diff --git a/README.md b/README.md index 395d2ba..832a883 100644 --- a/README.md +++ b/README.md @@ -58,10 +58,9 @@ ## 二、Hive -1. [数据仓库Hive简介](https://github.com/heibaiying/BigData-Notes/blob/master/notes/Hive.md) +1. [Hive简介及核心概念](https://github.com/heibaiying/BigData-Notes/blob/master/notes/Hive简介及核心概念.md) 2. [Linux环境下Hive的安装部署](https://github.com/heibaiying/BigData-Notes/blob/master/notes/installation/Linux环境下Hive的安装部署.md) 4. [Hive CLI和Beeline命令行的基本使用](https://github.com/heibaiying/BigData-Notes/blob/master/notes/HiveCLI和Beeline命令行的基本使用.md) -5. [Hive 核心概念讲解](https://github.com/heibaiying/BigData-Notes/blob/master/notes/Hive核心概念讲解.md) 6. [Hive 常用DDL操作](https://github.com/heibaiying/BigData-Notes/blob/master/notes/Hive常用DDL操作.md) 7. [Hive 分区表和分桶表](https://github.com/heibaiying/BigData-Notes/blob/master/notes/Hive分区表和分桶表.md) 8. [Hive 视图和索引](https://github.com/heibaiying/BigData-Notes/blob/master/notes/Hive视图和索引.md) diff --git a/notes/Hive.md b/notes/Hive.md deleted file mode 100644 index b5e817c..0000000 --- a/notes/Hive.md +++ /dev/null @@ -1,58 +0,0 @@ -# 数据仓库——Hive - - - - - - -## 一、简介 - -Hive是一个构建在Hadoop之上的数据仓库，它可以将结构化的数据文件映射成表，并提供类SQL查询功能，用于查询的SQL语句会被转化为MapReduce作业，然后提交到Hadoop上运行。 - -**特点**： - -1. 简单、容易上手(提供了类似sql的查询语言hql)，使得精通sql但是不了解Java编程的人也能很好地进行大数据分析； -3. 灵活性高，可以自定义用户函数(UDF)和存储格式； -4. 为超大的数据集设计的计算和存储能力，集群扩展容易; -5. 统一的元数据管理，可与presto／impala／sparksql等共享数据； -5. 执行延迟高，不适合做数据的实时处理，但适合做海量数据的离线处理。 - - - -## 二、Hive的体系架构 - -
- -### 2.1 command-line shell & thrift/jdbc - -可以用command-line shell和thrift／jdbc两种方式来操作数据： - -+ **command-line shell**：通过hive命令行的的方式来操作数据； -+ **thrift／jdbc**：通过thrift协议按照标准的JDBC的方式操作数据。 - -### 2.2 Metastore - -在Hive中，表名、表结构、字段名、字段类型、表的分隔符等统一被称为元数据。所有的元数据默认存储在Hive内置的derby数据库中，但由于derby只能有一个实例，也就是说不能有多个命令行客户端同时访问，所以在实际生产环境中，通常使用MySQL代替derby。 - -Hive进行的是统一的元数据管理，就是说你在Hive上创建了一张表，然后在presto／impala／sparksql 中都是可以直接使用的，它们会从Metastore中获取统一的元数据信息，同样的你在presto／impala／sparksql中创建一张表，在Hive中也可以直接使用。 - -### 2.3 执行流程 - -1. 客户端提交的SQL后首先会通过SQL Parser进行解析，把语句解析成**抽象语法树**后转换成**逻辑性执行计划**； -2. 接着查询优化工具Query Optimizer会对**逻辑性执行计划**进行优化，生成**物理性执行计划**（physical plan）； -3. 在生成物理执行计划中，还包括一些序列化和反序列化操作(SerDes)，以及解析用户自定义函数(User Defined Functions，UTFs)的操作； -4. 