大数据开发之数仓工具Hive（一）

　　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)，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
　　推荐阅读：
　　大数据开发之Hive
　　大数据开发之数据仓库Hive
　　大数据开发技术-Hive实战
　　大数据开发技术之Hive的构架原理