Hive的基本介绍

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工具。

  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。

Hive 的优缺点有哪些？

 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的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

 缺点：

　　1、Hive的SQL表达能力有限

　　　　迭代式算法无法表达；

　　　　数据挖掘方面不擅长，由于MapReduce数据处理流程的限制，效率更高的算法却无法实现。

　　2、Hive 的效率比较低

　　　　Hive 自动生成的MapReduce作业，通常情况下不够智能化；

　　　　Hive 调优比较困难，粒度较粗。

Hive 架构原理？

　　1）用户接口：client

　　　　CLI（command-line interface）、JDBC/ODBC(jdbc访问hive)、WEBUI（浏览器访问hive）

　　2）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

　　3）Hadoop

　　　　使用HDFS进行存储，使用MapReduce进行计算。

　　4）驱动器：Driver

　　　　解析器（SQL Parser）：将SQL字符串转换成抽象语法树AST，这一步一般都是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。

　　　　编译器（Physical Plan）：将AST编译生成逻辑执行计划。

　　　　优化器（Query Optimizer）: 对逻辑执行计划进行优化。

　　　　执行器（Execution）：把逻辑执行计划转化成可以运行的物理计划。对于Hive来说，就是MR / Spark。

Hive 的运行机制：

　　Hive 通过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。

Hive 和 数据库的比较

　　Hive和数据除了拥有类似的查询语言，再无类似之处。

　　1、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。

　　2、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。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。

　　3、数据规模较小时，hive的延迟比数据库的执行延迟高。

　　　　原因一：hive在查询数据时，由于没有索引，需要扫描全表，延迟较高，

　　　　原因二：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；

　　　　当数据规模大到超过数据库的处理能力的时候，hive的并行计算就能体现出优势。