数据仓库工具Hive

数据仓库(Data Warehouse)是一个面向主题的、集成的、相对稳定的、反映历史变化的数据集合，主要用于管理决策。(数据仓库之父比尔·恩门，1991年提出)。

  • 数据仓库的目的：构建面向分析的、集成的数据集合；为企业提供决策支持。

  • 数据仓库本身不产生数据，数据来源于外部。

  • 存储了大量数据，对这些数据的分析和处理不可避免的用到Hive。

Hive产生背景

使用MapReduce处理大数据，将面临以下问题：

  1. MapReduce 开发难度大，学习成本高(wordCount => Hello World)。

  2. Hdfs文件没有字段名、没有数据类型，不方便进行数据的有效管理。

  3. 使用MapReduce框架开发，项目周期长，成本高。

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(类似于RDBMS中的表)，并提供类SQL查询功能。

Hive是由Facebook开源，用于解决海量结构化日志的数据统计。

Hive本质是将SQL转换为MapReduce的任务进行运算，底层由HDFS来提供数据存储，可以将Hive理解为一个将SQL转换为MapReduce任务的工具。

Hive和RDBMS对比

  • 查询语言相似。HQL <=> SQL 高度相似

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。

  • 数据规模。Hive存储海量数据；RDBMS只能处理有限的数据集

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；而RDBMS可以支持的数据规模较小。

  • 执行引擎。Hive的引擎是MR/Tez/Spark/Flink；RDBMS使用自己的执行引擎

Hive中大多数查询的执行是通过Hadoop提供的MapReduce来实现的。而RDBMS通常有自己的执行引擎。

  • 数据存储。Hive保存在HDFS上；RDBMS保存在本地文件系统或裸设备

Hive的数据都是存储在HDFS中的。而RDBMS是将数据保存在本地文件系统或裸设备中。

  • 执行速度。Hive相对慢（MR/数据量）；RDBMS相对快；

Hive存储的数据量大，在查询数据的时候，通常没有索引，需要扫描整个表；加之Hive使用MapReduce作为执行引擎，这些因素都会导致较高的延迟。而RDBMS对数据的访问通常是基于索引的，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并行的优势。

  • 可扩展性。Hive支持水平扩展；通常RDBMS支持垂直扩展，对水平扩展不友好

Hive建立在Hadoop之上，其可扩展性与Hadoop的可扩展性是一致的（Hadoop集群 规模可以轻松超过1000个节点）。而RDBMS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。

  • 数据更新。Hive对数据更新不友好；RDBMS支持频繁、快速数据更新

Hive是针对数据仓库应用设计的，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RDBMS中的数据需要频繁、快速的进行更新。

Hive的优缺点

  • Hive的优点

    学习成本低。Hive提供了类似SQL的查询语言，开发人员能快速上手；

    处理海量数据。底层执行的是MapReduce 任务；

    系统可以水平扩展。底层基于Hadoop；

    功能可以扩展。Hive允许用户自定义函数；

    良好的容错性。某个节点发生故障，HQL仍然可以正常完成；

    统一的元数据管理。元数据包括：有哪些表、表有什么字段、字段是什么类型；

  • Hive的缺点

    HQL表达能力有限；

    迭代计算无法表达；

    Hive的执行效率不高(基于MR的执行引擎)；

    Hive自动生成的MapReduce作业，某些情况下不够智能；

    Hive的调优困难；

Hive架构


用户接口 CLI(Common Line Interface) ：Hive的命令行，用于接收HQL，并返回结果；JDBC/ODBC：是指Hive的java实现，与传统数据库JDBC类似；WebUI：是指可通过浏览器访问Hive；

HiveServer ：Hive可选组件，是一个软件框架服务，允许客户端使用包括Java、C++、Ruby和其他很多种语言，通过 编程的方式远程访问Hive；

元数据管理(MetaStore) ：Hive将元数据存储在关系数据库中(如mysql、derby)。Hive的元数据包括：数据库名、表名及类型、字段名称及数据类型、数据所在位置等；

驱动程序(Driver) : 解析器 (SQLParser) : 使用第三方工具（antlr）将HQL字符串转换成抽象语法树（AST）；对AST进行语法分析，比如字段是否存在、SQL语义是否有误、表是否存在；编译器 (Compiler) ：将抽象语法树编译生成逻辑执行计划；优化器 (Optimizer) ：对逻辑执行计划进行优化，减少不必要的列、使用分区等；执行器 (Executr) ：把逻辑执行计划转换成可以运行的物理计划；