Hive学习笔记

1 入门

1．Hive官网地址

http://hive.apache.org/

2．文档查看地址

https://cwiki.apache.org/confluence/display/Hive/GettingStarted

3．下载地址

http://archive.apache.org/dist/hive/

4．github地址

https://github.com/apache/hive

1.1 What's Hive?

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，能够将结构化的数据文件映射为一张表，并提供类SQL查询功能。

本质是：将HQL转化成MapReduce程序

Hive处理的数据储存在HDFS

Hive分析数据的底层实现是MapReduce

执行程序运行在Yan上

 

1.2 Pros & Cons

1.2.1 Pros

1)       操做接口采用类SQL语法，提供快速开发的能力（简单、容易上手）。

2)       避免了去写MapReduce，减小开发人员的学习成本。

3)       Hive的执行延迟比较高，所以Hive经常使用于数据分析，对实时性要求不高的场合。

4)　　Hive优点在于处理大数据，对于处理小数据没有优点，由于Hive的执行延迟比较

1.2.2 Cons

1．Hive的HQL表达能力有限

　　（1）迭代式算法没法表达

　　（2）数据挖掘方面不擅长

2．Hive的效率比较低

　　（1）Hive自动生成的MapReduce做业，一般状况下不够智能化

　　（2）Hive调优比较困难，粒度较粗

 

1.3 Architecture principle

 

1．用户接口：Client

CLI（hive shell）、JDBC/ODBC(java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）、表的拥有者、列/分区字段、表的类型（是不是外部表）、表的数据所在目录等；

默认存储在自带的derby数据库中，推荐使用MySQL存储Metastore

3．Hadoop

使用HDFS进行存储，使用MapReduce进行计算。

4．驱动器：Driver

（1）解析器（SQL Parser）：将SQL字符串转换成抽象语法树AST，这一步通常都用第三方工具库完成，好比antlr；对AST进行语法分析，好比表是否存在、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能够运行的物理计划。对于Hive来讲，就是MR/Spark。

 

 

 

Hive经过给用户提供的一系列交互接口，接收到用户的指令(SQL)，使用本身的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。

1.4 Hive和数据库比较

因为 Hive 采用了相似SQL 的查询语言 HQL(Hive Query Language)，所以很容易将 Hive 理解为数据库。其实从结构上来看，Hive 和数据库除了拥有相似的查询语言，再无相似之处。本文将从多个方面来阐述 Hive 和数据库的差别。数据库能够用在 Online 的应用中，可是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。

1.4.1 查询语言

因为SQL被普遍的应用在数据仓库中，所以，专门针对Hive的特性设计了类SQL的查询语言HQL。熟悉SQL开发的开发者能够很方便的使用Hive进行开发。

1.4.2 数据存储位置

Hive 是创建在 Hadoop 之上的，全部 Hive 的数据都是存储在 HDFS 中的。而数据库则能够将数据保存在块设备或者本地文件系统中。

1.4.3 数据更新

因为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。所以，Hive中不建议对数据的改写，全部的数据都是在加载的时候肯定好的。而数据库中的数据一般是须要常常进行修改的，所以可使用 INSERT INTO …  VALUES 添加数据，使用 UPDATE … SET修改数据。

1.4.4 索引

Hive在加载数据的过程当中不会对数据进行任何处理，甚至不会对数据进行扫描，所以也没有对数据中的某些Key创建索引。Hive要访问数据中知足条件的特定值时，须要暴力扫描整个数据，所以访问延迟较高。因为 MapReduce 的引入， Hive 能够并行访问数据，所以即便没有索引，对于大数据量的访问，Hive 仍然能够体现出优点。数据库中，一般会针对一个或者几个列创建索引，所以对于少许的特定条件的数据的访问，数据库能够有很高的效率，较低的延迟。因为数据的访问延迟较高，决定了 Hive 不适合在线数据查询。

1.4.5 执行

Hive中大多数查询的执行是经过 Hadoop 提供的 MapReduce 来实现的。而数据库一般有本身的执行引擎。

1.4.6 执行延迟

Hive 在查询数据的时候，因为没有索引，须要扫描整个表，所以延迟较高。另一个致使 Hive 执行延迟高的因素是 MapReduce框架。因为MapReduce 自己具备较高的延迟，所以在利用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。固然，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点。

1.4.7 可扩展性

因为Hive是创建在Hadoop之上的，所以Hive的可扩展性是和Hadoop的可扩展性是一致的（世界上最大的Hadoop 集群在 Yahoo!，2009年的规模在4000 台节点左右）。而数据库因为 ACID 语义的严格限制，扩展行很是有限。目前最早进的并行数据库 Oracle 在理论上的扩展能力也只有100台左右。

1.4.8 数据规模

因为Hive创建在集群上并能够利用MapReduce进行并行计算，所以能够支持很大规模的数据；对应的，数据库能够支持的数据规模较小。

 

2 Hive数据类型

2.1  基本数据类型

Hive数据类型	Java数据类型	长度	例子
TINYINT	byte	1byte有符号整数	20
SMALINT	short	2byte有符号整数	20
INT	int	4byte有符号整数	20
BIGINT	long	8byte有符号整数	20
BOOLEAN	boolean	布尔类型，true或者false	TRUE  FALSE
FLOAT	float	单精度浮点数	3.14159
DOUBLE	double	双精度浮点数	3.14159
STRING	string	字符系列。能够指定字符集。可使用单引号或者双引号。	‘now is the time’ “for all good men”
TIMESTAMP		时间类型
BINARY		字节数组

 

2.2 集合数据类型

数据类型	描述	语法示例
STRUCT	和c语言中的struct相似，均可以经过“点”符号访问元素内容。例如，若是某个列的数据类型是STRUCT{first STRING, last STRING},那么第1个元素能够经过字段.first来引用。	struct()
MAP	MAP是一组键-值对元组集合，使用数组表示法能够访问数据。例如，若是某个列的数据类型是MAP，其中键->值对是’first’->’John’和’last’->’Doe’，那么能够经过字段名[‘last’]获取最后一个元素	map()
ARRAY	数组是一组具备相同类型和名称的变量的集合。这些变量称为数组的元素，每一个数组元素都有一个编号，编号从零开始。例如，数组值为[‘John’, ‘Doe’]，那么第2个元素能够经过数组名[1]进行引用。	Array()