接着物理执行计划被转换为MapReduce作业，提交到Hadoop上执行； - - - -## 参考资料 - -1. [Hive Getting Started](https://cwiki.apache.org/confluence/display/Hive/GettingStarted) -2. [Hive - 建立在Hadoop架构之上的数据仓库](https://zhuanlan.zhihu.com/p/29209577) - diff --git a/notes/Hive核心概念讲解.md b/notes/Hive简介及核心概念.md similarity index 63% rename from notes/Hive核心概念讲解.md rename to notes/Hive简介及核心概念.md index d176b77..27a2ce0 100644 --- a/notes/Hive核心概念讲解.md +++ b/notes/Hive简介及核心概念.md @@ -1,14 +1,67 @@ -# Hive基本概念讲解 +# Hive简介及核心概念 -## 一、数据类型 -### 1.1 基本数据类型 +## 一、简介 + +Hive是一个构建在Hadoop之上的数据仓库，它可以将结构化的数据文件映射成表，并提供类SQL查询功能，用于查询的SQL语句会被转化为MapReduce作业，然后提交到Hadoop上运行。 + +**特点**： + +1. 简单、容易上手(提供了类似sql的查询语言hql)，使得精通sql但是不了解Java编程的人也能很好地进行大数据分析； +3. 灵活性高，可以自定义用户函数(UDF)和存储格式； +4. 为超大的数据集设计的计算和存储能力，集群扩展容易; +5. 统一的元数据管理，可与presto／impala／sparksql等共享数据； +5. 执行延迟高，不适合做数据的实时处理，但适合做海量数据的离线处理。 + + + +## 二、Hive的体系架构 + +
+ +### 2.1 command-line shell & thrift/jdbc + +可以用command-line shell和thrift／jdbc两种方式来操作数据： + ++ **command-line shell**：通过hive命令行的的方式来操作数据； ++ **thrift／jdbc**：通过thrift协议按照标准的JDBC的方式操作数据。 + +### 2.2 Metastore + +在Hive中，表名、表结构、字段名、字段类型、表的分隔符等统一被称为元数据。所有的元数据默认存储在Hive内置的derby数据库中，但由于derby只能有一个实例，也就是说不能有多个命令行客户端同时访问，所以在实际生产环境中，通常使用MySQL代替derby。 + +Hive进行的是统一的元数据管理，就是说你在Hive上创建了一张表，然后在presto／impala／sparksql 中都是可以直接使用的，它们会从Metastore中获取统一的元数据信息，同样的你在presto／impala／sparksql中创建一张表，在Hive中也可以直接使用。 + +### 2.3 HQL的执行流程 + +Hive在执行一条HQL的时候，会经过以下步骤： + +1. 语法解析：Antlr定义SQL的语法规则，完成SQL词法，语法解析，将SQL转化为抽象 语法树AST Tree； +2. 语义解析：遍历AST Tree，抽象出查询的基本组成单元QueryBlock； +3. 生成逻辑执行计划：遍历QueryBlock，翻译为执行操作树OperatorTree； +4. 优化逻辑执行计划：逻辑层优化器进行OperatorTree变换，合并不必要的ReduceSinkOperator，减少shuffle数据量； +5. 生成物理执行计划：遍历OperatorTree，翻译为MapReduce任务； +6. 优化物理执行计划：物理层优化器进行MapReduce任务的变换，生成最终的执行计划。 + +> 关于Hive SQL的详细执行流程可以参考美团技术团队的文章：[Hive SQL的编译过程](https://tech.meituan.com/2014/02/12/hive-sql-to-mapreduce.html) + + + +## 三、数据类型 + +### 3.1 基本数据类型 Hive表中的列支持以下基本数据类型： @@ -22,13 +75,12 @@ Hive表中的列支持以下基本数据类型： | **Date and time types（日期时间类型）** | TIMESTAMP — 时间戳
TIMESTAMP WITH LOCAL TIME ZONE — 时间戳，纳秒精度
DATE—日期类型 | | **Binary types（二进制类型）** | BINARY—字节序列 | ->TIMESTAMP 和 TIMESTAMP WITH LOCAL TIME ZONE 的区别如下： +> TIMESTAMP 和 TIMESTAMP WITH LOCAL TIME ZONE 的区别如下： > ->+ **TIMESTAMP WITH LOCAL TIME ZONE**：用户提交时间给数据库时，会被转换成数据库所在的时区来保存。查询时则按照查询客户端的不同，转换为查询客户端所在时区的时间。 -> ->+ **TIMESTAMP** ：提交什么时间就保存什么时间，查询时也不做任何转换。 +> - **TIMESTAMP WITH LOCAL TIME ZONE**：用户提交时间给数据库时，会被转换成数据库所在的时区来保存。查询时则按照查询客户端的不同，转换为查询客户端所在时区的时间。 +> - **TIMESTAMP** ：提交什么时间就保存什么时间，查询时也不做任何转换。 -### 1.2 隐式转换 +### 3.2 隐式转换 Hive中基本数据类型遵循以下的层次结构，按照这个层次结构，子类型到祖先类型允许隐式转换。例如INT类型的数据允许隐式转换为BIGINT类型。额外注意的是：按照类型层次结构允许将STRING类型隐式转换为DOUBLE类型。 @@ -36,7 +88,7 @@ Hive中基本数据类型遵循以下的层次结构，按照这个层次结构 -### 1.3 复杂类型 +### 3.3 复杂类型 | 类型 | 描述 | 示例 | | ---------- | ------------------------------------------------------------ | -------------------------------------- | @@ -46,7 +98,7 @@ Hive中基本数据类型遵循以下的层次结构，按照这个层次结构 -### 1.4 示例 +### 3.4 示例 如下给出一个基本数据类型和复杂数据类型的使用示例： @@ -62,14 +114,14 @@ CREATE TABLE students( -## 二、内容格式 +## 四、内容格式 当数据存储在文本文件中，必须按照一定格式区别行和列，如使用逗号作为分隔符的CSV文件(Comma-Separated Values)或者使用制表符作为分隔值的TSV文件(Tab-Separated Values)。但此时也存在一个缺点，就是正常的文件内容中也可能出现逗号或者制表符。 所以Hive默认使用了几个平时很少出现的字符，这些字符一般不会作为内容出现在文件中。Hive默认的行和列分隔符如下表所示。 -| 分隔符 | 描述 | -| ----------- | ------------------------------------------------------------ | +| 分隔符 | 描述 | +| --------------- | ------------------------------------------------------------ | | **\n** | 对于文本文件来说，每行是一条记录，所以可以使用换行符来分割记录 | | **^A (Ctrl+A)** | 分割字段(列)，在CREATE TABLE语句中也可以使用八进制编码 `\001` 来表示 | | **^B** | 用于分割 ARRAY 或者 STRUCT 中的元素，或者用于 MAP 中键值对之间的分割，
在CREATE TABLE语句中也可以使用八进制编码`\002` 表示 | @@ -88,9 +140,9 @@ CREATE TABLE page_view(viewTime INT, userid BIGINT) -## 三、存储格式 +## 五、存储格式 -### 3.1 支持的存储格式 +### 5.1 支持的存储格式 Hive会在HDFS为每个数据库上创建一个目录，数据库中的表是该目录的子目录，表中的数据会以文件的形式存储在对应的表目录下。Hive支持以下几种文件存储格式： @@ -105,7 +157,7 @@ Hive会在HDFS为每个数据库上创建一个目录，数据库中的表是该 > 以上压缩格式中ORC和Parquet的综合性能突出，使用较为广泛，推荐使用这两种格式。 -### 3.2 指定存储格式 +### 5.2 指定存储格式 通常在创建表的时候使用`STORED AS`参数指定： @@ -121,20 +173,15 @@ CREATE TABLE page_view(viewTime INT, userid BIGINT) 各个存储文件类型指定方式如下： - STORED AS TEXTFILE - - STORED AS SEQUENCEFILE - - STORED AS ORC - - STORED AS PARQUET - - STORED AS AVRO - - STORED AS RCFILE -## 四、内部表和外部表 +## 六、内部表和外部表 内部表又叫做管理表(Managed/Internal Table)，创建表时不做任何指定，默认创建的就是内部表。想要创建外部表(External Table)，则需要使用External进行修饰。 内部表和外部表主要区别如下： @@ -146,9 +193,10 @@ CREATE TABLE page_view(viewTime INT, userid BIGINT) +## 参考资料 -## 参考文档 - -1. [LanguageManual DDL](https://cwiki.apache.org/confluence/display/Hive/LanguageManual+DDL) -2. [LanguageManual Types](https://cwiki.apache.org/confluence/display/Hive/LanguageManual+Types) -3. [Managed vs. External Tables](https://cwiki.apache.org/confluence/display/Hive/Managed+vs.+External+Tables) +1. [Hive Getting Started](https://cwiki.apache.org/confluence/display/Hive/GettingStarted) +2. [Hive SQL的编译过程](https://tech.meituan.com/2014/02/12/hive-sql-to-mapreduce.html) +3. [LanguageManual DDL](https://cwiki.apache.org/confluence/display/Hive/LanguageManual+DDL) +4. [LanguageManual Types](https://cwiki.apache.org/confluence/display/Hive/LanguageManual+Types) +5. [Managed vs. External Tables](https://cwiki.apache.org/confluence/display/Hive/Managed+vs.+External+Tables)