大数据技术之Hive

鸡汤: 一些人财大气粗的背景让自己望尘莫及，而我这个凡人智商又被各路神仙碾压。自律就成为了那根救命稻草。

1. 介绍¶

1.1 Hive前序¶

Hive 是基于 Hadoop的一个数据仓库工具，由Facebook开源用于解决海量结构化日志的数据统计，可以将类 SQL 语句转换为 MapReduce任务进行运行。其优点是学习成本低，可以通过类 SQL 语句快速实现简单的 MapReduce统计，不必开发专门MapReduce的应用。以前做分析的人还得学 MapReduce 编程！于是就开发了一套新框架，就是用 SQL 来做 HDFS 查询（用户输入的是 SQL 语言，框架内部把 SQL 转成 MapReduce任务，然后再去跑分析）这样 Hive 就诞生。其实Hive 就是一个SQL 解析引擎， Hive 定义了简单的类 SQL查询语言它允许熟悉 SQL 语言的用户查询数据，它将SQL 语句转译成 MapReduce 作业，然后在 Hadoop 中执行，来达到快速开发的目的。

Hive本质是将HQL转化成MapReduce程序

举个例子，业务描述，统计业务表Customer.txt中北京的客户有多少位？如果用所熟悉的 Map Reduce 程序来实这个业务分析，可能需要小百行代码。

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

1.2 Hive引入原因¶

对存在HDFS上的文件或HBase中的表进行查询时，是要手工写一堆MapReduce代码
对于统计任务，只能由动MapReduce的程序员才能搞定
耗时耗力，更多精力没有有效的释放出来
Hive基于一个统一的查询分析层，通过SQL语句的方式对HDFS上的数据进行查询、统计和分析

1.3 Hive 简介¶

Hive 有什么用？举个例子，某个公司内部搭建的数据仓库是基于 MySQL 。后来随着数据量的不断增加，这种传统的数据库扛不住了，于是换到了 Hadoop 大数据平台的数据体系，用 HDFS集群来存储海量数据现在问题来了以前基于数据库的数据仓库用 SQL 语言就能做查询，现在换到 HDFS 上面，得跑 MapReduce 任务去做分析，这样如果用 hive 来实现相同的功能，即统计业务表 Customer.be 天津客户有多少位？只要 SQL 语句。是不是感觉 Hive这个运行框架非常酷?

id	city	name	sex
0001	beijing	zhangli	man
0002	guizhou	lifang	woman
0003	tianjin	wangwei	man
0004	chengde	wanghe	woman
0005	beijing	lidong	man
0006	lanzhou	wuting	man
0007	beijing	guona	man
0008	chengde	houkuo	man

hive> select city, count(*)
> from Customer 
> where city="tian jin" 
> group by city;

1.4 Hive 特点¶

Hive 支持标准的 SQL 语法 Hive 免去了用户用 JAVA 语言编写 MapReduce 程序的过大大减少了开发成本。让那些精通 SQL 技能、但是不熟悉 MapReduce Java 编程能力较弱的用户能够在 HDFS 集群上很方便地利用 SQL 言查询、汇总、分析数据。
Hive 是为大数据批量处理而生的： Hive 的出现解决了传统的关系型数据库（如 MySQL Oracle 在大数据理上的瓶颈，由于Hive 是建立在 Hadoop 的分布式文件系统 HDFS 之上的，通过MapReduce 计算框架来执行用户提交的任务，因此可以支持很大规模的数据此外 Hive 可扩展性和 Hadoop 的可扩展性是一致性的。
Hive 执行延迟高。之前提到 Hive 在查询数据的时候，由于没有索引，需要扫描整个衰因此延迟较高。另外一个导致Hive 执行延迟的因素是 MapReduce 算框架。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。由于数据访问延迟较高，决定了Hive 不适合实数据查询，Hive 最佳使用场景是大数据集的批处理作业，比如网络日志分析。

1.5 HIVE 的优缺点¶

1.5.1 优点¶

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）。
避免了去写MapReduce，减少开发人员的学习成本。
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。
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。

1.5.2 缺点¶

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

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

1.6 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。

1.6.1 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。

1.6.2 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。

1.6.3 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。

1.6.4 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。

1.6.5 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。

1.6.6 执行延迟¶

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。

1.6.7 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 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。

