Hive的一些理解
首先谈一下关于hive和hbase的区别的疑问(完全不是一个东西):
本质上来说hive和hbase没什么关系,虽然都是表,查数据等,但是他们根本就不是一个层面的东西
hive就是一个rapduce的一个包装,hive就是将编写的sql转换成mapreduce任务
而hbase是什么呢?可以理解为是hdfs的一个包装,本质是数据存储的,一个nosql数据库,部署与hdfs之上的,目的是克服hdfs在随机读写上的缺点
你非得问hive和hbase有什么区别,那就相当于问mapreduce和hdfs有什么区别,所有谈他们的区别完全没有任何的意义
引入Hive原因:
– 对存在HDFS上的文件或HBase中的表进行查询时,是要手工写一堆MapReduce代码
– 对于统计任务,只能由动MapReduce的程序员才能搞定
Hive基于一个统一的查询分析层,通过SQL语句的方式对HDFS上的数据进行查询、统计和分析
由此可以看出来hive适合做数据查询、统计和分析,使用SQL语句(但是,hive的sql并不是一个标准的sql,只是类似于一个标准的sql,但不等价于一个标准的sql)对HDFS进行查询(mapreduce也是对HDFS进行查询等工作,所以hive本身并不会存储数据)
Hive到底是什么?
hive是基于Hadoop的一个数据仓库工具,可以将结构化的数据文件映射为一张数据库表,并提供简单的sql查询功能,可以将sql语句转换为mapreduce任务进行运行。
Hive中的表是纯逻辑表,就只是表的定义等,即表的元数据。本质就是Hadoop的目录/文件,达到了元数据与数据存储分离的目的
Hive本身不存储数据,它完全依赖HDFS和MapReduce
Hive的内容是读多写少,不支持对数据的改写和删除(0.14版本以后支持更新,但是得开启,默认关闭。由此可见hive不适合更新,因为hdfs也不适合修改!hdfs数据要修改,要么就是删除,要么就是追加,考虑到性能,大数据不建议频繁修改和删除)
Hive中没有定义专门的数据格式,由用户指定,需要指定三个属性:
– 列分隔符 : 空格, \t , \001
– 行分隔符: \n
– 读取文件数据的方法: TextFile ,SquenceFile,RCFile
TextFile(优点:可读性好。缺点:占内存空间,磁盘开销大)--------python,Streaming开发一般是这种格式
SquenceFile(二进制,是hadoop提供的一种二进制文件,<key,value>形式序列化到文件中,Java Writeable接口进行序列化和反序列化)------java开发一般是这种格式
RCFile(是Hive专门推出的,一种面向列的数据格式)---------实际上在mapreduce的map阶段远程拷贝的时候,本质是拷贝block,但是block依然是整个的数据,block没办法具体区分哪一个列,读过来就是全读,所以性能并不一定比TextFile好
为什么选择hive?
看一个wordcount
select word,count(*) form (select exploed(sentence, ' ') as word form article) t group by word
一行sql实现了一个单词计数,大量节省开发和学习成本,而且便于修改
Hive 中 的 sql 与传统 sql 区 别:
函数:
UDF:直接应用于select语句,通常查询的时候,需要对字段做一些格式化处理(例如:大小写转换,比如表里都是小写,但是就想显示全是大写)
特点:一进一出,一对一的关系
UDAF:多对一的关系,通常用于group by阶段
UDTP:一对多
读时模式:只有hive读的时候才会检查,解析字段和schema(数据结构的表达)
优点:load data非常迅速,因为在写的过程中不需要解析数据
写时模式:
优点:读的时候会得到优化
缺点:写的慢,需要建立一些索引,压缩,数据一致性,字段检查等...
