大数据之Hive 基本概念完整使用（第一章）

快来打我* 2022-09-09 12:51 133阅读 0赞

### 大数据之Hive 基本概念 ###

*  一、什么是 Hive
 *   *  1、hive 简介
     *  2、Hive 本质
     *  3、Hive 的优缺点
     *   *  1）优点
         *  2）缺点
     *  4、Hive 架构原理
     *   *  1）用户接口：Client
         *  2）元数据：Metastore
         *  3）Hadoop
         *  4）驱动器：Driver
     *  5、Hive 和数据库比较
     *  6、查询语言
     *  7、数据更新
     *  8、执行延迟
     *  9、数据规模

# 一、什么是 Hive #

## 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。

## 2、Hive 本质 ##

将 HQL 转化成 MapReduce 程序

![在这里插入图片描述][watermark_type_ZHJvaWRzYW5zZmFsbGJhY2s_shadow_50_text_Q1NETiBA5bCP5Z2P6K6y5b6u5pyN5Yqh_size_20_color_FFFFFF_t_70_g_se_x_16]  
（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

## 3、Hive 的优缺点 ##

### 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 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，因为 Hive 的执行延迟比较 高。  
（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。

### 2）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

## 4、Hive 架构原理 ##

![在这里插入图片描述][watermark_type_ZHJvaWRzYW5zZmFsbGJhY2s_shadow_50_text_Q1NETiBA5bCP5Z2P6K6y5b6u5pyN5Yqh_size_20_color_FFFFFF_t_70_g_se_x_16 1]

### 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（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。

![在这里插入图片描述][watermark_type_ZHJvaWRzYW5zZmFsbGJhY2s_shadow_50_text_Q1NETiBA5bCP5Z2P6K6y5b6u5pyN5Yqh_size_20_color_FFFFFF_t_70_g_se_x_16 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。

## 5、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。

## 6、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。

## 7、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。

## 8、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

## 9、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_ZHJvaWRzYW5zZmFsbGJhY2s_shadow_50_text_Q1NETiBA5bCP5Z2P6K6y5b6u5pyN5Yqh_size_20_color_FFFFFF_t_70_g_se_x_16]: /images/20220829/19f1b6807db24eeda2d7cf8c044fcdf9.png
[watermark_type_ZHJvaWRzYW5zZmFsbGJhY2s_shadow_50_text_Q1NETiBA5bCP5Z2P6K6y5b6u5pyN5Yqh_size_20_color_FFFFFF_t_70_g_se_x_16 1]: /images/20220829/16b9f9572d124183a1944a404f821288.png
[watermark_type_ZHJvaWRzYW5zZmFsbGJhY2s_shadow_50_text_Q1NETiBA5bCP5Z2P6K6y5b6u5pyN5Yqh_size_20_color_FFFFFF_t_70_g_se_x_16 2]: /images/20220829/03a032d2617d4a24bd41827df6b8395f.png