Hive快速入门系列(1) | Hive的基本概念(超详细，入门推荐！)

原创

不温卜火 2022-04-21 10:24:08 博主文章分类：Hadoop ©著作权

文章标签 大数据数据仓库 hive 数据 mapreduce 文章分类 代码人生

©著作权归作者所有：来自51CTO博客作者不温卜火的原创作品，请联系作者获取转载授权，否则将追究法律责任

经过前面的学习之后,我们总算是来到了Hive阶段。本篇博客博主将为大家带来Hadoop组件之——Hive的介绍!

首先在开始之前,再让我们通过一张熟悉的图片来回顾一下Hadoop生态系统的组成部分。

Hive快速入门系列(1) | Hive的基本概念(超详细，入门推荐！)_大数据

基本概念

1.1 什么是Hive

Hive：由Facebook开源用于解决海量结构化日志的数据统计。

Hive是基于Hadoop的一个数据仓库工具 \color{#FF0000}{数据仓库工具} 数据仓库工具，可以将结构化的数据文件映射为一张表 \color{#FF0000}{结构化的数据文件映射为一张表} 结构化的数据文件映射为一张表，并提供类 S Q L \color{#FF0000}{类SQL} 类SQL查询功能。

本质是：将 H Q L 转化成 M a p R e d u c e 程序 \color{#FF0000}{本质是：将HQL转化成MapReduce程序} 本质是：将HQL转化成MapReduce程序

Hive快速入门系列(1) | Hive的基本概念(超详细，入门推荐！)_hive_02

1. H i v e 处理的数据存储在 H D F S \color{#FF0000}{1. Hive处理的数据存储在HDFS} 1.Hive处理的数据存储在HDFS

4. H i v e 分析数据底层的实现是 M a p R e d u c e \color{#FF0000}{4. Hive分析数据底层的实现是MapReduce} 4.Hive分析数据底层的实现是MapReduce

3. 执行程序运行在 Y a r n 上 \color{#FF0000}{3. 执行程序运行在Yarn上} 3.执行程序运行在Yarn上

1.2 为什么使用Hive

1.直接使用Hadoop所面临的问题:

人员学习成本太高
项目周期要求太短
MapReduce实现复杂查询逻辑开发难度太大

2. 为什么要使用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。
功能扩展很方便。

1.3 Hive的优缺点

1. 优点

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）。
避免了去写MapReduce，减少开发人员的学习成本。
H i v e 的执行延迟比较高，因此 H i v e 常用于数据分析，对实时性要求不高的场合。 \color{#FF0000}{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。} 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。
H i v e 优势在于处理大数据，对于处理小数据没有优势，因为 H i v e 的执行延迟比较高。 \color{#FF0000}{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。} 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。
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

迭代式算法无法表达
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

Hive自动生成的MapReduce作业，通常情况下不够智能化
Hive调优比较困难，粒度较粗

1.4 Hive架构

Hive快速入门系列(1) | Hive的基本概念(超详细，入门推荐！)_大数据_03

基本组成：

用户接口：Client
CLI（command-line interface）、JDBC/ODBC(jdbc访问hive)、WEBUI（浏览器访问hive）
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 d e r b y 数据库中，推荐使用 M y S Q L 存储 M e t a s t o r e \color{#FF0000}{默认存储在自带的derby数据库中，推荐使用MySQL存储Metastore} 默认存储在自带的derby数据库中，推荐使用MySQL存储Metastore
Hadoop
使用HDFS进行存储，使用MapReduce进行计算。
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。

1.5 执行过程

Hive快速入门系列(1) | Hive的基本概念(超详细，入门推荐！)_数据仓库_04

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。

1.6 Hive与Hadoop的关系

Hive利用HDFS存储数据，利用MapReduce查询分析数据

Hive快速入门系列(1) | Hive的基本概念(超详细，入门推荐！)_大数据_05

1.7 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。

Hive快速入门系列(1) | Hive的基本概念(超详细，入门推荐！)_数据_06

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。

3 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 \color{#FF0000}{数据仓库的内容是读多写少的} 数据仓库的内容是读多写少的。因此， H i v e 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 \color{#FF0000}{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} 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。

4 执行

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。

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。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。

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（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。