hive基础介绍
- 一、Hive介绍
- 二、Hive架构与运行机制
- 2.1 Hive架构
- 2.2 Hive的运行机制
- 三、Hive的数据类型和数据存储类型
- 3.1、数据类型
- 3.2、数据存储类型
- 四、Hive的操作、查询与函数
- 4.1、数据操作
- 4.2、数据查询
- 4.3、连接查询
- 4.4、内置函数
一、Hive介绍
Hive是基于Hadoop的数据仓库工具，是建立在Hadoop上的数据仓库基础架构，用于存储和处理海量的结构化数据，属于Hadoop生态系统的一个重要部分，如图1.1所示。Hive数据仓库底层的数据存储，依赖的是Hadoop平台的分布式文件系统（HDFS），而不是传统的关系型数据库，Hive数据仓库的底层计算处理数据依赖的是Hadoop平台的分布式计算框架MapReduce。Hive数据仓库拥有一套完整的类数据库的数据定义语言、数据操作语言和结构化查询语言。
图1.1 Hadoop生态系统
Hive采用HQL查询语言对海量数据进行自动化的管理和计算，使得操作Hive就像操作关系型数据库一样，Hive与传统关系型数据库的对比如表1.1所示。Hive可以将结构化的数据文件映射为一张表，但这些表实际是以分布式的形式存储在Hadoop平台的HDFS分布式文件系统中，Hive通过提供类SQL的查询功能，对HQL语句进行解析和转换，生成基于Hadoop平台的map/reduce任务，并交由Yarn运行。
Hive的优势在于处理大数据，对于处理小数据没有优势，因为Hive没有像数据库一样的索引功能，总是扫描全表数据，因此Hive的执行延迟比较高，也因此在实时性要求较高的场合不适用，更宜用于离线的数据分析；Hive采用类SQL的语法，不必编写MapReduce，减少学习成本；支持用户自定义函数。但Hive也拥有其自身的不足，首先Hive的HQL语言表达能力有限，无法实现迭代式算法，对于数据挖掘方面的工作不擅长； Hive自动生成的MapReduce作业，通常情况下不够智能化，效率比较低；调优比较困难，粒度较粗。
表1.1 Hive与传统关系型数据库的对比
Hive | 关系型数据库（MySQL） | |
数据规模 | 大，PB级以上 | 小，GB以内 |
查询语言 | HQL | SQL |
使用场景 | 为数据仓库而设计，读多写少 | 用于在线的应用，实时操作 |
数据存储 | 建立在Hadoop之上，存储在HDFS中 | 块设备或本地系统均可 |
数据改写 | 当前已支持，不建议使用 | 支持 |
执行时延 | 全表扫描和MapReduce框架有较高延迟，在大规模数据访问时，其并行访问更具优势 | 有索引，延迟低 |
语句执行 | 由Hadoop提供的MapReduce实现 | Executor物理线程 |
可扩展性 | 高可扩展性，和Hadoop的可扩展性一致 | 扩展性有限，由于数据库的ACID语义严格限制 |
二、Hive架构与运行机制
2.1 Hive架构
图2.1 Hive架构图
如图2.1所示为Hive的架构图，其中包括了Hive的底层存储、执行引擎、解释器、编译器、优化器、用户开发界面等。
MetaStore：元数据，描述数据的信息数据，比如某个表的元数据，包括表名、表所属的数据库、表的类型、表的数据目录等；
用户开发界面：包括CLI(命令行接口)、JDBC，作为用户接口，用以访问hive，通过建立连接，可以进行查看、创建、插入、查询、删除等操作；
Sql Parser解析器：将SQL转换成抽象语法树，一般用第三方工具库完成；对抽象语法树进行语法分析，比如表是否存在、字段是否存在、SQL语义是否有误；
Physical Plan编译器：将抽象语法树编译生成逻辑执行计划；
Query Optimizer优化器：对逻辑执行计划进行优化；
Execution执行器：把逻辑执行计划转换成可以运行的物理计划。对Hive而言，就是 MR/Spark；
HDFS：Hadoop分布式文件存储系统，hive数据文件存放的地方。
2.2 Hive的运行机制
当创建表的时候，需要指定HDFS文件路径，表和其文件路径会保存到MetaStore，从而建立表和数据的映射关系。当数据加载该表时，根据MetaStore中的映射获取到对应的HDFS路径，将数据导入。
用户输入HQL语句后，Hive会将其翻译成MapReduce或者Spark任务，提交到Yarn上面执行，执行成功将返回结果。
Hive默认将元数据存储在Derby数据库中，但Derby是基于内存的，其仅支持单线程操作，若有一个用户在操作，其他用户则无法使用，造成效率不高；而且在切换目录后，重新进入Hive会找不到原来已经创建的数据库和表，因此一般用MySQL存储元数据。
三、Hive的数据类型和数据存储类型
3.1、数据类型
Hive所拥有的基本数据类型：TINYINT、SMALLINT、INT、BIGINT、FLOAT、DOUBLE、STRING、DOUBLE、BINARY。各数据类型之间的转换关系如下所示：
（1）TINYINT，SMALINT→INT→BIGINT→FLOAT→DOUBLE；
（2）STRING→DOUBLE；
（3）BOOLEAN不参与转换，可以使用CAST操作进行数据类型转换。
集合数据类型：STRUCT、MAP、ARRAY。通过使用非标准格式的数据类型，以数据冗余、牺牲存储空间的方式来换取数据计算处理速度，实现对数据更高的吞吐量。
3.2、数据存储类型
database：数据库，在HDFS中表现为hive/metastore/warehouse/dir目录下的一个文件夹。可以进行创建、查看和删除操作；
internal table：内部表，也就是管理表，是Hive中默认的表类型，在HDFS中表现为所属database目录下的一个文件夹，Hive控制着管理表的整个生命周期，当删除表时，表对应的数据文件也会被删除。可以进行创建、查询、修改、注释、删除、分区、指定行列分隔符等操作。
