(一)Hive的基本概念

1. 简介

Hive 是一个构建在 Hadoop 之上的数据仓库，它可以将结构化的数据文件映射成表，并提供类 SQL 查询功能，用于查询的 SQL 语句会被转化为 MapReduce 作业，然后提交到 Hadoop 上运行。

2. Hive的特点

1. 操作接口采用类SQL语法，避免了去写MapReduce，减少开发人员的学习成本，提供快速开发的能力。
2. 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。
3. 也因为Hive的执行延迟比较高，Hive优势在于处理大数据，对于处理小数据没有优势。
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。

3. Hive的系统架构

3.1 用户接口：Client

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

3.2 元数据：Metastore

元数据包括 表名、表所属的数据库、表的拥有者、列/分区字段、表的类型（内外表）、表的数据所在目录等；

默认存储在自带的derby数据库中（只支持单用户访问），推荐使用MySQL存储Metastore。

3.3 驱动器：Driver

1. 解析器（SQL Parser）：将SQL字符串转换成抽象语法树AST（一般用第三方工具库完成如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。

4. Hive和数据库的比较

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。

4.1 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。

4.2 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中不支持对数据的改写和添加，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或者UPDATE 增修数据。

4.3 索引

Hive在加载数据的过程中不会对数据进行任何处理，也没有对数据中的某些Key建立索引。

数据库中，通常会针对一个或者几个列建立索引，因此对于少量的特定条件的数据的访问，数据库可以有很高的效率，较低的延迟。

4.4 执行引擎

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。

4.5 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。（正是由于数据的访问延迟高，决定了 Hive 不适合在线数据查询）

相对的，数据库的执行延迟较低。当然，这里的延迟低是相对数据规模较小时来说的。

由于 MapReduce 的引入，Hive 可以并行访问数据。因此即使没有索引，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。

4.6 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。

而数据库由于 ACID 语义的严格限制，扩展行非常有限。

4.7 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。