一、Hive基本概念

1.1 什么是Hive

• Hive：由Facebook开源用于解决海量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为一张表，并提供类SQL查询功能。
• 本质是：将HQL/SQL转化成MapReduce程序。
  1）Hive处理的数据存储在HDFS。
  2) Hive分析数据底层的实现是MapReduce。
  3) 执行程序运行在Yarn上。

1.2 Hive的优缺点

• 1.2.1 优点

  1）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）。
  2）避免了去写MapReduce，减少开发人员的学习成本。
  3）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。
  4）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。
  5）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。

• 1.2.2 缺点

  1）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。

  2）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。

1.3 Hive结构原理

??如图中所示，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。

• 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。

1.4 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。

• 1.4.1 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。

• 1.4.2 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。

• 1.4.3 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中不支持对数据的改写和添加，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。

• 1.4.4 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。

• 1.4.5 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。

• 1.4.6 执行延迟
  ??Hive?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。

• 1.4.7 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。

• 1.4.8 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。

原文：https://www.cnblogs.com/nthforsth/p/12232232.html