# Hive简介及核心概念 ## 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： | 大类 | 类型 | | --------------------------------------- | ------------------------------------------------------------ | | **Integers（整型）** | TINYINT—1字节的有符号整数
SMALLINT—2字节的有符号整数
INT—4字节的有符号整数
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
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
VARCHAR—具有最大长度限制的字符序列
CHAR—固定长度的字符序列 | | **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 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。
### 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, --学科 score MAP, --各个学科考试成绩 address STRUCT --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，
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)