大数据开发之数仓工具Hive(一)_hive支持频繁数据更新吗

Hive产生的背景

Hive的产生是基于mr计算框架的，简单的说就是mr学习过于复杂，成本过高，所以hive的初心是对mr做一层包装，让大家能利于sql的优势来处理数据。

直接使用MapReduce处理大数据，将面临以下问题：

1：MapReduce 开发难度大，学习成本高(wordCount => Hello World)

2：Hdfs文件没有字段名、没有数据类型，不方便进行数据的有效管理

3：使用MapReduce框架开发，项目周期长，成本高

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(类似于RDBMS中的表)，并提供类SQL查询功能；Hive是由Facebook开源，用于解决海量结构化日志的数据统计。

Hive本质是：将 SQL 转换为 MapReduce 的任务进行运算

底层由HDFS来提供数据存储

可以将Hive理解为一个：将 SQL 转换为 MapReduce 任务的工具

如题：数仓是什么？

数据仓库(Data Warehouse)是一个面向主题的、集成的、相对稳定的、反映历史变化的数据集合，主要用于管理决策。(数据仓库之父比尔·恩门，1991年提出)。

1：数据仓库的目的：构建面向分析的、集成的数据集合；为企业提供决策支持

2：数据仓库本身不产生数据，数据来源于外部

3：存储了大量数据，对这些数据的分析和处理不可避免的用到Hive

Hive和RDBMS对比

由于 Hive 采用了类似SQL 的查询语言 HQL(Hive Query Language)，大数据培训因此很容易将Hive 理解为数据库。其实从结构上来看，Hive 和传统的关系数据库除了拥有类似的查询语言，再无类似之处。

查询语言相似：HQL <=> SQL 高度相似

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。

---

数据规模：Hive存储海量数据；RDBMS只能处理有限的数据集；

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；而RDBMS可以支持的数据规模较小。

---

执行引擎：Hive的引擎是MR/Tez/Spark/Flink；RDBMS使用自己的执行引擎 ，Hive中大多数查询的执行是通过 Hadoop 提供的 MapReduce 来实现的。而RDBMS 通常有自己的执行引擎。

---

数据存储：Hive保存在HDFS上；RDBMS保存在本地文件系统或裸设备，Hive 的数据都是存储在 HDFS 中的。而RDBMS是将数据保存在本地文件系统或裸设备中。

---

执行速度：Hive相对慢（MR/数据量）；RDBMS相对快；Hive存储的数据量大，在查询数据的时候，通常没有索引，需要扫描整个表；加之Hive使用MapReduce作为执行引擎，这些因素都会导致较高的延迟。而RDBMS对数据的访问通常是基于索引的，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并行的优 势

---

可扩展性：Hive支持水平扩展；通常RDBMS支持垂直扩展，对水平扩展不友好 Hive建立在Hadoop之上，其可扩展性与Hadoop的可扩展性是一致的（Hadoop集群 规模可以轻松超过1000个节点）。而RDBMS由于 ACID 语义的严格限制，行扩展非常 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。

---

数据更新：Hive对数据更新不友好；RDBMS支持频繁、快速数据更新 Hive是针对数据仓库应用设计的，数据仓库的内容是读多写少的。因此，Hive中不建议对数据进行改写操作，所有的数据都是在加载的时候确定好的。而RDBMS中的数据需要频 繁、快速的进行更新。

Hive的优缺点

Hive的优点

1：学习成本低。Hive提供了类似SQL的查询语言，开发人员能快速上手；

2：处理海量数据。底层执行的是MapReduce 任务；

3：系统可以水平扩展。底层基于Hadoop；

4：功能可以扩展。Hive允许用户自定义函数；

5：良好的容错性。某个节点发生故障，HQL仍然可以正常完成；

6：统一的元数据管理。元数据包括：有哪些表、表有什么字段、字段是什么类型；

Hive的缺点

1：HQL表达能力有限；

2：迭代计算无法表达；

3：Hive的执行效率不高(基于MR的执行引擎)；

4：Hive自动生成的MapReduce作业，某些情况下不够智能；

5：Hive的调优困难；

Hive架构

 

如上图：

用户接口 CLI(Common Line Interface)：Hive的命令行，用于接收HQL，并返回结果；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。

Thrift Server：Hive可选组件，是一个软件框架服务，允许客户端使用包括Java、C++、Ruby和其他很多种语言，通过编程的方式远程访问Hive；

元数据管理(MetaStore) Hive将元数据存储在关系数据库中(如mysql、derby)。Hive的元数据包括：数据库名、表名及类型、字段名称及数据类型、数据所在位置等；

解释器 (SQLParser) ：使用第三方工具（antlr）将HQL字符串转换成抽象语法树（AST）；对AST进行语法分析，比如字段是否存在、SQL语义是否有误、表是否存在；

编译器 (Compiler) ：将抽象语法树编译生成逻辑执行计划；

优化器 (Optimizer) ：对逻辑执行计划进行优化，减少不必要的列、使用分区等；

执行器 (Executr) ：把逻辑执行计划转换成可以运行的物理计划；

Hive通过CLI，JDBC/ODBC或HWI接受相关的Hive SQL查询，并通过Driver组件进行编译，分析优化，最后编程可执行的MapReduce任务。

如上图大家不好理解，也可根据下图查看具体的执行逻辑：

 

原创作者：Flying Young