external table：外部表，与table类似，在创建表时需要加关键字external，并指定表的存储位置，外部表的数据存放的位置可以在任意指定路径，其数据的生命周期不受Hive控制，可以和其他外部表进行数据的共享，是实际开发中主要使用的一种表。在实际工作中，我们先通过flume采集数据，把数据上传到HDFS中，然后在Hive中创建外部表和HDFS上的数据绑定关系，就可以使用SQL查询数据了，所以连load数据那一步都可以省略了，因为是先有数据，才创建的表。可以进行创建、查询、修改、注释、删除、分区、指定行列分隔符等操作。
partition table：分区表，创建表时使用partitioned by关键字定义，是一种粗粒度的划分。分区表的意义在于优化查询，查询时尽量利用分区字段，如果不使用分区字段，就会全表扫描，最典型的一个场景就是把天作为分区字段，查询的时候指定天。分区表是为了解决在数据量激增的情况下，解决数据库存储和计算性能问题，提高I/O吞吐量。分为静态分区和动态分区，由于Hive的数据实际存储在HDFS，因此Hive的分区表是在HDFS中表现为table目录下的子目录，而不是一个实际字段。
bucket table：分桶表，创建表时使用clustered by （字段名） into （桶数量） buckets关键字定义，相对于分区表是一种更细粒度的划分，防止出现数据倾斜的问题。最典型的场景就是按省份人口划分的问题。分桶表可以实现对数据的抽样，并在一定条件下提高查询效率。其划分规则为对分桶的字段值取哈希值，用该哈希值除以桶的个数取模，余数相同的记录会被分在一个桶内，一个桶对应一个文件。在HDFS中表现为同一个目录下根据哈希值散列之后的多个文件。
view：视图，实际上是一张虚拟的表，是对数据的逻辑表示，它的主要作用是为了降低查询的复杂度。可以进行创建、查看、删除，但在warehouse中是不存在的。
四、Hive的操作、查询与函数
4.1、数据操作
（1）create table：创建一个指定名字的表。如果相同名字的表已经存在，则抛出异常；用户可以用 if not exists 选项来忽略这个异常。
（2）external：关键字可以让用户创建一个外部表，在建表的同时可以指定一个指向实际数据的路径（location），在删除表的时候，内部表的元数据和数据会被一起删除，而外部表只删除元数据，不删除数据。
（3）comment：为表和列添加注释。
（4）partitioned by：创建分区表。
（5）clustered by：创建分桶表。
（6）row format delimited [fields terminated by char][collection items terminated by char][map keys terminated by char][lines terminated by char]：指定分隔符。
（7）stored as：指定存储文件类型，常用的存储文件类型：sequencefile（二进制序列文件）、textfile（文本）、rcfile（列式存储格式文件）。
（8）location：指定表在hdfs上的存储位置。
（9）as：后跟查询语句，根据查询结果创建表。
4.2、数据查询
（1）From：从某个表中查询。
（2）Where：过滤。
（3）Group by：以某个字段分组进行聚合操作。
（4）聚合函数：统计运算。
（5）Having：分组后过滤。
（6）Select：挑选选择。
（7）Distinct：去重。
（8）Order by：排序。
（9）Limit：翻页。
查询语句的执行顺序：from→where→group by→聚合函数→having→select→ distinct→order by →limit。
4.3、连接查询
（1）内连接
使用join关键字，只有进行连接的两个表中都存在相匹配的数据才会被保留下来，分为等值连接和不等值连接。
（2）自然连接
使用natural join关键字，是在两张表中寻找那些数据类型和列名都相同的字段，然后将他们连接起来，并返回所有符合条件的结果，他是通过对参与表关系中所有同名的属性对进行相等比较来完成的，无需自己添加连接条件。与外连接的区别，对于无法匹配的记录，外连接会虚拟一条与之匹配的记录来保持全连接表中的所有记录，而自然连接不会。
（3）外连接：
左外连接：使用left outer join关键字，以连接中的左表为主，返回左表的所有信息和右表中符合连接条件的信息，对于右表中不符合连接条件的补空值。
右外连接：使用right outer join关键字，以连接中的右表为准，返回右表的所有信息和左表中符合连接条件的信息，对于左表中不符合连接条件的补空值。
（4）全外连接：使用full outer join关键字，查询结果等于左外连接和右外连接的和。
（5）自连接：将自身表的一个镜像当成另一个表来对待，适用于表自己和自己的连接查询。
4.4、内置函数
（1）数学函数：＋、－、×、/、round（四舍五入）、ceil（向上取整）、floor（向下取整）、pow（乘方）、pmod（取模）。
（2）字符函数：lower（转小写）、upper（转大写）、length（字符串长度）、concat（拼接）、substr（取子串）、instr（是否包含）、trim（去前后空格）、get_json_object（处理json对象）。
（3）转换函数：cast。
（4）日期函数：year（取年）、month（取月）、day（取日）、to_date（返回日期部分）。
（5）条件函数：case A when B then C else D end、if（A,B,C）。
（6）聚合函数：count（返回行数）、sum（某列求和）、min（某列最小值）、max（某列最大值）、avg（某列平均值）。
