一.基本概念

1.基本介绍

什么是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<font color=green>结构化的数据文件</font><font color=red>映射</font>为一张<font color=red>表</font>，并 提供<font color=apple green>类 SQL 查询功能</font>。

简单理解

• 我们可以将Hive理解为一个客户端工具，其提供了一种类SQL查询语言，称为 HiveQL。

• 这使得Hive十分适合数据仓库的统计分析，能够轻松使用HiveQL开启数据仓库任务，如提取／转换／加载（ETL）、分析报告和数据分析。

• Hive不仅可以分析HDFS文件系统中的数据也可以分析其他存储系统，例如HBase。

特点

• Hive可以将SQL语句转化为MapReduce（或Apache Spark和Apache Tez）任务执行，大大降低了Hadoop的使用门槛，减少了开发MapReduce程序的时间成本。

Hive本质

• 将HQL转化成MapReduce程序

image.png

• 注意项

  • Hive 处理的数据存储在 HDFS ；

  • Hive 分析数据底层的实现是 MapReduce；

  • 执行程序运行在 Yarn 上；

知识补充： 数据库和数据仓库的区别

数据库：传统的关系型数据库的主要应用，主要是基本的、日常的事务处理，例如银行交易。

数据仓库：数据仓库系统的主要应用主要是OLAP（On-Line Analytical Processing），支持复杂的分析操作，侧重决策支持，并且提供直观易懂的查询结果。

2.数据单元

Hive中核心的几个数据单元解析如下：

• 元数据、

  • 元数据（Metadata）是指数据的各项属性信息，例如数据的类型、结构，数据库、表、视图的信息等。

• 数据库

  • Hive中的数据库相当于一个命名空间，用于避免表、分区、列之间出现命名冲突，以确保用户和用户组的安全。

• 表

  • 数据库中的表由若干行组成，每行数据都有相同的模式和相同属性的列。

  • Hive中的表可以分为内部表和外部表。

    • 内部表

      • 通常所说的表就是指内部表，也叫管理表。

      • 内部表数据被存储在数据仓库的目录中。

      • 当删除内部表时，表数据及其元数据将一同被删除。

    • 外部表

      • 外部表在创建时，数据可以存储于指定的HDFS目录中，也可以存储于数据仓库中，还可以与指定的HDFS目录中的数据相关联。

      • 外部表被删除时，只有元数据被删除，实际数据不会被删除。

• 分区

  • Hive在查询数据的时候会扫描整个表的数据，如果表非常大，则会耗费大量时间和资源。

  • 因此，Hive引入了表分区的功能，每个表可以有一个或多个分区。

  • 这些分区决定了数据的存储方式，使查询操作只扫描相关性高的那部分数据，从而大大提高了Hive的工作效率。

• 桶

  • 每个分区会根据表的某列数据的哈希值被划分为若干个桶，每个桶对应分区下的一个数据文件。

  • 对表进行分区和分桶不是必须的，但这样可以减少对不必要数据的访问，从而提高查询速度。

3. 数据类型

Hive的数据类型分为基本数据类型和复杂数据类型。

3.1 基本类型

基本数据类型与常用的大部分数据库类似，包括以下几种：

• 整型：TINYINT、SMALLINT、INT、BIGINT。

• 布尔型：TRUE/FALSE。

• 浮点型：FLOAT（单精度）、DOUBLE（双精度）。

• 定点型：DECIMAL。

• 字符型：STRING、VARCHAR、CHAR。

• 日期和时间型：TIMESTAMP、DATE。

• 二进制型：BINARY，用于存储变长的二进制数据。

3.2 复杂数据类型

3.2.1 STRUCT

  STRUCT是一个记录类型，封装了一个命名字段集合。

  一个STRUCT类型的元素可以包含不同类型的其他元素，并且可以使用点符号“.”访问类型中的元素。

• 例如，表中的c列的数据类型为STRUCT<\a STRING,b INT>，则可以通过c.a访问c列中的元素a。

例子

  假如现在需要创建一张学生表“student”，其中有两列，一列是主键id，另一列是学生信息info，其中学生信息包括姓名和年龄，则该表的创建语句如下：

CREATE TABLE student(id INT,info STRUCT<name:STRING, age: INT>)

向表“student”中导入以下测试数据：

image.png

若需要查询年龄大于20的所有数据，查询语句如下：

SELECT * FROM STUDENT WHERE info.age>20;

查询输出结果为：

image.png

3.2.2 键值对（MAP）

  类似于Java中的Map，使用键值对存储数据，根据键可以访问值。

• 例如，表中的c列用于存储学生的姓名和年龄，数据类型为MAP<STRING,INT>（姓名为键，年龄为值），访问c列中的键zhangsan对应的年龄，可以写为c['zhangsan']。

例子

  在上方的学生表例子中，若将列info的类型改为MAP<STRING,INT>，则创建表的语句如下：

CREATE TABLE student (id INT,info MAP<STRING,INT>)

然后向表中导入以下测试数据：

[图片上传失败...(image-d1f0de-1638497175786)]

查询姓名为zhangsan，年龄为20的所有数据，查询语句如下：

SELECT * FROM student WHERE info[zhangsan]=20

输出结果

1 zhangsan:20,english:98

3.2.3 数组（ARRAY）

  类似于Java中的数组，数组中所有元素的类型相同。

• 例如，表中c列的数据类型为ARRAY<INT>，访问该列的第一个元素可以写为c[0]。

例子

  仍然以上方的学生表为例，若将列info的类型改为ARRAY <STRING>，则创建表的语句如下：

CREATE TABLE student(id INT,info ARRAY<STRING>)

然后向表中导入以下测试数据（冒号前面为数组的第一个值，后面为第二个值）：

image.png

查询表中年龄大于20的所有数据，查询语句如下：

SELECT * FROM student WHERE info[1]>20

查询结果

image.png

此外，一张表中也可以存在多个复杂数据类型。例如，创建表“student”，其中有三列col1、col2和col3，每一列都使用复杂数据类型，创建语句如下：

CREATE TABLE student(

    col1 STUDENT<a:STRING,b:INT,c:DOUBLE>),

    col2 MAP<STRING,INT>,

    col3 ARRAY<INT>

    )

4.Hive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，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。

• 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，受MapReduce 数据处理流程的限制，效率更高的算法无法实现；

  • 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；

5.Hive架构体系

image.png

1）用户接口：Client

  CLI是Hive的命令行界面（模式），是Hive最常用的一种方式。CLI本质上是Hive的一个客户端服务，启动客户端后进入交互式命令行，即可通过HiveQL访问Hive中的数据

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

• 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。

• 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 MR/Spark。

6.运行机制

image.png

  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。

7.Hive和数据库的比较

  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。

• 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。

• 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。

• 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。