0
点赞
收藏
分享

微信扫一扫

第1章Hive入门



文章目录


  • ​​第1章Hive入门​​

  • ​​1.1 什么是Hive​​
  • ​​1.2 Hive的优缺点​​

  • ​​1.2.1 优点​​
  • ​​1.2.2 缺点​​

  • ​​1.3 Hive架构原理​​
  • ​​1.4 Hive和数据库比较​​



第1章Hive入门

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。后来还是归于​​apache​​ 基金会管理。

Hive是基于Hadoop的一个数据仓库工具,可以将结构化的数据(例如​​json数据​​)文件映射为一张表,并提供类SQL查询功能。


本质是:将​​HQL(HIve QL)​​转化成MapReduce程序


第1章Hive入门_mapreduce

1)Hive处理的数据存储在HDFS

2)Hive分析数据底层的实现是MapReduce

3)执行程序运行在Yarn上

1.2 Hive的优缺点

1.2.1 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。比较适合离线数据处理.
  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。

1.2.2 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

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

1.3 Hive架构原理

第1章Hive入门_mapreduce_02

1.用户接口:Client

提供三种访问方式


  • CLI(hive shell)、
  • JDBC/ODBC(java访问hive)【​​driver url username password​​】
  • WEBUI(浏览器访问hive)

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; 可以理解一个管理数据的基本信息的地方.及其详细信息放在​​HDFS​​上


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​​【重点】

(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

第1章Hive入门_大数据_03

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。

1.4 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。

本小结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。

区别

Hive

MySQL

查询语言

类SQL的查询语言HQL

SQL

数据存储位置

存储在​​HDFS​​ 中

块设备或者本地文件系统中

数据更新

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

数据库中的数据通常是需要经常进行修改的,

INSERT INTO … VALUES 、 UPDATE … SET修改数据。

索引

没有对数据中的某些Key建立索引,​​暴力​​扫描整个数据

MapReduce 的引入, Hive 可以​​并行​​访问数据,因此即使没有索引,

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。

执行

MapReduce

执行引擎innodb

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。

相对的,数据库的执行延迟较低。

可扩展性

​666​

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。

数据规模

第1章Hive入门_大数据_04

第1章Hive入门_mapreduce_05



举报

相关推荐

0 条评论