数据仓库Hive（林子雨课程慕课）

文章目录

- - 9.数据仓库Hive
  - - 9.1 数据仓库的概念
    - 9.2 Hive简介
    - 9.3 SQL语句转换为MapReduce作业的基本原理
    - 9.4 Impla
    - - 9.4.1 Impala简介
      - 9.4.2 Impala系统架构
      - 9.4.3 Impala查询执行过程
      - 9.4.4 Impala与Hive的比较
    - 9.5 Hive的安装和基本操作
    - - 9.5.1 Hive安装
      - 9.5.2 Hive基本操作

9.数据仓库Hive

9.1 数据仓库的概念

数据仓库的概念
- 数据仓库是一个面向主题的、集成的、相对稳定的、反映历史变化的数据集合，用户支持管理决策
根本目的：基于数据仓库的分析结果->以支持企业内部的商业分析和决策->作出相关的经营决策
数据仓库的体系结构：
数据仓库和传统数据库区别
- 仓库中的数据是相对稳定的，不会频繁发生变化，存储大量的历史数据
- 数据仓库基本上保留了历史上所有数据，保留历史而传统观数据库只能保留某一时刻状态的信息
传统数据仓库（基于关系型数据库）面临挑战
- 无法满足快速增长的海量数据存储需求
- 无法有效处理不同类型的数据：基于结构化存储，无法存储非结构化的数据
- 计算和处理能力不足：纵向扩展能力有限，水平扩展能力不足

9.2 Hive简介

Hive特点
- 传统的数据仓库既是数据存储产品也是数据分析产品
- 传统的数据仓库能同时支持数据的存储和处理分析
- Hive本身并不支持数据存储和处理
- 其实只是提供了一种编程语言
其架构于Hadoop之上，Hadoop有支持大规模数据存储的组件HDFS，以及支持大规模数据处理的组件MapReduce
Hive借助于这两个组件，完成数据的存储和处理
- 其依赖分布式文件系统HDFS存储睡
- 依赖分布式并行计算系统MapReduce处理数据
- 借鉴SQL语言设计了新的查询语言HiveQL
Hive总结
- 它定义了简单的类似SQL的查询语言HiveQL
- 并提供了HiveQL这种语句，来运行具体的MapReduce任务
- 支持了类似SQL的接口，很容易进行移植
- Hive是一个可以提供有效合理直观组织和使用数据的分析工具
Hive两个方面的特性
- 采用批处理的方式处理海量数据
- Hive提供了一系列对数据仓库进行提取、转换、加载(ETL)的工具
Hive与Hadoop生态的其他组件的关系
Pig和Hive的区别
- Pig更适合做数据的实时分析，而不是海量数据的批处理，主要是做数据的抽取、转换、加载环节
Hive和传统数据库的区别
- 其在很多方面与传统关系型数据库类似，但是其底层以来的是HDFS和MapReduce,所以在很多方面又有别于传统数据库
Hive在企业大数据分析平台中的应用
- Mahout:Hadoop平台上的开源组件，很多机器学习的算法，在Mahout上都已经实现了
Hive在Fackbook公司的应用
- Fackbook是Hive数据仓库的开发者
- FaceBook部署了大量的Web服务器
  - Web服务器日志流通过订阅服务器（Scribe Servers）将日志流收集整理，存入Filers(网络日志服务器)
  - Filers将其保存在分布式文件系统之上
Hive系统架构
- Hive对外访问接口
- 驱动模块（Driver）
- 元数据存储模块（Metastore）
- Qubbole、Karmasphere、Hue也可以直接访问Hive
Hive HA（High Availability）基本原理
- Hive很多时候会表现出不稳定
- Hive HA：在集群中设置多个Hive实例，并统一放入资源池，外部所有访问通过HAProxy进行访问
  - 首先用户访问HA Proxy
  - 然后对Hive实例进行逻辑可用性测试，若不可用，则将其加入黑名单，继续测试下一个Hive实例是否可用
  - 每隔一定的周期，HA Proxy会重新对列入黑名单的实例进行统一处理

