问存储在 HDFS 上的初始数据，而后经过 Hive 转换数据并存到内部表中

　　使用外部表的场景是针对一个数据集有多个不一样的 Schema

　　经过外部表和内部表的区别和使用选择的对比能够看出来，hive 其实仅仅只是对存储在 HDFS 上的数据提供了一种新的抽象。而不是管理存储在 HDFS 上的数据。因此无论建立内部 表仍是外部表，均可以对 hive 表的数据存储目录中的数据进行增删操做。

分区表和分桶表的区别： 

　　Hive 数据表能够根据某些字段进行分区操做，细化数据管理，可让部分查询更快。同 时表和分区也能够进一步被划分为 Buckets，分桶表的原理和 MapReduce 编程中的 HashPartitioner 的原理相似。

　　分区和分桶都是细化数据管理，可是分区表是手动添加区分，因为 Hive 是读模式，所 以对添加进分区的数据不作模式校验，分桶表中的数据是按照某些分桶字段进行 hash 散列 造成的多个文件，因此数据的准确性也高不少