文章目录

• 一、 什么是Hive
• 二、 Hive的优缺点
• • 2.1 优点
  • 2.2 缺点
• 三、 Hive架构原理
• • 3.1 用户接口：Client
  • 3.2 元数据：Metastore
  • 3.3 结合Hadoop
  • 3.4 驱动器：Driver
• 四、 Hive和数据库比较
• • 4.1 查询语言
  • 4.2 数据更新
  • 4.3 执行延迟
  • 4.4 数据规模

一、 什么是Hive

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

大部分SQL语句都封装了MR程序（类SQL），之所以封装成SQL是因为基本程序员都会这玩意。

基于MR处理: 开发者—>分析需求—>编写MR—>得到结果
基于Hive处理: 开发者—>分析需求—>编写SQL—>Hive将SQL转化成MR—>得到结果

二、 Hive的优缺点

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。

2.2 缺点

1）Hive的HQL表达能力有限
（1）迭代式算法无法表达，表达能力有限（复杂的逻辑算法不好封装）
（2）数据挖掘方面不擅长，由于MapReduce数据处理流程的限制（比较慢，因为底层的缺点也都还在），效率更高的算法却无法实现。

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（机器翻译比较死板，可能不是最优解，但是一定可以实现）
（2）Hive调优比较困难，粒度较粗（只能在框架的基础上优化，不能深入底层MR程序优化）

三、 Hive架构原理

Hive都是用别人来存东西，自己一点都不存，只负责翻译HQL成MR程序

3.1 用户接口：Client

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

3.2 元数据：Metastore

HDFS数据文件没有被映射成数据库的表结构，文件中没有这些数据的描述性语句（元数据），这个得自己定义。

元数据包括：表所属数据库（默认是default）、表的拥有者、表名及表的注释、字段及字段的注释、列/分区字段、表的类型（是否是外部表）、表数据所在目录等。而表里面具体的内容则在HDFS里，很多框架比如Atlas就是监控元数据库matestore中的表信息来实现元数据管理，后面有时间会出一篇如何利用元数据库制作企业数仓数据字典以及常用SQL查询语句的文章；

元数据默认存储在自带的derby数据库（小巧但是很多缺点，比如不支持并发连接，可以理解为轻量级的MySQL数据库）中，一般都采用MySQL存储Metastore（即换成用MySQL来存元数据）。

3.3 结合Hadoop

使用HDFS进行存储，使用MapReduce进行计算。

3.4 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，引擎就是MR/Spark/Tez，后面甚至可能会支持Flink，不同的引擎在SQL翻译的逻辑和底层的程序是不一样的，比如MR引擎会把SQL翻译成MR，Spark引擎会把SQL翻译成RDD程序，Tez引擎外面用的比较少，可以理解为在MR的基础上做了DAG方向的基于内存的shuffle优化。

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。

四、 Hive和数据库比较

Hive不是数据库！他只是框架！！只是用法比较像，因为95%以上SQL语句都封装了MR程序，其实没什么可比性，只是语句很像。

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。

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。

4.2 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中不建议对历史数据的改写，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，虽然HQL也可以但是这样会慢，原理是先下载修改后上传。

4.3 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（如果没有分区分桶，则都是暴力扫描，复杂度都是ALL），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。

4.4 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，能用MySQL算的就不要用Hive了。