hive基本概念
hive简介
hive是什么
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数据库表,并提供类SQL查询功能。
为什么使用hive
1)简单易上手。提供了类sql查询语言HQL,提供快速开发的能力。
2)避免了去写MapReduce,减少开发人员的学习成本。
3)统一的元数据管理(HCalalog)。可与pig,presto等共享。
4)为超大数据集设计的计算/扩展能力。MR作为计算引擎,HDFS作为存储系统。
hive的特点
-
可扩展
Hive可以自由的扩展集群的规模,一般情况下不需要重启服务。 -
延展性
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。 -
容错
良好的容错性,节点出现问题SQL仍可完成执行。
hive的系统架构
hive基本组成
1)用户接口
- CLI,JDBC/ODBC,WebUI
2)元数据存储(matastore)
- 默认存储在自带的数据库derby中,线上使用时一般换为MySQL
3)驱动器(Driver)
- 解析器,编译器,优化器,执行器
4)Hadoop
- 用MR计算,用HDFS存储
hive各组件基本功能
-
用户接口主要由三个:CLI、JDBC/ODBC和WebGUI。其中,CLI为shell命令行;JDBC/ODBC是Hive的JAVA实现,与传统数据库JDBC类似;WebGUI是通过浏览器访问Hive
-
元数据存储:Hive 将元数据存储在数据库中。Hive 中的元数据包括表的名字,表的列和分区及其属性,表的属性(是否为外部表等),表的数据所在目录等。
-
解释器、编译器、优化器完成 HQL 查询语句从词法分析、语法分析、编译、优化以及查询计划的生成。生成的查询计划存储在 HDFS 中,并在随后有 MapReduce 调用执行。
Hive与SQL的比较
1)查询语言
- hive使用类SQL的HQL
- sql使用sql
2)数据存储位置
- hive是将数据存储在HDFS中
- sql可以将数据保存在块设备或者本地文件系统中
3)数据格式
- Hive 中没有定义专门的数据格式,数据格式可以由用户指定,用户定义数据格式需要指定三个属性:列分隔符(通常为空格、” ”、”x001″)、行分隔符(” ”)以及读取文件数据的方法(Hive 中默认有三个文件格式 TextFile,SequenceFile 以及 RCFile)
- 数据库中,不同的数据库有不同的存储引擎,定义了自己的数据格式
4)数据更新
- 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中确定好的
- sql支持数据更新
5)执行延迟
- hive延迟性高
- sql延迟性低
6)扩展性
- hive扩展性好
- sql扩展性有限
7)索引
- hive和sql都支持索引
8)分区
hive和sql都支持分区
hive的数据存储
-
hive的所有数据存储基于hadoop的HDFS,hive没有专门的数据存储格式(可支持Text,SequenceFile,ParquetFile,RCFILE等)
-
在创建表时,指定Hive 数据的列分隔符和行分隔符,Hive 就可以解析数据
-
存储结构主要包括:数据库、文件、表、视图、索引
-
Hive 中包含以下数据模型:DB、Table,External Table,Partition,Bucket
1) db:在hdfs中表现为${hive.metastore.warehouse.dir}目录下一个文件夹
2) table:在hdfs中表现所属db目录下一个文件夹
3) external table:外部表, 与table类似,不过其数据存放位置可以在任意指定路径。普通表:删除表后,hdfs上的文件都删了;外部表删除后, hdfs上的文件没有删除, 只是把文件删除了
4) partition:在hdfs中表现为table目录下的子目录
5) bucket:桶, 在hdfs中表现为同一个表目录下根据hash散列之后的多个文件, 会根据不同的文件把数据放到不同的文件中