1.Hive简介
Hive是由Facebook开源用于解决海量结构化日志的数据统计工具。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，并提供类SQL查询功能。
2.Hive本质
Hive的本质是将HQL转化成MapReduce程序。
-
Hive处理的数据存储在HDFS。
-
Hive分析数据底层的实现是MapReduce。
-
执行程序运行在Yarn上。
-
结构化数据文件和表的映射关系以元数据的形式存储在数据库中（Derby或MySQL）。
3.Hive架构原理
- 1.用户接口(Client)：CLI(command-line interface)、JDBC/ODBC(jdbc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；
- 默认存储在自带的derby数据库中，推荐使用MySQL存储Metastore
- 3.Hadoop(HDFS)：使用HDFS进行存储，使用MapReduce进行计算。
- 4.驱动器：Driver：
- 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。
- 编译器(Physical Plan) 将AST编译生成逻辑执行计划。
- 优化器(Query Optimizer) 对逻辑执行计划进行优化。
- 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
4.Hive的运行流程
- 用户通过Hive提供的一些列交互接口向Hive发送命令。
- Hive接收到命令(SQL)后，使用自己的Driver并结合元数据(MetaStore)，将指令翻译为MapReduce。
- 再将MR提交到Hadoop中执行。
- 最后，再将执行返回的结果输出到用户交互接口。
5.Hive vs 数据库
数据库可用于在线业务中，而Hive是为数据仓库而设计的。
| 方面 | 备注 |
|---|---|
| 查询语言 | 由于SQL被广泛应用于数据仓库中，因此针对Hive的特性设计了类似SQL的查询语言HQL，熟悉SQL的开发者可以很方便的使用Hive进行开发。 |
| 数据规模 | 由于Hive建立再Hadoop集群上并可以利用MapReduce进行并行计算，因此可以支持大规模的数据，相反，数据库可支持的数据规模就相对较小了。 |
| 数据更新 | 由于Hive是针对数据仓库应用设计的，而数据仓库的使用场景多是读多写少。因此Hive不建议对数据进行频繁改写，所有的数据都是在加载时确定好。相反，数据库中的数据通常是需要经常进行修改，因此可以使用insert into ……values添加数据，或使用update set 修改数据。 |
| 执行延迟 | Hive在查询数据时，由于没有索引，需要扫描整个表，因此延迟比较高。另一个导致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查询时会有较高的延迟。 相反数据库的执行延迟较低，当然，这个是有条件的，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的并行计算的优势就凸显出来了。 |
6.Hive的优缺点
6.1 优点
-
提供了类SQL语法操作接口，具备快速开发的能力（简单、易上手）。
-
避免了去写MapReduce，减少开发人员的学习成本。
-
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。
6.2 缺点
-
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。
-
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。
7.总结
- Hive是基于hadoop的数据仓库工具，提供了类SQL语言便于查询计算。
- Hive本质：将HQL转换MapReduce程序。
- Hive与数据库的比较在于四个方面：查询语言、数据规模、数据更新、执行延迟
