1.3 Hive架构原理

忘是亡心i 2022-10-09 02:41 189阅读 0赞

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MzMzNjI4MQ_size_16_color_FFFFFF_t_70]

# 1）用户接口：Client #

CLI（command-line interface）、JDBC/ODBC(jdbc 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（是否是外部表）、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，这一步一般都用第三方工具库完成，比如antlr；对AST 进行语法分析，比如表是否存在、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可以运行的物理计划。对于Hive 来说，就是MR/Spark。

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MzMzNjI4MQ_size_16_color_FFFFFF_t_70 1]

Hive 通过给用户提供的一系列交互接口，接收到用户的指令(SQL)，使用自己的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。

[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MzMzNjI4MQ_size_16_color_FFFFFF_t_70]: /images/20221005/1f6ef94ffdca479bb5c7778e805028ef.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MzMzNjI4MQ_size_16_color_FFFFFF_t_70 1]: /images/20221005/5427cae4de3a478b8911f7c9e3f7676f.png