Hive学习（二）入门

末蓝、 2023-06-24 08:13 2阅读 0赞

**目录**

Hive是什么

Hive的优缺点

优点

缺点

Hive架构原理

用户接口：Client

元数据：Metastore

Hadoop

驱动器：Driver

Hive和数据库比较

查询语言

数据存储位置

数据更新

索引

执行

执行延迟

可扩展性

数据规模

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

# Hive是什么 #

Hive是由 Facebook 开源用于解决**海量结构化日志**统计的**数据仓库工具**，可以将数据文件映射成一张表，提供**类SQL**查询功能。本质是将HQL转换成MapReduce程序。

数据存储在HDFS上，数据底层默认实现是MapReduce，执行程序运行在Yarn上。

# Hive的优缺点 #

## 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.  避免去写 MapReduce 程序，减少开发人员的学习成本
3.  执行延迟较高，因此 Hive 常用于数据分析，对实时性要求不高的场合
4.  处理大数据有优势，对于小数据没有优势
5.  支持用户自定义函数，可以根据自己的需求来实现函数

## 缺点 ##

1.  HQL表达能力有限
2.  效率较低，延迟高

# Hive架构原理 #

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxNTQxNjE5_size_16_color_FFFFFF_t_70][]

## 用户接口：Client ##

CLI（hive shell）、JDBC/ODBC（java访问hive）、WEBUI（浏览器访问hive）

## 元数据：Metastore ##

元数据包括：表面、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

## Hadoop ##

使用HDFS进行存储，MapReduce进行计算

## 驱动器：Driver ##

*  **解析器（SQL Parser）**：将 SQL 字符串转换成抽象语法树 AST，这一步一般都是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 语义是否有误等。
 *  **编译器（Physical PLan）**：将 AST 编译生成逻辑执行计划。
 *  **优化器（Query Optimizer）**：对逻辑执行计划进行优化。
 *  **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 MapReduce或者Spark。

**总结：**

> 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。

# 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。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。

## 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。

## 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。

## 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。

## 索引 ##

**没有索引，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，对于大据量的访问，Hive 仍然可以体现出优势。

## 执行 ##

Hive 中大多数查询的执行是通过 Hadoop 提供的 MapReduce 来实现的。而数据库通常有自己的执行引擎。

## 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。

## 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。

## 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_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxNTQxNjE5_size_16_color_FFFFFF_t_70]: https://img-blog.csdnimg.cn/20191221173248207.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxNTQxNjE5,size_16,color_FFFFFF,t_70