Hive基础知识简介

分手后的思念是犯贱 2022-12-23 11:10 171阅读 0赞

# Hive基础知识简介 #

### 文章目录 ###

*  Hive基础知识简介
 *   *  一、什么是Hive
     *   *  1.1 hive简介
         *  1.2 Hive本质
     *  二、Hive的优缺点
     *   *  2.1 优点
         *  2.2 缺点
     *  三、Hive架构原理
     *  四、Hive的运行机制
     *  五、Hive和 数据库比较
     *   *  5.1 查询语言
         *  5.2 数据更新
         *  5.3 执行延迟
         *  5.4 数据规模

## 一、什么是Hive ##

### 1.1 hive简介 ###

> Hive：由Facebook开源用于解决海量结构化日志的数据统计工具。  
> 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表**，并提供**类SQL查询**功能。

### 1.2 Hive本质 ###

> **Hive本质**：将HQL转化成MapReduce程序
> 
> 1.  Hive处理的数据存储在HDFS
> 2.  Hive分析数据底层的实现是MapReduce
> 3.  执行程序运行在Yarn上

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80Mjc5NjQwMw_size_16_color_FFFFFF_t_70_pic_center]

## 二、Hive的优缺点 ##

### 2.1 优点 ###

1.  操作接口采用类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，减少开发人员的学习成本。
3.  Hive优势在于处理大数据，支持海量数据的分析与计算。
4.  Hive支持用户自定义函数，用户可以根据自己的需求来实现自己的函数。

### 2.2 缺点 ###

1.  Hive的HQL表达能力有限

> （1）Hive自动生成的MapReduce作业，通常情况下不够智能化  
> （2）数据挖掘方面不擅长，由于MapReduce数据处理流程的限制，效率更高的算法却无法实现。

1.  Hive的效率比较低

> （1）Hive的执行延迟比较高，因此Hive常用于数据分析，对实时性要求不高的场合。  
> （2）Hive调优比较困难，粒度较粗

1.  Hive不支持实时查询和行级别更新

> （1）hive分析的数据是存储在hdfs上，hdfs不支持随机写，只支持追加写，所以在hive中不能delete和update，只能select和insert

## 三、Hive架构原理 ##

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80Mjc5NjQwMw_size_16_color_FFFFFF_t_70_pic_center 1]

1.  **用户接口：Client**

> CLI（command-line interface）、JDBC/ODBC(jdbc访问hive)、WEBUI（浏览器访问hive）

1.  **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

1.  **Hadoop**

> 使用HDFS进行存储，使用MapReduce进行计算。

1.  **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。

## 四、Hive的运行机制 ##

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80Mjc5NjQwMw_size_16_color_FFFFFF_t_70_pic_center 2]

> 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。

## 五、Hive和 数据库比较 ##

> 由于 Hive 采用了类似SQL 的查询语言 HQL(Hive Query Language)，因此很容易将 Hive 理解为数据库。其实从结构上来看，Hive 和数据库除了拥有类似的查询语言，再无类似之处。本文将从多个方面来阐述 Hive 和数据库的差异。数据库可以用在 Online 的应用中，但是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。

### 5.1 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。

### 5.2 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，**Hive中不建议对数据的改写，所有的数据都是在加载的时候确定好的**。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。

### 5.3 执行延迟 ###

> 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。

### 5.4 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。

[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80Mjc5NjQwMw_size_16_color_FFFFFF_t_70_pic_center]: /images/20221120/0b5ffaf55bdf466fb8b269cbf46fb31b.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80Mjc5NjQwMw_size_16_color_FFFFFF_t_70_pic_center 1]: https://img-blog.csdnimg.cn/20201124181636445.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80Mjc5NjQwMw==,size_16,color_FFFFFF,t_70#pic_center
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80Mjc5NjQwMw_size_16_color_FFFFFF_t_70_pic_center 2]: https://img-blog.csdnimg.cn/20201124181930756.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80Mjc5NjQwMw==,size_16,color_FFFFFF,t_70#pic_center