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。
2、Hive的本质
将 HQL
转化成 MapReduce
程序。
- 将
HQL
转化成MapReduce
程序; -
Hive
分析数据底层的实现是MapReduce
; - 执行程序运行在
Yarn
上。
3、Hive的优缺点
3.1、优点
- 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); - 避免了去写
MapReduce
,减少开发人员的学习成本; -
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; -
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; -
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。
3.2、缺点
Hive
的HQL
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;
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。
4、Hive架构
- 用户接口:
Client
CLI(command-line interface)
、JDBC/ODBC
(jdbc
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
- **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。 - 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
): 把逻辑执行计划转换成可以运行的物理计划。对于Hive
来 说,就是MR/Spark
。
5、Hive的运行机制
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。
6、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。 本文将从多个方面来阐述 Hive
和数据库的差异。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,清楚这一点,有助于从应用角度理解 Hive
的特性。
6.1、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。
6.2、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,因此可以使用 INSERT INTO … VALUES
添加数据,使用 UPDATE … SET
修 改数据。
6.3、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。
6.4、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。
7、基本数据类型
对于 Hive
的 String
类型相当于数据库的 varchar
类型,该类型是一个可变的字符串,不过它不能声明其中最多能存储多少个字符,理论上它可以存储 2GB 的字符数。
| Java 数据类型 | 长度 | 例子 |
|
|
| 20 |
|
|
| 20 |
|
|
| 20 |
|
|
| 20 |
|
| 布尔类型, |
|
|
| 单精度浮点数 | 3.14159 |
|
| 双精度浮点数 | 3.14159 |
|
| 字符系列。可以指定字 符集。可以使用单引号或者双 引号。 | " |
| 时间类型 | ||
| 字节数组 |
8、集合数据类型
Hive
有三种复杂数据类型 ARRAY
、MAP
和 STRUCT
。ARRAY
和 MAP
与 Java 中的Array
和 Map
类似,而 STRUCT
与 C 语言中的 Struct
类似,它封装了一个命名字段集合,复杂数据 类型允许任意层次的嵌套。
数据类型 | 描述 | 语法示例 |
| 和C语言中的 |
|
| MAP是一组键-值对元组集合,使用数字表示法可以访问数据。例如,如果某个列的数据类型是 |
|
| 数组是一组具有相同类型和名称的变量的集合,这些变量称为数组的元素,每个数组元素斗鱼一个编号,编号从零开始。例如,数组值为 |
|
9、类型转换
Hive
有三种复杂数据类型 ARRAY
、MAP
和 STRUCT
。ARRAY
和 MAP
与 Java 中的 Array
和 Map
类似,而 STRUCT
与 C 语言中的 Struct
类似,它封装了一个命名字段集合,复杂数据 类型允许任意层次的嵌套。
9.1、隐式类型转换规则
- 任何整数类型都可以隐式地转换为一个范围更广的类型,如
TINYINT
可以转换成INT
,INT
可以转换成BIGINT
。 - 所有整数类型、
FLOAT
和STRING
类型都可以隐式地转换成DOUBLE
。 -
TINYINT
、SMALLINT
、INT
都可以转换为FLOAT
。 -
BOOLEAN
类型不可以转换为任何其它的类型。
9.2、可以使用 CAST 操作显示进行数据类型转换
例如 CAST('1' AS INT)
将把字符串’1’ 转换成整数 1;如果强制类型转换失败,如执行 CAST('X' AS INT)
,表达式返回空值 NULL
。
select '1'+2, cast('1'as int) + 2;