205 lines
13 KiB
Markdown
205 lines
13 KiB
Markdown
# 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://gitee.com/heibaiying/BigData-Notes/raw/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://gitee.com/heibaiying/BigData-Notes/raw/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)
|
||
|
||
|
||
<div align="center"> <img src="https://gitee.com/heibaiying/BigData-Notes/raw/master/pictures/weixin-desc.png"/> </div> |