本文已参与「新人创作礼」活动，一起开启掘金创作之路。
1.Hive基本概念
1.1什么是Hive
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数据库表,并提供类SQL查询功能.
1.2为什么使用Hive
- 使用hadoop所面临的问题
人员学习成本太高
项目周期要求太短
MapRedeuce实现复杂查询逻辑开发难度太大
- 使用Hive
操作接口采用类SQL语法,提供快速开发的能力
避免了去写MapReduce,减少开发人员的学习成本
扩展功能很方便
1.3基本组成
- 用户接口:包括GLI,JDBC/ODBC,WebGUI
CLI为shell命令行;JDBC/ODBC是Hive的Java实现,与传统数据库JDBC类似;WebGUI是通过浏览器访问Hive.
- 元数据存储:通常是存储在关系数据库如mysql中
Hive将元数据存储在数据库中,Hive中的元数据包括表的名字,表的列和分区及其属性,表的属性(是否为外部表等),表的数据所在目录等.
- 解释器、编译器、优化器、执行器
解释器的作用是将HiveSQL语句转换为语法树(AST);编译器是将语法树编译为逻辑执行计划;优化器是对逻辑执行计划进行优化;执行器是调用底层的运行框架执行逻辑执行计划;生成的计划存储在HDFS上,并在虽有由MapReduce调用.
1.4Hive与hadoop关系
HQL中对查询语句的解释、优化、生成查询计划是由Hive完成的;所有的数据都是存储在hadoop中;查询计划被转化为MapReduce任务,在hadoop中执行(有些查询没有MapReduce任务,如:select* from table)
1.5Hive与传统数据库对比
- 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。
- 数据格式。Hive 中没有定义专门的数据格式，数据格式可以由用户指定，用户定义数据格式需要指定三个属性：列分隔符（通常为空格、”\t”、”\x001″）、行分隔符（”\n”）以及读取文件数据的方法（Hive 中默认有三个文件格式 TextFile，SequenceFile 以及 RCFile）。由于在加载数据的过程中，不需要从用户数据格式到 Hive 定义的数据格式的转换，因此，Hive 在加载的过程中不会对数据本身进行任何修改，而只是将数据内容复制或者移动到相应的 HDFS 目录中。而在数据库中，不同的数据库有不同的存储引擎，定义了自己的数据格式。所有数据都会按照一定的组织存储，因此，数据库加载数据的过程会比较耗时。
- 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中确定好的。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。之前已经说过，Hive 在加载数据的过程中不会对数据进行任何处理，甚至不会对数据进行扫描，因此也没有对数据中的某些 Key 建立索引。Hive 要访问数据中满足条件的特定值时，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，对于大数据量的访问，Hive 仍然可以体现出优势。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。由于数据的访问延迟较高，决定了 Hive 不适合在线数据查询。
- 执行。Hive 中大多数查询的执行是通过 Hadoop 提供的 MapReduce 来实现的（类似 select * from tbl 的查询不需要 MapReduce）。而数据库通常有自己的执行引擎。
- 执行延迟。之前提到，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。
1.6Hive的数据存储
1)Hive中所有的数据都存储在HDFS中,没有专门的数据存储格式(可支持Text,SequenceFile,ParquetFile等)
2)只需要在创建表的时候告诉Hive数据中的列分隔符和航分隔符,Hive就可以解析数据
3)Hive中包含以下数据模型:DB、Table、External Table、Partition、Bucket
- DB:在hdfs中表现为${hive.metastore.warehouse.dir}目录下一个文件夹
- Table:在hdfs中表现所述DB目录下一个文件夹
- Extenrnal Table:外部表,与table类似,不过其数据存放位置可以在任意指定路径;普通表:删除表后,hdfs上的文件和元数据就删除了;外部表:删除表后,hdfs上的文件没有删除,只是把元数据删了
- Partition:在hdfs中表现为table目录下的子目录
- Bucket:桶,在hdfs中表现为同一个表目录下根据hash散列之后的多个文件,会根据不同的文件把数据放到不同的文件中
