Hive简介及核心概念
This commit is contained in:
罗祥
202
notes/Hive简介及核心概念.md
Normal file
202
notes/Hive简介及核心概念.md
Normal file
@ -0,0 +1,202 @@
|
||||
# Hive简介及核心概念
|
||||
|
||||
<nav>
|
||||
<a href="#一简介">一、简介</a><br/>
|
||||
<a href="#二Hive的体系架构">二、Hive的体系架构</a><br/>
|
||||
<a href="#三数据类型">三、数据类型</a><br/>
|
||||
<a href="#31-基本数据类型">3.1 基本数据类型</a><br/>
|
||||
<a href="#32-隐式转换">3.2 隐式转换</a><br/>
|
||||
<a href="#33-复杂类型">3.3 复杂类型</a><br/>
|
||||
<a href="#四内容格式">四、内容格式</a><br/>
|
||||
<a href="#五存储格式">五、存储格式</a><br/>
|
||||
<a href="#六内部表和外部表">六、内部表和外部表</a><br/>
|
||||
</nav>
|
||||
|
||||
|
||||
## 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
|
||||
|
||||
<div align="center"> <img width="600px" src="https://github.com/heibaiying/BigData-Notes/blob/master/pictures/hive体系架构.png"/> </div>
|
||||
|
||||
### 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：
|
||||
|
||||
| 大类 | 类型 |
|
||||
| --------------------------------------- | ------------------------------------------------------------ |
|
||||
| **Integers（整型）** | TINYINT—1字节的有符号整数 <br/>SMALLINT—2字节的有符号整数<br/> INT—4字节的有符号整数<br/> BIGINT—8字节的有符号整数 |
|
||||
| **Boolean（布尔型）** | BOOLEAN—TRUE/FALSE |
|
||||
| **Floating point numbers（浮点型）** | FLOAT— 单精度浮点型 <br/>DOUBLE—双精度浮点型 |
|
||||
| **Fixed point numbers（定点数）** | DECIMAL—用户自定义精度定点数，比如DECIMAL(7,2) |
|
||||
| **String types（字符串）** | STRING—指定字符集的字符序列<br/> VARCHAR—具有最大长度限制的字符序列 <br/>CHAR—固定长度的字符序列 |
|
||||
| **Date and time types（日期时间类型）** | TIMESTAMP — 时间戳 <br/>TIMESTAMP WITH LOCAL TIME ZONE — 时间戳，纳秒精度<br/> 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 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。
|
||||
|
||||
### 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。
|
||||
|
||||
<div align="center"> <img src="https://github.com/heibaiying/BigData-Notes/blob/master/pictures/hive-data-type.png"/> </div>
|
||||
|
||||
|
||||
|
||||
### 3.3 复杂类型
|
||||
|
||||
| 类型 | 描述 | 示例 |
|
||||
| ---------- | ------------------------------------------------------------ | -------------------------------------- |
|
||||
| **STRUCT** | 类似于对象，是字段的集合，字段的类型可以不同，可以使用 `名称.字段名`方式进行访问 | STRUCT ('xiaoming', 12 , '2018-12-12') |
|
||||
| **MAP** | 键值对的集合，可以使用`名称[key]`的方式访问对应的值 | map('a', 1, 'b', 2) |
|
||||
| **ARRAY** | 数组是一组具有相同类型和名称的变量的集合，可以使用`名称[index]`访问对应的值 | ARRAY('a', 'b', 'c', 'd') |
|
||||
|
||||
|
||||
|
||||
### 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：
|
||||
|
||||
```sql
|
||||
CREATE TABLE students(
|
||||
name STRING, -- 姓名
|
||||
age INT, -- 年龄
|
||||
subject ARRAY<STRING>, --学科
|
||||
score MAP<STRING,FLOAT>, --各个学科考试成绩
|
||||
address STRUCT<houseNumber:int, street:STRING, city:STRING, province：STRING> --家庭居住地址
|
||||
) ROW FORMAT DELIMITED FIELDS TERMINATED BY "\t";
|
||||
```
|
||||
|
||||
|
