Hive是一个构建在Hadoop上的数据仓库平台,其设计目标是.ppt

Hive 是一个构建在Hadoop 上的数据仓库平台，其设计目标是使Hadoop上的数据操作与传统SQL结合，让熟悉SQL编程的开发人员能够向Hadoop平台迁移。 Hive可以在HDFS上构建数据仓库来存储结构化的数据，这些数据来源于HDFS上的原始数据， Hive提供了类似SQL的查询语言HiveQL，可以执行查询，变换数据等操作。通过解析，HiveQL语言在底层被转化为相应的MapReduce操作。 Hive的体系结构 Hadoop H Job Tracker Name Node Hive Driver (Compiler, Optimizer, Executor) Thrift Server CLI JDBC/ ODBC Web GUI Metastore Hive相关组件： 外部接口：Hive提供了例如命令行(CLI)、Web界面等用户接口， 还提供了应用程序接口(API)例如 JDBC，ODBC等。 Thrift服务器：Hive Thrift服务器是一种跨语言服务的可伸缩软件框架。它结合律功能强大的软件堆栈的代码生成引擎，可以无缝的与C++、C#、Java、Python、PHP和Ruby结合。Thrift允许用户简单地定义文件中的数据类型和服务接口，编译器生成代码来实现RPC客户端和服务器之间的通信。 Hive内部集成了Thrift服务，支持在多种语言中运行Hive命令，使 客户端可以跨平台连接Hive。 Hive相关组件： 解析器(Driver)：包括解释器，编译器，优化器，执行器，通过这一系列对HiveQL查询语句的处理，最后生成查询计划。解析器管理着HiveQL语句在编译，优化和执行时的生命周期。当接收到一个HiveQL查询语句时，解析器会创建一个相对的句柄，这个句柄被用来追踪执行时间，输出行数等数据。 Hadoop：数据仓库和查询计划存储在HDFS上，计算过程由MapReduce执行。 Hive相关组件： 元数据库(Metastore)：管理系统目录，通常存储在关系数据库如MySQL，Derby中。Hive所有其他的组件都会与它进行交互。Hive的元数据中保存了表的属性和服务信息，为查询操作提供依据，默认的元数据库是内部的Derby，这种情况下metastore和其他Hive服务运行在同一个Java虚拟机里，只能允许建立单个会话，要实现多用户多会话支持，需要配置一个独立的元数据库。 数据在Hive里组织成表，分区和桶的形式 表：Hive里的表类似于关系数据库中的表。每个表都有一个对应的 HDFS目录。表中的数据被序列化后存储在该目录的文件中。 Hive提供了内置的序列化格式。用户还可以通过自定义序列化 和反序列化的方法去支持新的数据格式。每张表的序列化格式 存储在原数据库中，并在查询编译和执行时被自动调用。Hive 同时还支持数据存储在NFS，本地目录的外部表。 数据在Hive里组织成表，分区和桶的形式 分区：分区是表的部分列的集合。一个表可以有一个或者多个分区， 这些分区确定了数据在表目录下的分布情况。假设表T的数 据是在/wh/T目录下。如果T在列ds和ctry上被分区，那么 ds值ctry值为US的数据将会被存储到 /wh/T/dsctry=US的目录下。 桶：在每个分区中的数据可以根据列的哈希值进一步划分成桶，每 个桶在分区目录下都存在一个文件中。 Hive支持的数据类型(基本类型) 基本类型 大小 描述 TINYINT 1字节 有符号整数 SMALLINT 2字节 有符号整数 INT 4字节 有符号整数 BIGINT 8字节 有符号整数 FLOAT 4字节 单精度浮点数 DOUBLE 8字节 双精度浮点数 BOOLEAN ~ 取true/false STRING 最大2GB 字符串，类似于sql的varchar Hive支持的数据类型(复杂类型) 复杂类型 大小 描述 ARRAY 不限 一组有序字段，字段类型必须相同 MAP 不限 无序键值对，键值内部字段类型必须相同 STRUCT 不限 一组字段，字段类型可以不同 Hive提供了类似于SQL的查询语言 HiveQ