什么是 Hive?
Hive 是由 FaceBook 开源用于解决少量数据结构化日志的数据统计。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成一张表,并提供类SQL查询功能。Hive 处理的数据存储在 HDFS 上,分析数据的底层实现是 MapReduce ,执行程序运行的是YARN。
构建在Hadoop之上的数据仓库:
使用 HQL 作为查询接口
使用 HDFS 存储
使用 MapReduce 计算
本质是:将 HQL 转化成 MapReduce 程序
Hive架构
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
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,推荐采用MySQL存储Metastore
Hadoop
使用HDFS进行存储,使用MapReduce进行计算
驱动器:Driver
包含:解析器、编译器、优化器、执行器
解析器:将SQL字符串转换成抽象语法AST,这一步地般用第三方工具完成,比如antlr,对AST进行语法分析,比如表是否存在、字段是否存在、主义是否有误(比如select 中被判定为聚合的字段在group by中是否出现)
编译器:将AST编译生成逻辑执行计划
优化器:对逻辑执行语计划进行优化
执行器: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/TEZ/Spark
Hive的使用场景
数据的离线处理:比如:日志分析,海量结构化数据离线分析…
Hive的执行延迟比较高,因此hive常用于数据分析的,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 将元数据存储在数据库中(metastore),目前只支持 mysql、derby。