数据仓库之Hive入门

Cherish
2021-01-09 / 0 评论 / 164 阅读
温馨提示:
本文最后更新于2021-01-09,若内容或图片失效,请留言反馈。

什么是Hive

hive简介

hive是由Facebook开源用于解决海量结构化日志的数据统计工具,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。

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Yarm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)避免了去写MapReduce,减少开发人员的学习成本

(3)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

(4)Hive优势在于处理大数据,对于处理小数据没有优势,这是由于Hive的执行延迟比较高造成的

(5)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

缺点

  1. Hive的HQL表达能力有限

    (1) 迭代式算法无法表达

    (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。

  2. Hive的效率比较低

    (1) Hive自动生成的MapReduce作业,通常情况下不够智能化

    (2) Hive调优比较困难,粒度较粗。

Hive架构原理

  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(SQLParser):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。

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。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。

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 INSERTINTO... VALUES添加数据,使用 UPDATE ...SET 修改数据。

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。

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。