||||
|
||||
## 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 |
|
||||
| --------------- | ------------------------------------------------------------ |
|
||||
| **\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，<br/>在CREATE TABLE语句中也可以使用八进制编码`\002` 表示 |
|
||||
| **^C** | 用于 MAP 中键和值之间的分割，在CREATE TABLE语句中也可以使用八进制编码`\003` 表示 |
|
||||
|
||||
使用示例如下：
|
||||
|
||||
```sql
|
||||
CREATE TABLE page_view(viewTime INT, userid BIGINT)
|
||||
ROW FORMAT DELIMITED
|
||||
FIELDS TERMINATED BY '\001'
|
||||
COLLECTION ITEMS TERMINATED BY '\002'
|
||||
MAP KEYS TERMINATED BY '\003'
|
||||
STORED AS SEQUENCEFILE;
|
||||
```
|
||||
|
||||
|
||||
|
||||
## 五、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：
|
||||
|
||||
| 格式 | 说明 |
|
||||
| ---------------- | ------------------------------------------------------------ |
|
||||
| **TextFile** | 存储为纯文本文件。 这是Hive默认的文件存储格式。这种存储方式数据不做压缩，磁盘开销大，数据解析开销大。 |
|
||||
| **SequenceFile** | SequenceFile是Hadoop API提供的一种二进制文件，它将数据以<key,value>的形式序列化到文件中。这种二进制文件内部使用Hadoop的标准的Writable 接口实现序列化和反序列化。它与Hadoop API中的MapFile 是互相兼容的。Hive中的SequenceFile 继承自Hadoop API 的SequenceFile，不过它的key为空，使用value存放实际的值，这样是为了避免MR在运行map阶段进行额外的排序操作。 |
|
||||
| **RCFile** | RCFile文件格式是FaceBook开源的一种Hive的文件存储格式，首先将表分为几个行组，对每个行组内的数据按列存储，每一列的数据都是分开存储。 |
|
||||
| **ORC Files** | ORC是在一定程度上扩展了RCFile，是对RCFile的优化。 |
|
||||
| **Avro Files** | Avro是一个数据序列化系统，设计用于支持大批量数据交换的应用。它的主要特点有：支持二进制序列化方式，可以便捷，快速地处理大量数据；动态语言友好，Avro提供的机制使动态语言可以方便地处理Avro数据。 |
|
||||
| **Parquet** | Parquet是基于Dremel的数据模型和算法实现的，面向分析型业务的列式存储格式。它通过按列进行高效压缩和特殊的编码技术，从而在降低存储空间的同时提高了IO效率。 |
|
||||
|
||||
> 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。
|
||||
|
||||
### 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：
|
||||
|
||||
```sql
|
||||
CREATE TABLE page_view(viewTime INT, userid BIGINT)
|
||||
ROW FORMAT DELIMITED
|
||||
FIELDS TERMINATED BY '\001'
|
||||
COLLECTION ITEMS TERMINATED BY '\002'
|
||||
MAP KEYS TERMINATED BY '\003'
|
||||
STORED AS SEQUENCEFILE;
|
||||
```
|
||||
|
||||
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
|
||||
|
||||
|
||||
|
||||
## 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：
|
||||
|
||||
| | 内部表 | 外部表 |
|
||||
| ------------ | ------------------------------------------------------------ | ------------------------------------------------------------ |
|
||||
| 数据存储位置 | 内部表数据存储的位置由hive.metastore.warehouse.dir参数指定，默认情况下表的数据存储在HDFS的`/user/hive/warehouse/数据库名.db/表名/` 目录下 | 外部表数据的存储位置创建表时由`Location`参数指定； |
|
||||
| 导入数据 | 在导入数据到内部表，内部表将数据移动到自己的数据仓库目录下，数据的生命周期由Hive来进行管理 | 外部表不会将数据移动到自己的数据仓库目录下，只是在元数据中存储了数据的位置 |
|
||||
| 删除表 | 删除元数据（metadata）和文件 | 只删除元数据（metadata） |
|
||||
|
||||
|
||||
|
||||
## 参考资料
|
||||
|
||||
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)
|
||||
Reference in New Issue
Block a user