大数据BigData之Hive的结构

￡神魔★判官ぃ 2022-05-01 13:22 172阅读 0赞

文章目录  
  1. Hive结构介绍  
  2. 结构描述  
    2.1 用户接口主要有三个：CLI，Client 和 WUI  
    2.2 Hive 将元数据存储在数据库中，如 mysql、derby  
    2.3 解释器、编译器、优化器、执行器  
  3. Hive 和普通 DB 的异同  
  4. 元数据  
  5. 数据存储

--------------------

# 1. Hive结构介绍 #

Hive **构建在Hadoop的HDFS和MapReduce之上**，用于管理和查询结构化/非结构化数据的数据仓库。

*  使用 **HQL** 作为查询接口
 *  使用 **HDFS** 作为底层存储
 *  使用 **MapReduce** 作为执行层

--------------------

# 2. 结构描述 #

Hive 的结构可以分为以下几部分：

*  **用户接口**：包括 CLI, Client, WUI
 *  **元数据存储**：通常是存储在关系数据库如 mysql, derby 中
 *  解释器、编译器、优化器、执行器
 *  **Hadoop**：用 HDFS 进行存储，利用 MapReduce 进行计算

## 2.1 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。

## 2.2 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。

## 2.3 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，并在随后有 MapReduce 调用执行。

**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）。**

--------------------

# 3. Hive 和普通 DB 的异同 #

<table> 
 <thead> 
  <tr> 
   <th>/</th> 
   <th><strong>Hive</strong></th> 
   <th><strong>RMDBS</strong></th> 
  </tr> 
 </thead> 
 <tbody> 
  <tr> 
   <td>查询语言</td> 
   <td>HQL</td> 
   <td>SQL</td> 
  </tr> 
  <tr> 
   <td>数据延迟</td> 
   <td>HDFS</td> 
   <td>Raw Device or Local FS</td> 
  </tr> 
  <tr> 
   <td>执行</td> 
   <td>MapReduce</td> 
   <td>Excutor</td> 
  </tr> 
  <tr> 
   <td>执行延迟</td> 
   <td>高</td> 
   <td>低</td> 
  </tr> 
  <tr> 
   <td>处理数据规模</td> 
   <td>大</td> 
   <td>小</td> 
  </tr> 
  <tr> 
   <td>索引</td> 
   <td>0.8版本后加入位图索引</td> 
   <td>有复杂的索引</td> 
  </tr> 
 </tbody> 
</table>

可参考链接：[issues.apache.org/jira/browse…][issues.apache.org_jira_browse]

--------------------

# 4. 元数据 #

Hive 将元数据存储在 RDBMS 中，一般常用的有MYSQL和DERBY。由于DERBY只支持单客户端登录，所以**一般采用MySQL来存储元数据**。

--------------------

# 5. 数据存储 #

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。

1.  **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 app，它在 HDFS 中的路径为：/ warehouse /app，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。
2.  **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 /app/dt=20100801/ctry=US；对应于 dt = 20100801, ctry = CA 的 HDFS 子目录为；/ warehouse /app/dt=20100801/ctry=CA
3.  **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 /app/dt =20100801/ctry=US/part-00000；hash 值为 20 的 HDFS 目录为：/ warehouse /app/dt =20100801/ctry=US/part-00020
4.  **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。

*  Table （内部表）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hive的元数据，不会删除hdfs上对应的文件。

--------------------

参考文档：

1.  [www.cnblogs.com/smartloli/p…][www.cnblogs.com_smartloli_p]
2.  [issues.apache.org/jira/browse…][issues.apache.org_jira_browse]
3.  [www.cnblogs.com/smartloli/p…][www.cnblogs.com_smartloli_p 1]

转载于:https://juejin.im/post/5c6a8881f265da2d876365e0

[issues.apache.org_jira_browse]: https://link.juejin.im?target=https%3A%2F%2Fissues.apache.org%2Fjira%2Fbrowse%2FHIVE-5631
[www.cnblogs.com_smartloli_p]: https://link.juejin.im?target=https%3A%2F%2Fwww.cnblogs.com%2Fsmartloli%2Fp%2F4288493.html
[www.cnblogs.com_smartloli_p 1]: https://link.juejin.im?target=http%3A%2F%2Fwww.cnblogs.com%2Fsmartloli%2Fp%2F4201831.html