编程教育资源分享平台

网站首页 > 后端开发 正文

看完这一篇数据仓库干货,终于搞懂什么是hive了

luoriw 2024-04-04 12:50:22 后端开发 13 ℃ 0 评论

一、Hive定义

Hive最早来源于FaceBook ,因为FaceBook网站每天产生海量的结构化日志数据,为了对这些数据进行管理,并且因为机器学习的需求,产?了Hive这们技术,并继续发展成为?个成功的Apache项?。

1、定义

Hive是?个基于Hadoop的数据仓库?具,可以将结构化的数据文件映射成?张数据表,并可以使用类似SQL的方式来对数据文件进行读写以及管理,这套Hive SQL简称HQL。Hive的执行引擎可以是MapReduce、Spark、Tez。

2、本质

Hive的本质是将HQL转换成MapReduce任务,完成整个数据的分析查询,减少编写MapReduce的复杂度

二、Hive的优缺点

1、优点

学习成本低:提供了类SQL查询语?HQL,使得熟悉SQL语?的开发?员无需关心细节,可以快速上手。

海量数据分析:底层是基于海量计算到MapReduce实现.

可扩展性:为超大数据集设计了计算/扩展能力(MR作为计算引擎,HDFS作为存储系统),Hive可以自由的扩展集群的规模,?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。

良好的容错性:某个数据节点出现问题HQL仍可完成执行。

统计管理:提供了统?的元数据管理

2、缺点

Hive的HQL表达能力有限

迭代式算法无法表达

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

三、Hive的架构

1、用户连接接口

CLI:是指Shell命令行 JDBC/ODBC:是指Hive的JAVA实现,与传统数据库JDBC类似。 WebUI:是指可通过浏览器访问Hive。

2、Thrift server

hive的可选组件,此组件是?个软件框架服务,允许客户端使用包括Java、C++、Ruby和其他很多种语研,通过编程的方式远程访问Hive。

3、元数据

Hive将元数据存储在数据库中,如mysql、derby。Hive中的元数据包括(表名、表所属的数据库名、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)

4、驱动(Driver)

解析器(SQL Parser):将HQL字符串转换成抽象语法树AST,这?步?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(Compiler):对hql语句进行词法、语法、语义的编译(需要跟元数据关联),编译完成后会生成?个执行计划。hive上就是编译成mapreduce的job。

优化器(Optimizer):将执行计划进行优化,减少不必要的列、使用分区、使?索引等。优化job。

执行器(Executer):将优化后的执行计划提交给hadoop的yarn上执行。提交job

四、Hive与关系型数据库的异同

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?HQL。熟悉SQL开发的开发者可以很方便的使用Hive进行开发。

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。

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、"\t"、"\x001")、行分隔符("\n")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)。

由于在加载数据的过程中,不需要从用户数据格式到Hive定义的数据格式的转换,因此,Hive在加载的过程中不会对数据本身进行任何修改,而只是将数据内容复制或者移动到相应的HDFS录中。

而在数据库中,不同的数据库有不同的存储引擎,定义了自己的数据格式。所有数据都会按照?定的组织存储,因此,数据库加载数据的过程会比较耗时。

4、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中确定好的。

?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?UPDATE…SET修改数据。

5、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?个或几个列建立索引,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。

6、执行:

Hive中?多数查询的执行是通过Hadoop提供的MapReduce来实现的(类似select * from tbl的查询不需要MapReduce)。而数据库通常有自己的执行引擎。

7、执行延迟:

之前提到,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?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。

8、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?致的。

而数据库由于ACID语义的严格限制,扩展性非常有限。目前最先进的并行数据库Oracle在理论上的扩展能力也只有100台左右。

9、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。

本文暂时没有评论,来添加一个吧(●'◡'●)

欢迎 发表评论:

最近发表
标签列表
最新留言