1.6.8 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，数据库可以支持的数据规模较小。

2. Hive 体系架构和应用场景¶

2.1 Hive 体系架构¶

Hive 的体系结构可以分为以下几个部分

用户接口：Client

CLI（hive shell）、JDBC/ODBC(java访问hive)、WEBUI（浏览器访问hive）

元数据：Metastore

1. 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；
2. 默认存储在自带的derby数据库中，推荐使用MySQL存储Metastore

Hadoop

使用HDFS进行存储，使用MapReduce进行计算。

驱动器：Driver

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MR/Spark。

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。

2.2 Hive 应用场景¶

根据 Hive 的特点，其应用场景总结如下：

Hive 不是一个完整的数据库，它依托并受到 HDFS 的限制。其中最大的限制就是 Hive不支持记录级别的更新、插入或者删除操作。
Hadoop是一个面向批处理的系统，任务的启动需要消耗较长的时间，所以 Hive 查询时比较严重。传统数据库秒级查询的任务在 Hive 中也需要执行较长的时间如果是交互式查询的场景建议使用Impala
Hive 不支持事务。综上所述，Hive 不支持 OLT (On-Line Transaction Processing ），而更接近成为一个 OLAP( On-Line Anal cal Processing ）工具。而且仅仅是接近 OLAP ，因为 Hive 的延时性，它还没有满足 OLAP 中的“联机”部分。因此，Hive 是最适合数据仓库应用程序的，不需要快速响应给出结果，可以对海量数据进行相关的静态数据分析、数据挖掘，然后形成决策意见或者报表等。
那么，如果用户需要对大规模数据使用 OLTP 功能又该如何处理呢？此时我们应该选择一个NoSQL 数据库如 HBase，这种数据库的特点就是随机查询速度快，可以满足实时查询的要求。

3. Hive数据模型¶

Hive 管理数据的方式主要包括如下几种：内部表、外部表、分区和 Bucket(桶)。Hive 的数据存储在 Hadoop 分布式文件系统中。 Hive 本身是没有专门的数据存储格式，也没有为数据建立索引，只需要在创建表的时候告诉 Hive数据中的列分隔符和行分隔符， Hive 就可以解析数据。所以往Hive 表里面导入数据只是将数据复制到 Hive 表所在的 HDFS 目录中。

3.1 内部表¶

Hive 表逻辑上由存储的数据和描述表格中的数据形式的相关元数据组成。表存储的数据存放在 HDFS 分布式文件系统里，元数据存储在关系数据库里。当我们创建一张Hive 的表，还没有为表加载数据的时候，该表在分布式文件系统上就是个文件目录。

内部表的数据文件存储在 Hive 的数据仓库里，内部表做删除表，就删除了目录及数据。

3.2 外部表¶

外部表的数据不是放在自己表所属的目录中，而是放到别处，比如存放在 Hive 数据仓库外部的分布式文件系统上（ Hive 的数据仓库也就是 HDFS 上的个目录，这个目录是 Hive 数据文件存储的默认路径，它可以在 Hive 的配置文件里进行配置，最终也会存放到元数据库里〉。外部表做删除表，只是删除了元数据的信息，该外部表所指向的数据是不会被删除的。

3.3 分区表¶

一个表可以拥有个或者多个分区，每个分区以文件夹的形式单独存在表文件夹的目录下。分区避免 Hive Select 查询中扫描整个表内容，防止消耗很多时间做没必要的工作（例如每天的日志存放在个分区中，这样根据特定的日期查询）。

3.4 桶¶

桶是更为细粒度的数据范围划分， Hive 采用对指定列计算哈希 hash ，然后除以桶的个数求余的方式决定该条记录存放在哪个桶当中。桶是以文件的形式存放在表的目录下，每个桶对应一个文件。比如将 region表rid 列分散到 16 个桶中，首先对 id 列的值计算 hash，对应 hash 值为0数据存储的 HDFS 目录如为/user/hive/warehouse/rgion/part-00000 ，而 hash 值为 20 的数据存储的HDFS 录为/user/hive/warehouse/region/part-00020