与传统关系数据特点比较:
hive和关系数据库存储文件的系统不同,hive使用的是hadoop的HDFS(hadoop的分布式文件系统),关系数据库则是服务器本地的文件系统
hive使用的计算模型是mapreduce,而关系数据库则是自己设计的计算模型
关系数据库都是为实时查询的业务进行设计的,而hive则是为海量数据做数据挖掘设计的,实时性很差
Hive很容易扩展自己的存储能力和计算能力,这个是继承hadoop的,而关系数据库在这个方面要比数据库差很多
Hive体系架构:
分为三个部分:
用户接口:
CLI:client(Hive 的客户端,用户连接至 Hive Server,一般是linux下)进行交互执行sql,直接与Driver进行交互。
JDBC:Hive提供JDBC驱动,作为JAVA的API:JDBC是通过Thrift Server来接入,然后发给Driver
GUI:通过浏览器访问 Hive
语句转换(Driver------->hive本身并不会生成mapreduce,而是通过一个执行计划来执行mapreduce(xml----->mapper,reducer模块)):
解析器:生成抽象语法树
语法分析器:验证查询语句
逻辑计划生成器(包括优化器):生成操作符树
查询计划生成器:转换为map-reduce任务
元数据:
metastore------>是一个独立的关系型数据库,默认的数据库是derby(单用户常用)。真正的生产都是远程服务模式----->mysql
数据存储:
Hive数据以文件形式存储在HDFS的指定目录下
Hive语句生成查询计划,由MapReduce调用执行
Hive数据管理:
hive的表本质就是Hadoop的目录/文件
– hive默认表存放路径一般都是在你工作目录的hive目录里面,按表名做文件夹分开,如果你有分区表的话,分区值是子文件夹,可以直接在其它的M/R job里直接应用这部分数据
Hive有四种数据模型:
数据表:
Table:内部表
External Table:外部表
分区表:
Partition
Bucket
Table:
和传统数据库概念基本一致,都是一个数据表,但是每一个table在hive中都会有一个目录来存取数据
例如: 有表user ,因为hive不存储数据,都是在hdfs上,所以路径就在/warehouse/user/(注意:user不是一个文件,是一个目录)
Partition:
相当于分桶
好处:通常查询的时候会扫描整个表的内容,那就会消耗很多的时间
例如:select xxx form table where date='2019-03-07' limit 100 通常查询时候都会有where条件,但是这样查询也会扫描8,9....等等的数据,但是8,9号的数据对我们要查的来说完全没有意义,我们只需要7号的数据
引入partition能大大优化性能,分区表需要在创建表的时候引入一个partition的分区的空间,一个表可以有一个或多个分区,然后以单独的文件夹的形式存在表的文件夹下面(wherehorse/user/partition)
通常什么字段能做为分区字段呢?
不是所有的字段都适合做分区
1.通常这个字段是经常在where条件中做过滤用的
2.取值范围有点集合的字段(假设用户名做分区,那将会有无数个小文件,然而小文件会占用namenode内存区域,关于hdfs为什么不适合大量存储小文件,如果有时间会写hdfs的内容)
假设要对一天的数据做统计:
那就按照天做分区 day=20190307 路径位置/warehouse/table/20190307/
查询的时候where条件就成了一个文件夹了,然后对里面的内容做查询就可以了,不用查询其他的天数了
当多个字段做分区的时候,会按照笛卡尔迪的形式 action=insight, day=20190307 路径/warehouse/table/insight/20190307
Bucket:
开启bucket:set hive.enforce.bucketing = true
Hive会针对某一个列进行桶的组织,通常对列值做hash
假设:想存userid,然后这张表太大了,但是又想存数据,又不想突破一张表的的上限
分库:把一张表拆分成多个表
例如:分32库,userid%32=桶号
表名:table
分库后表名:table_0,table_1,table_2,table_3......table_32
每张表都不会重复,因为按照userid做的分桶
路径/warehouse/table/partition/part-00000
bucket有什么作用呢?
1.优化查询
2.方便采样
假设两张表,id相同,分区相同,当做join的时候,只需要join目标id相同的分桶就可以,其他的桶不需要理会,性能大大优化
两个分区表做join,他会自动激活map端的 (map-side Join)
Hive的内部表和外部表:
内部表:create table
外部表:create external table
内部表和外部表的区别:
内部表删除,表结构和数据都删除
外部表删除,只删除表结构,不删除数据(删除外部表怎么恢复?重新创建表)
- 在导入数据到外部表,数据并没有移动到自己的数据仓库目录下,也就是说外部表中的数据并不是由它自己来管理的!而表则不一样;
- 在删除表的时候,Hive将会把属于表的元数据和数据全部删掉;而删除外部表的时候,Hive仅仅删除外部表的元数据,数据是不会删除的!
Hive的数据类型:
基础类型:
• TINYINT
• SMALLINT
• INT
• BIGINT
• BOOLEAN
• FLOAT
• DOUBLE
• STRING
• BINARY(Hive 0.8.0以上才可用)
• TIMESTAMP(Hive 0.8.0以上才可用)
复合类型:
• Arrays:ARRAY<data_type>
• Maps:MAP<primitive_type, data_type>
• Structs:STRUCT<col_name: data_type[COMMENT col_comment],……>
• Union:UNIONTYPE<data_type, data_type,……>
Hive的一些理解的更多相关文章
- 对于HIVE架构的理解
1.Hive 能做什么,与 MapReduce 相比优势在哪里 关于hive这个工具,hive学习成本低,入手快,对于熟悉sql语法的人来说,操作简单,熟悉. 2.为什么说 Hive 是 Hadoo ...
