Hive通俗的特性
- 结构化数据文件变为数据库表
- sql查询功能
- sql语句转化为MR运行
- 建立在hadoop的数据仓库基础架构
- 使用hadoop的HDFS存储文件
- 实时性较差（应用于海量数据）
- 存储、计算能力容易拓展（源于Hadoop）
支持这些特性的架构
CLI（command line interface）、JDBC/ODBC、Thrift Server、WEB GUI、metastore和Driver(Complier、Optimizer和Executor)
服务端
- Driver：包括了Complier、Optimizer和Executor。将Hive sql解析，编译，优化，生成执行计划
- Metastore ：存储hive元数据（描述数据的数据，比如一行数据里面，单个数据的名字叫啥，类型是啥，注释是啥，以及表本身的框架） 解耦hive服务和metastore服务
- Thrift：可扩展且跨语言的服务的开发，hive集成服务支持不同编程语言调用hive的接口、
客户端
- CLI： 命令行接口
- Thrift客户端： hive架构的接口基于thrift客户端（如 JDBC， 面向java的连接； ODBC 开放数据连接）
- WEBGUI：网页访问Hive服务接口
Hive执行MR的过程
- User Interface用executeQuery接口，hql发送给Driver
- driver 生成 session handle, 并发送给Compiler
- Compiler 从metastore获取元数据
- 元数据检查类型后，对为此调整分区，生成计划
- Compiler 生成DAG ，每个stage都可能涉及M/R job， 元数据操作， HDFS文件操作
- 每个M/R中，查询结果以临时文件方式放在HDFS中，临时文件由Execution Engine从HDFS读取，作为Driver返回内容
特点
- Hive加载数据的时候不对数据检查 （关系型是检查的，若加载数据不符合模式会拒绝执行，称之为写时模式 ），也不更改加载的数据文件，查询的时候检查数据格式 （读时模式）
- 写时模式加载过程中索引，数据会压缩，加载数据较慢。数据加载好后查询较快
- 读时模式适用于数据非结构化，存储模式未知的情况
- hive不支持对特定行的操作，只支持覆盖 原数据和追加数据
- hive不支持事务，索引
- hive的更新操作为：原表数据转化后存在新表
- hive支持和hbase集成，实现快速查询，但需要提供sql语法解析外壳
- hive可认为是MR的包装
Spark通俗的特性
兼容hive
组件
- SQLContext：封装spark关系型功能
- DataFrame：分布式，命名列阻止的数据集合，可转化为RDD，支持已有的RDD、结构化数据文件、JSON数据集、Hive表、外部数据库创建DF
sql运行架构
- sql语句进行解析，判断出表达式，projection，datasource等（projection可以理解为select的列的集合）
- sql语句和数据字典（列，table， view）绑定。
- 选出最优的执行计划
- 按Operation datasource result次序执行（可以不读取物理表读取缓冲池返回结果）
Hive on MR 与 SparkSql区别
两者基本相同，但sql解析器不一样（spark做了较多优化）
| Hive | spark | |
|---|---|---|
| 场景 | 离线，非实时 | 实时要求高，速度快的场景 |
| 速度 | 慢 | 快，比传统MR块10-100倍 |
表
表的元数据存储在什么地方
- 内存数据库derby，快，轻量，不稳定
- MySql数据库 持久化好
建表方式
- 直接建表
- 查询建表（通过select得到的结果生成新的表）
- like建表（无数据，结构一致）
表的分类
内部表，外部表
默认创建内部表，创建外部表，需要加上external关键字修饰，还可通过location指定Hive仓库的路径
区别
| 内部表 | 外部表 | |
|---|---|---|
| drop | 删除元数据和文件 | 只删除元数据 |
| load | 数据移动到指定路径 | 不移动到数据仓库目录下 |
优先使用外部表
- 不删除数据，方便数据恢复
- 不加载数据到hive，减少数据传输
- 不对HDFS数据修改
数据处理都用hql完成的话，选择内部表