HDFS => 海量数据的存储
MapReduce => 海量数据的分析和处理
YARN => 集群资源的管理和作业调度

1.1 Hive产生背景

直接使用MapReduce处理大数据，将面临以下问题：

  • MapReduce 开发难度大，学习成本高(wordCount => Hello World)
  • Hdfs文件没有字段名、没有数据类型，不方便进行数据的有效管理
  • 使用MapReduce框架开发，项目周期长，成本高

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(类似于RDBMS中的表)，并提供类SQL查询功能；Hive是由Facebook开源，用于解决海量结构化日志的数据统计。

  • Hive本质是：将 SQL 转换为 MapReduce 的任务进行运算
  • 底层由HDFS来提供数据存储
  • 可以将Hive理解为一个：将 SQL 转换为 MapReduce 任务的工具

数据仓库(Data Warehouse)是一个面向主题的、集成的、相对稳定的、反映历史变化的数据集合，主要用于管理决策。(数据仓库之父比尔·恩门，1991年提出)。

  • 数据仓库的目的：构建面向分析的、集成的数据集合；为企业提供决策支持
  • 数据仓库本身不产生数据，数据来源与外部
  • 存储了大量数据，对这些数据的分析和处理不可避免的用到Hive

1.2 Hive和RDBMS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 和传统的关系数据库除了拥有类似的查询语言，再无类似之处。

  • 查询语言相似。HQL <=> SQL 高度相似
    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。
  • 数据规模。Hive存储海量数据；RDBMS只能处理有限的数据集；
    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；而RDBMS可以支持的数据规模较小。
  • 执行引擎。Hive的引擎是MR/Tez/Spark/Flink；RDBMS使用自己的执行引擎,Hive中大多数查询的执行是通过 Hadoop 提供的 MapReduce 来实现的。而RDBMS通常有自己的执行引擎。
  • 数据存储。Hive保存在HDFS上；RDBMS保存在本地文件系统 或 裸设备
    Hive 的数据都是存储在 HDFS 中的。而RDBMS是将数据保存在本地文件系统或裸设备中。
  • 执行速度。Hive相对慢（MR/数据量）；RDBMS相对快；
    Hive存储的数据量大，在查询数据的时候，通常没有索引，需要扫描整个表；加之Hive使用MapReduce作为执行引擎，这些因素都会导致较高的延迟。而RDBMS对数据的访问通常是基于索引的，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并行的优势。
  • 可扩展性。Hive支持水平扩展；通常RDBMS支持垂直扩展，对水平扩展不友好
    Hive建立在Hadoop之上，其可扩展性与Hadoop的可扩展性是一致的（Hadoop集群规模可以轻松超过1000个节点）。而RDBMS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。
  • 数据更新。Hive对数据更新不友好；RDBMS支持频繁、快速数据更新
    Hive是针对数据仓库应用设计的，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RDBMS中的数据需要频繁、快速的进行更新。

1.3 Hive的优缺点

  • Hive的优点
  • 学习成本低。Hive提供了类似SQL的查询语言，开发人员能快速上手；
  • 处理海量数据。底层执行的是MapReduce 任务；
  • 系统可以水平扩展。底层基于Hadoop；
  • 功能可以扩展。Hive允许用户自定义函数；
  • 良好的容错性。某个节点发生故障，HQL仍然可以正常完成；
  • 统一的元数据管理。元数据包括：有哪些表、表有什么字段、字段是什么类型
  • Hive的缺点
  • HQL表达能力有限；
  • 迭代计算无法表达；
  • Hive的执行效率不高(基于MR的执行引擎)；
  • Hive自动生成的MapReduce作业，某些情况下不够智能；
  • Hive的调优困难；

1.4 Hive架构

hive derby 查询 hive 查询工具_大数据

  1. 用户接口 CLI(Common Line Interface)：
    Hive的命令行，用于接收HQL，并返回结果； JDBC/ODBC：是指Hive的java实现，与传统数据库JDBC类似；
    WebUI：是指可通过浏览器访问Hive；
  2. Thrift Server
    Hive可选组件，是一个软件框架服务，允许客户端使用包括Java、C++、Ruby和其他很多种语言，通过 编程的方式远程访问Hive；
  3. 元数据管理(MetaStore)
    Hive将元数据存储在关系数据库中(如mysql、derby)。Hive的元数据包括：数据库名、表名及类型、字段名称及数据类型、数据所在位置等；
  4. 驱动程序(Driver)
  • 解析器 (SQLParser) ：使用第三方工具（antlr）将HQL字符串转换成抽象语法树（AST）；对AST进行语法分析，比如字段是否存在、SQL语义是否有误、表是否存在；
  • 编译器 (Compiler) ：将抽象语法树编译生成逻辑执行计划；
  • 优化器 (Optimizer) ：对逻辑执行计划进行优化，减少不必要的列、使用分区等；
  • 执行器 (Executr) ：把逻辑执行计划转换成可以运行的物理计划；