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,用来进行数据提取、转化、加载,这是一种可以存储、查询和分析存储在Hadoop中的大规模数据的机制。hive数据仓库工具能将结构化的数据文件映射为一张数据库表,并提供SQL查询功能,能将SQL语句转变成MapReduce任务来执行。
Hive 依赖于 HDFS 存储数据,Hive 将 HQL 转换成 MapReduce 执行,所以说 Hive 是基于 Hadoop 的一个数据仓库工具,实质就是一款基于 HDFS 的 MapReduce 计算框架,对存储在 HDFS 中的数据进行分析和管理
本质是:将HQL转换成MapReduce
(1)hive处理的数据存储在HDFS
(2) Hive分析数据底层的默认实现是MapReduce
(3)执行程序运行在Yarn上
数据仓库通过SQL进行统计分析——将sql语言中常用的操作(select,where,group等)用MapReduce写成很多模板
注:什么是数据仓库:数据仓库之父比尔·恩门(Bill Inmon)在 1991 年出版的“Building the Data Warehouse”(《建立数据仓库》)一书中所提出的定义被广泛接受——数据仓库(Data Warehouse)是一个面向主题的(Subject Oriented)、集成的(Integrated)、相对稳定的(Non-Volatile)、反映历史变化(Time Variant)的数据集合,用于支持管理决策(Decision Making Support)。
1.2HIve的优缺点:
1.2.1
(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常用语数据分析,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。因此Hive的执行延迟比较高)
(5)Hive支持用户自定义吧函数,用户可以根据自己的需求来实现自己的函数。
1.2.2 缺点
(1) hive的表达能力有限
迭代式算法无法表达
数据挖掘方面不擅长
(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
HIVE和数据库的比较
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。
下面将讲述两者的差异。
它与关系型数据库的SQL略有不同,但支持了绝大多数的语句如DDL、DML以及常见的聚合函数、连接查询、条件查询。它还提供了一系列的1:具进行数据提取转化加载,用来存储、查询和分析存储在Hadoop中的大规模数据集,并支持UDF(User-Defined Function)、UDAF(User-Defnes AggregateFunction)和UDTF(User-Defined Table-Generating Function),也可以实现对map和reduce函数的定制,为数据操作提供了良好的伸缩性和可扩展性
注: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。
1.4.1 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。
1.4.2 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本地文件系统中。
1.4.3 数据更新:
,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
1.4.4 索引
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建立索引,因此对于大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。
1.4.5 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(如mysql中经常用的InnoDB)。
1.4.6 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,即数据规模比较小,当数据规模大到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。
1.4.7 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点左右)。而数据由于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。
1.4.8 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,数据库可以支持数据规模较小。
——————————————————————————————————
说了那么多区别,总结一下hive和数据库到底有什么区别?最核心的区别在于处理的数据量的多少,也就是说数据量过大时,mysql等传统数据库不能满足我们的相关需求,这才有了基于Hadoop的hive工具。一般来说关系型数据库一般处理的数据级别是百万级别,最多是千万级别的,到了上亿级别十亿级别的时候,就需要我们的hive工具出场了,就像excel处理数值过多时卡一样的道理,数据库也是有上限的,这么说就很容易理解了。然后再进行以上不同点的延伸,比如hive的数据量大所以数据需要放在分布式文件系统(HDFS),数据库量级小,可以放在本地文件系统。
放上一张Hive和关系型数据库的对比图
Hive 具有 SQL 数据库的外表,但应用场景完全不同,Hive 只适合用来做海量离线数据统计分析,也就是数据仓库。