9.3 SQL语句转换为MapReduce作业的基本原理

SQL中的连接操作转换为MapReduce作业
- Join的实现原理
- 连接操作
  - 编写一个Map处理逻辑
  - Map处理逻辑输入关系数据库的表
  - 通过Map对它进行转换，生成一系列键值对
- group by的实现原理
Hive如何将SQL语句转为MapReduce操作：当用户向Hive输入一段命令或者查询时，Hive需要和Hadoop交互工作来完成该操作
- 驱动模块接受该命令或者查询编译器
- 对该命令或查询进行解析编译
- 由优化器对该命令或查询进行优化计算
- 该命令或查询通过执行器进行执行
具体分为七步骤
- 由Hive驱动模块中的编译器对用户输入的SQL语句进行语法和词法解析，将SQL语句转化为抽象语法数的形式
- 抽象语法数的结构仍很复杂，不方便直接翻译为MapReduce算法程序，因此，需要把抽象语法数转为查询块
- 将查询块转化为逻辑查询计划，里面包含了许多逻辑操作符
- 重写逻辑查询计划，进行优化合并多余操作，减少MapReduce任务数量
- 将逻辑操作符转换成需要执行的具体MapReduce任务
- 对生成的MapReduce任务进行优化生成最终的MapReduce任务执行计划（物理计划）
- 由Hive驱动模块中的执行器对最终的MapReduce任务进行执行输出
- 简单说明

9.4 Impla

9.4.1 Impala简介

Hive是建立在Hadoop平台之上，且其依赖底层的MapReduce和HDFS,所以它的延迟比较高
Impala底层也是构建在HDFS和HBase之上

9.4.2 Impala系统架构

Impala系统架构
- Impala和Hive、HDFS、HBase都是统一部署在一个Hadoop平台上面
Impala的典型组件
- Impalad:负责具体相关的查询任务
  
  其包含三个模块：
  - Impalad作用
- State Store：负责元数据数据管理和状态管理
  - 每个查询提交，系统会为其创建一个StateStored进程
  - 作用
- CLI：用户访问接口
  - 作用
  - Impala的元数据是直接存储在Hive中的,它是借助Hive来存储Impala的元数据
  - mpala采用与Hive相同的元数据、相同的SQL语法、相同的ODBC驱动程序和用户接口
  - 在—个Hadoop平台上可以统一部署Hive和Impala等分析工实现在一个平台上面可以同时满足批处理和实时查询

9.4.3 Impala查询执行过程

查询执行过程框图
- 0.注册和订阅
- 1.提交查询
- 2.获取元数据和数据地址
- 3.分发查询任务
- 汇聚结果
- 返回结果

9.4.4 Impala与Hive的比较

Hive和Impala的不同点
- Hive适合于长时间的批处理查询分析，而Impala适合于实时交互式SQL查询
- Hive依赖于MapReduce计算框架，Impala把执行计划表现为一棵完整的执行计划树，直接分发执行计划到各个Impalad执行查询
- Hive在执行过程中，如果内存放不下所有数据则会使用外存，以保证查询能顺序执行完成;
  Impala在遇到内存放不下数据时，不会利用外存所以Impala目前处理查询时会受到一定的限制
Hive和Impala的相同点
- Hive和Impala使用相同的存储数据池，都支持把数据存储于HDFS和HBase中
- Hive与Impala使用相同的元数据
- Hive与Impala中对SQL的解释处理比较相似，都是通过词法分析生成执行计划
总结
- Impala的目的不在于替换现有的MapReduce工具
- 把Hive与Impala配合使用效果最佳
- 可以先使用Hive进行数据转换处理，之后再使用Impala在Hive处理后的结果数据集上进行快速的数据分析