任务目的

  • 熟记 Hive 内部架构的四个组成部分
  • 了解 Hive 和 RDBMS 的区别

任务清单

  • 任务1:Hive 架构原理
  • 任务2:Hive 和 RDBMS 的对比

任务步骤

任务1:Hive 架构原理

1.2 Hive 架构原理_数据库

图1

  从上图看出 Hive 的内部架构由四部分组成:

1. 用户接口:Client

  • CLI:Shell 终端命令行(Command Line Interface),采用交互形式使用 Hive 命令行与 Hive 进行交互,最常用(学习,调试,生产)
  • JDBC/ODBC:是 Hive 的基于 JDBC 操作提供的客户端,用户(开发员,运维人员)通过这连接至 Hive server 服务
  • 跨语言服务 Thrift Server:Thrift 是 Facebook 开发的一个软件框架,可以用来进行可扩展且跨语言的服务的开发, Hive 集成了该服务,能让不同的编程语言调用 Hive 的接口。
  • Web UI:通过浏览器访问 Hive

2. 元数据存储:Metastore

  • 元数据,通俗的讲,就是存储在 Hive 中的数据的描述信息。Hive 中的元数据通常包括:表名、表所属的数据库(默认是default)、表的列和分区及其属性,表的类型(是否为外部表等),表的数据所在目录等。
  • MetaStore 默认存在自带的 Derby 数据库中。缺点就是不适合多用户操作,并且数据存储目录不固定。数据库跟着 Hive 走,极度不方便管理。
  • 解决方案:通常将其存在我们自己创建的 MySQL 库中(本地 或 远程)
  • Hive 和 MySQL 之间通过 MetaStore 服务交互

3. 驱动器 Driver

  驱动器 Driver 的主要组件:解析器(SQL Parser)编译器(Physical Plan)优化器(Query Optimizer) 和 执行器(Execution)

  (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 MapReduce/Spark。

  执行流程:HiveQL 通过命令行或者客户端提交,经过解析器和编译器,运用 MetaStore 中的元数据进行类型检测和语法分析,生成一个逻辑方案,然后通过的优化处理,产生一个 MapReduce 任务。

4. Hadoop

  使用 HDFS 进行存储,使用 MapReduce 进行计算。

任务2:Hive 和 RDBMS 的对比

  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。

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。

4. 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。

5. 索引

  Hive 不建立索引: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。

6. 执行器

  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。

7. 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,这个也是有条件的,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。

8. 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。

9. 处理数据规模

  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

  • Hive 和 RDBMS 的对比表:

1.2 Hive 架构原理_hive_02

总结: Hive 具有 SQL 数据库的外表,但应用场景完全不同, Hive 适合用来做批量海量数据统计分析,也就是数据仓库。