江西电信网站备案,英文集团网站设计建设,视频解析网站制作,wordpress评论显示游客1Hive概览 1hive简介2hive架构3hive与Hadoop的关系4hive与传统数据库对比5hive的数据存储 1hive简介
Hive是基于Hadoop的一个数据仓库工具#xff0c;可以将结构化的数据文件映射为一张数据库表#xff0c;并提供类SQL查询功能。 其本质是将SQL转换为MapReduce/Spark的任务进… 1Hive概览 1hive简介2hive架构3hive与Hadoop的关系4hive与传统数据库对比5hive的数据存储 1hive简介
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数据库表并提供类SQL查询功能。 其本质是将SQL转换为MapReduce/Spark的任务进行运算底层由HDFS来提供数据的存储说白了hive可以理解为一个将SQL转换为MapReduce/Spark的任务的工具甚至更进一步可以说hive就是一个MapReduce/Spark Sql的客户端 为什么要使用hive ?
主要的原因有以下几点: 1.学习MapReduce的成本比较高, 项目周期要求太短, MapReduce如果要实现复杂的查询逻辑开发的难度是比较大的。 2.而如果使用hive, hive采用操作接口类似SQL语法, 提高快速开发的能力. 避免去书写MapReduce,减少学习成本, 而且提供了功能的扩展
hive的特点: 1.可扩展 : Hive可以自由的扩展集群的规模一般情况下不需要重启服务。 2.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。 3.容错 : 良好的容错性节点出现问题SQL仍可完成执行。
2hive架构 基本组成:
1.用户接口包括CLI、JDBC/ODBC、WebGUI。其中CLI(command line interface)为shell命令行JDBC/ODBC是Hive的JAVA实现与传统数据库JDBC类似WebGUI是通过浏览器访问Hive。
2.元数据存储通常是存储在关系数据库如mysql/derby中。Hive 将元数据存储在数据库中。Hive 中的元数据包括表的名字表的列和分区及其属性表的属性是否为外部表等表的数据所在目录等。
3.解释器、编译器、优化器、执行器:完成HQL 查询语句从词法分析、语法分析、编译、优化以及查询计划的生成。生成的查询计划存储在HDFS 中并在随后有MapReduce 调用执行。
3hive与Hadoop的关系
Hive利用HDFS存储数据利用MapReduce查询分析数据
4hive与传统数据库对比
hive主要是用于海量数据的离线数据分析 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。 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 TextFileSequenceFile 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 目录中。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。所有数据都会按照一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删除数据是在加载的时候中确定好的。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。 5.索引。之前已经说过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一个或者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 中大多数查询的执行是通过 Hadoop 提供的 MapReduce 来实现的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。另外一个导致 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 的可扩展性是一致的世界上最大的 Hadoop 集群在 Yahoo!2009年的规模在 4000 台节点左右。而数据库由于 ACID 语义的严格限制扩展行非常有限。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。 总结hive具有sql数据库的外表但应用场景完全不同hive只适合用来做批量数据统计分析。
5hive的数据存储
1.Hive中所有的数据都存储在 HDFS 中没有专门的数据存储格式可支持TextSequenceFileParquetFileORC格式RCFILE等 SequenceFile是hadoop中的一种文件格式 文件内容是以序列化的kv对象来组织的 2.只需要在创建表的时候告诉 Hive 数据中的列分隔符和行分隔符Hive 就可以解析数据。 3.Hive 中包含以下数据模型DB、TableExternal TablePartitionBucket。 -db在hdfs中表现为hive.metastore.warehouse.dir目录下一个文件夹。 -table在hdfs中表现所属db目录下一个文件夹。 -external table与table类似不过其数据存放位置可以在任意指定路径。 -partition在hdfs中表现为table目录下的子目录。 -bucket在hdfs中表现为同一个表目录下根据hash散列之后的多个文件。
