Hadoop生态hive（一）介绍

一、Hive是什么

起源自facebook由Jeff Hammerbacher领导的团队，构建在Hadoop上的数据仓库框架。设计目的是让SQL技能良好，但Java技能较弱的分析师可以查询海量数据。2008年facebook把hive项目贡献给Apache。

由facebook开源，最初用于解决海量结构化的日志数据统计问题。ETL（Extraction-Transformation-Loading）数据抽取、加载、处理工具，构建在Hadoop之上的数据仓库。数据计算使用MR，数据存储使用HDFS。Hive 定义了一种类 SQL 查询语言——HQL，类似SQL，但不完全相同。通常用于进行离线数据处理（采用MapReduce），可认为是一个HQLMR的语言翻译器。

作为数据仓库工具，可以把Hadoop下的原始结构化数据变成Hive中的表，支持一种与SQL几乎完全相同的语言HiveQL。除了不支持更新、索引和事务，几乎SQL的其它特征都能支持。可以看成是从SQL到Map-Reduce的映射器。提供shell、JDBC/ODBC、Thrift、Web等接口。

二、为什么使用Hive

简单，容易上手，提供了类SQL查询语言HQL。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。统一的元数据管理（HCalalog），可与Pig、Presto等共享。

（1）Hive优点与长处

95%的Facebook任务由Hive写成，开发周期通常十分钟
Hive的所有执行，最终是转换为MapReduce
Hive的长处，在于数据统计如：pv,uv,ip的计算
group by，join
………………
精力放在数据逻辑上，优化数据结构和性能，而不再关注前人已经发明的轮子，不同同事之间的成果，可以方便的服用

（2）Hive缺点

Hive的HQL表达的能力有限：迭代式算法无法表达；有些复杂运算用HQL不易表达

Hive效率较低：Hive自动生成MapReduce作业，通常不够智能；HQL调优困难，粒度较粗；可控性差

三、Hive架构

（1）Hive的基本架构

1）用户接口
包括 CLI，JDBC/ODBC，WebUI
2）元数据存储（metastore）
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）
解释器、编译器、优化器、执行器
4）Hadoop
用 MapReduce 进行计算，用 HDFS 进行存储

（2）Hive的数据存储

1）Hive没有专门的数据存储格式，也没有为数据建立索引，用户可以非常自由的组织 Hive 中的表。
2）Hive 中所有的数据都存储在 HDFS 中，Hive 中包含以下数据模型：Table，External Table，Partition，Bucket。
3）Hive 中的 Table 和数据库中的 Table 在概念上是类似的，每一个 Table 在 Hive 中都有一个相应的目录存储数据。
例如表 tbl_pv放在目录 /wh/tbl_pv中，这里wh为hive-site.xml中${hive.metastore.warehouse.dir} 指定的数据仓库目录。
4）Hive 表中的一个 Partition 对应于表下的一个目录，所有的 Partition 的数据都存储在对应的目录中。
例如：tbl_pv 表中包含 ds 和 city 两个 Partition，则对应于 ds = 20090801, ctry = US 的 HDFS 子目录为：/wh/tbl_pv/ds=20090801/ctry=US；对应于 ds = 20090801, ctry = CA 的 HDFS 子目录为/wh/pvs/ds=20090801/ctry=CA

5）Buckets 对指定列计算 hash，根据 hash 值切分数据，每一个 Bucket 对应一个文件。可用于采样:

CREATE TABLE sales( id INT, name STRING)PARITIONED BY (ds STRING)CLUSTERED BY (id) INTO 32 BUCKETS;
SELECT id FROM sales TABLESAMPLE (BUCKET 1 OUT OF 32);

6）External Table 指向已经在 HDFS 中存在的数据，可以创建 Partition