- hive的简单理解--笔记
Hive的理解 数据仓库的工具 Hive仅仅是在hadoop上面包装了SQL: Hive的数据存储在hadoop上 Hive的计算由MR进行 Hive批量处理数据 Hive的特点 1 可扩展性(h ...
- hive:框架理解
1. 什么是hive •Hive是基于Hadoop的一个数据仓库工具,可以将结构化的数据文件映射为一张数据库表,并提供类SQL查询功能. •本质是将HQL转换为MapReduce程序 2. 为什么 ...
- 037 对于HIVE架构的理解
0.发展 在hive公布源代码之后 公司又公布了presto,这个比较快,是基于内存的. impala:3s处理1PB数据. 1.Hive 能做什么,与 MapReduce 相比优势在哪里 关于hi ...
- hive的初步认识与hive的本质
Hive是什么?就从这儿开始学习.... Hive是建立在Hadoop hdfs上的数据仓库基础架构. Hive可以用来数据抽取转换加载(ETL). Hive定义了简单的类SQL查询语句,称为HQL. ...
- Hive UDAF开发详解
说明 这篇文章是来自Hadoop Hive UDAF Tutorial - Extending Hive with Aggregation Functions:的不严格翻译,因为翻译的文章示例写得比较 ...
- Hbase—学习笔记(一)
此文的目的: 1.重点理解Hbase的整体工作机制 2.熟悉编程api,能够用来写程序 1. 什么是HBASE 1.1. 概念特性 HBASE是一个数据库----可以提供数据的实时随机读写 HB ...
- 大数据核心知识点:Hbase、Spark、Hive、MapReduce概念理解,特点及机制
今天,上海尚学堂大数据培训班毕业的一位学生去参加易普软件公司面试,应聘的职位是大数据开发.面试官问了他10个问题,主要集中在Hbase.Spark.Hive和MapReduce上,基础概念.特点.应用 ...
- hdfs数据到hive中,以及hdfs数据隐身理解
hdfs数据到hive中: 假设hdfs中已存在好了数据,路径是hdfs:/localhost:9000/user/user_w/hive_g2park/user_center_enterprise_ ...
随机推荐
- 工作中遇到的问题收集--.NET
一.拒绝访问 temp 目录.用来运行 XmlSerializer 的标识“IIS APPPOOL\MZJYMIS”没有访问 temp 目录的足够权限.CodeDom 将使用进程正在使用的用户帐户进行 ...
- CentOS7 配置静态 ip
1. 为 CentOS7 配置静态 ip 1.1 修改文件/etc/sysconfig/network-scripts/ifcfg-ens33 sudo vi /etc/sysconfig/netwo ...
- 最短路径Dijkstra matlab
Dijkstra: function [dist,pre, full_path]=MinRoad_Dijkstra(G,v0) n=0; if isfield(G,'w') && ~i ...
- 2018.09.01 09:08 Genesis
Nothing to think about, I don't know where to start, the mastery of learning is not an easy task, yo ...
- 阿里八八Alpha阶段Scrum(5/12)
今日进度 叶文滔: 与添加日程界面完成界面对接. 问题困难:发现浮动按钮拖曳存在BUG,无法正确判断拖曳与点击事件,已经修复为普通悬浮按钮. 林炜鸿: 绘制完成添加日程界面. 李嘉群: 1.尝试有关用 ...
- LVM操作
创建LVM,并挂载 1.对磁盘进行分区fdisk /dev/sdb [root@testdb ~]# fdisk /dev/sdbDevice contains neither a valid DOS ...
- Python csv.md
csv csv模块可以用于处理从电子表格和数据库导出的数据到带有字段和记录格式的文本文件,通常称为逗号分隔值(csv)格式,因为逗号通常用于分隔记录中的字段. Reading csv.reader(c ...
- 方法(method)和函数(function)的区别
函数是一段代码,通过名字来进行调用.它能将一些数据(参数)传递进去进行处理,然后返回一些数据(返回值),也可以没有返回值. 所有传递给函数的数据都是显式传递的. 方法也是一段代码,通过一个与对象相关联 ...
- CentOS 7的安装
一.引导系统之后 界面说明: Install CentOS 7 安装CentOS 7 Test this media & install CentOS 7 测试安装文件并安装CentOS ...
- pycham database查看db.sqlites文件 无内容解决方法
初学django,使用pycharm IDE的时候,通过使用默认的sqlites数据库,执行问makemigration 和migrate操作之后,控制台正常输出类似如下结果,按照道理应该生成了数据表 ...