Hive介绍和原理分析

什么是Hive?

Hive是一个基于Hadoop的开源 数据仓库工具，用于存储(HDFS)和处理(MapReduce)海量 结构化数据。使用mapreduce计算，HDFS储存。

为什么要用它？

利用其灵活的SQL语法可以帮我我们进行复杂统计分析之类的活，不需要传统的数据人员了解mapreduce分布式计算的编写，通过传统的sql解决大数据的计算问题，降低难度。

与关系型数据库有什么区别？

1.使用的文件系统不同，hive使用的是hadoop的HDFS（hadoop的分布式文件系统），关系数据库则是服务器本地的文件系统；

2.hive使用mapreduce做运算，比传统数据库相比运算数据规模要大得多；

3.关系数据库都是为实时查询的业务进行设计的，而hive则是为海量数据做数据挖掘设计的，实时性很差；实时性差导致hive的应用场景和关系数据库有很大的区别；

4.Hive很容易扩展自己的存储能力和计算能力，这个是继承hadoop的，而关系数据库在这个方面要比Hive差很多。

hive的 优缺点

优点：

1）Hive 使用类SQL 查询语法, 大限度的实现了和SQL标准的兼容，大大降低了传统数据分析人员处理大数据的难度

2）使用JDBC 接口/ODBC接口，开发人员更易开发应用；

3）以MR 作为计算引擎、HDFS 作为存储系统，为超大数据集设计的计算/ 扩展能力；

4）统一的元数据管理（Derby、MySql等）表存在哪 数据库在哪 和SQL相关的对象都保存在哪 保存在哪 谁创建的 啥时候修改，并可与Pig 、spark等共享；

弱点：

1）Hive 的 HQL 表达的能力有限，比如不支持UPDATE、非等值连接、DELETE、INSERT单条等；

2）由于Hive自动生成MapReduce 作业， HQL 调优困难；

3）粒度较粗，可控性差，是因为数据是读的时候进行类型的转换，mysql关系型数据是在写入的时候就检查了数据的类型。

4）hive生成MapReduce(shuffle失误)作业，高延迟，不适合实时查询。hive 害怕的就是数据倾斜问题 --> OOM

hive的组成

hive组件有服务端和客户端：

服务端组件：

Driver组件：该组件包括Complier(编译器)、Optimizer(优化器)和Executor(执行器)，它的作用是将HiveQL（类SQL）语句进行解析、编译优化，生成执行计划，然后调用底层的MapReduce计算框架。

Metastore组件：元数据服务组件，这个组件存取Hive的元数据，Hive的元数据存储在关系数据库里，Hive支持的关系数据库有Derby和Mysql。

作用是：客户端连接metastore服务，metastore再去连接MySQL数据库来存取元数据。

元数据：hive表所对应的字段、属性还有表所对应存储的HDFS目录。

客户端组件：

CLI：Command Line Interface，命令行接口。

JDBC/ODBC：Hive架构的JDBC和ODBC接口是建立在Thrift客户端之上。

WEBGUI：Hive客户端提供了一种通过网页的方式访问Hive所提供的服务。这个接口对应Hive的HWI组件（Hive Web Interface），使用前要启动HWI服务。

Thrift [θrɪft] 服务：Thrift是Facebook开发的一个软件框架，它用来进行可扩展且跨语言的服务的开发，Hive集成了该服务，能让不同的编程语言调用Hive的接口。

hive的执行流程

1）Execute Query：hive界面如命令行或Web UI将查询发送到Driver(任何数据库驱动程序如JDBC、ODBC,等等)来执行。

2）Get Plan:Driver根据查询编译器解析query语句,验证query语句的语法,查询计划或者查询条件。

3）Get Metadata：编译器将元数据请求发送给Metastore(数据库)。

4）Send Metadata：Metastore将元数据作为响应发送给编译器。

5）Send Plan：编译器检查要求和重新发送Driver的计划。到这里,查询的解析和编译完成。

6）Execute Plan:Driver将执行计划发送到执行引擎。

6.1）Execute Job:hadoop内部执行的是mapreduce工作过程,任务执行引擎发送一个任务到资源管理节点(resourcemanager)，资源管理器分配该任务到任务节点，由任务节点上开始执行mapreduce任务。

6.2）Metadata Ops：在执行引擎发送任务的同时,对hive的元数据进行相应操作。

7）Fetch Result： 执行引擎接收数据节点(data node)的结果。

8）Send Results: 执行引擎发送这些合成值到Driver。

9）Send Results：Driver将结果发送到hive接口。