《MY大数据开发笔记》----hive必须理解和明白的知识点

你的名字 2022-03-26 02:39 222阅读 0赞

# 一：hive是什么 #

Hive起源于Facebook，它使得针对Hadoop进行SQL查询成为可能，从而非程序员也可以方便地使用。Hive是基于Hadoop的一个数据仓库工具，可以**将结构化的数据文件映射为一张数据库表**，并提供完整的SQL查询功能，可以**将SQL语句转换为MapReduce任务**运行。

Hive是建立在 Hadoop 上的数据仓库基础构架。它提供了一系列的工具，可以用来进行数据提取转化加载（ETL），  
这是一种可以存储、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**允许熟悉 SQL 的用户查询数据**。同时，这个语言也**允许熟悉 MapReduce 开发者的开发自定义的 mapper 和 reducer   
来处理内建的 mapper 和 reducer 无法完成的复杂的分析工作**。

# 二： HIVE架构 #

Hive 的结构可以分为以下几部分：  
1.用户接口：包括 CLI, Client, WUI  
2.元数据存储。通常是存储在关系数据库如 mysql, derby 中  
3.解释器、编译器、优化器、执行器  
4.Hadoop：用 HDFS 进行存储，利用MapReduce 进行计算

1、 用户接口主要有三个：**CLI，Client和 WUI**。其中最常用的是 CLI，Cli 启动的时候,会同时启动一个 Hive 副本。Client 是 Hive 的客户端，用户连接至 Hive Server。在启动 Client 模式的时候，需要指出 Hive Server 所在节点，并且在该节点启动 Hive Server。 WUI 是通过浏览器访问 Hive。

2、 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。

3、 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**。

4、Hive 的数据存储在 HDFS 中，大部分的查询**由 MapReduce 完成**（包含 \* 的查询，比如 select \* from tbl 不会生成 MapRedcue 任务）。

#    三：Hive 和Hadoop 关系 #

Hive构建在 Hadoop 之上，  
·        HQL 中对查询语句的解释、优化、生成查询计划是由 Hive 完成的  
·        所有的数据都是存储在 Hadoop 中  
·        查询计划被转化为 MapReduce 任务，在 Hadoop 中执行（有些查询没有 MR 任务，如：select \* from table）  
·        Hadoop和Hive都是用UTF-8编码的

#    四：Hive 和普通关系数据库的异同 #

1.  查询语言。由于 SQL 被广泛的应用在数据仓库中，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。

2.  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。

3.  数据格式。Hive 中没有定义专门的数据格式，数据格式可以由用户指定，**用户定义数据格式需要指定三个属性：列分隔符（通常为空格、”\\t”、”\\x001″）、行分隔符（”\\n”）以及读取文件数据的方法**（Hive 中默认有三个文件格式 TextFile，SequenceFile 以及 RCFile）。由于在加载数据的过程中，**不需要从用户数据格式到 Hive 定义的数据格式的转换**，因此，  
**Hive 在加载的过程中不会对数据本身进行任何修改，而只是将数据内容复制或者移动到相应的 HDFS 目录中**。  
而在数据库中，不同的数据库**有不同的存储引擎**，**定义了自己的数据格式**。**所有数据都会按照一定的组织存储**，因此，**数据库加载数据的过程会比较耗时。**

4.  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，**起初Hive 中不支持对数据的改写和添加，所有的数据都是在加载的时候中确定好的。后来在版本0.8之后可以支持inser into update等**语句而**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。

5.  索引。之前已经说过，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 要访问数据中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的访问，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。

6.  执行。Hive 中大多数查询的执行是通过 Hadoop 提供的 **MapReduce 来实现**的（类似 select \* from tbl 的查询不需要 MapReduce）。而数据库通常有自己的**执行引擎**。

7.  执行延迟。之前提到，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**。

8.  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 Hadoop 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。

9. 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**。

# 五：HIVE的数据存储 #

## 1.数据存储模型 ##

首先，Hive 没有专门的数据存储格式，也没有为数据建立索引，用户可以非常自由的组织 Hive 中的表，只需要在创建表的时候告诉 Hive 数据中的列分隔符和行分隔符，Hive 就可以解析数据。其次，Hive 中所有的数据都存储在 HDFS 中，Hive 中包含以下**数据模型**：Table，External Table，Partition，Bucket。

**Table ：**Hive 中的 Table 和数据库中的 Table 在概念上是类似的，每一个 Table 在 Hive 中都有一个相应的目录存储数据。例如，一个表 xiaojun，它在 HDFS 中的路径为：/ warehouse /xiaojun，其中，wh 是在 hive-site.xml 中由 $\{hive.metastore.warehouse.dir\} 指定的数据仓库的目录，所有的 Table 数据（不包括 External Table）都保存在这个目录中

**External Table：** 指向已经在 HDFS 中存在的数据，可以创建 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异。

**Partition ：**Partition 对应于数据库中的 Partition 列的密集索引，但是 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，所有的 Partition 的数据都存储在对应的目录中。例如：xiaojun 表中包含 dt 和 city 两个 Partition，则对应于 dt = 20100801, ctry = US 的 HDFS 子目录为：/ warehouse /xiaojun/dt=20100801/ctry=US；对应于 dt = 20100801, ctry = CA 的 HDFS 子目录为；/ warehouse /xiaojun/dt=20100801/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，每一个 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：/ warehouse /xiaojun/dt =20100801/ctry=US/part-00000；hash 值为 20 的 HDFS 目录为：/ warehouse /xiaojun/dt =20100801/ctry=US/part-00020

## 2.table&External Table创建过程 ##

**Table （也叫内部表/托管表）**的创建过程和数据加载过程（这两个过程可以在同一个语句中完成），在加载数据的过程中，实际数据会被移动到数据仓库目录中；之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，加载数据和创建表同时完成（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，仅删除表结构。

# 六：有关Hive的运维 #

因为Hive是基于Hadoop构建的，简单地说就是一套Hadoop的访问接口，Hive本身并没有太多的东西，所以运维上面我们注意下面几个问题就行了。

1. 使用单独的数据库存储元数据  
2. 定义合理的表分区和键  
3. 设置合理的bucket数据量  
4. 进行表压缩  
5. 定义外部表使用规范  
6. 合理的控制Mapper, Reducer数量