尚硅谷大数据Hive课件.doc

尚硅谷大数据技术之Hive ————————————————————————————— 更多Java –大数据 –前端 –python人工智能资料下载，可百度访问：尚硅谷官网 尚硅谷大数据技术之Hive (作者：尚硅谷大数据研发部) 版本：V1.3 第1章 Hive入门 1.1 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。 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 1.2 Hive的优缺点 1.2.1 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。 1.2.2 缺点 1．Hive的HQL表达能力有限 （1）迭代式算法无法表达 （2）数据挖掘方面不擅长 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 （2）Hive调优比较困难，粒度较粗 1.3 Hive架构原理 图6-1 Hive架构原理 1．用户接口：Client CLI（hive shell）、JDBC/ODBC(java访问hive)、WEBUI（浏览器访问hive） 2．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 3．Hadoop 使用HDFS进行存储，使用MapReduce进行计算。 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，就是MR/Spark。 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。 1.4 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。 1.4.1 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。 1.4.2 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。 1.4.3 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。 1.4.4 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 \o "Hadoop知识库"