搜索
Hive介绍研发技术分享21Hive简介22结构与功能介绍43适用场景114部署与简单操作32目录5问题指南42Hive简介3Hive起源于Facebook，它使得针对Hadoop进行SQL查询成为可能，从而非程序员也可以方便地使用。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，并提供完整的SQL查询功能，可以将SQL语句转换为MapReduce任务运行。4Hive是建立在Hadoop上的数据仓库基础构架。它提供了一系列的工具，可以用来进行数据提取转化加载（ETL），这是一种可以存储、查询和分析存储在Hadoop中的大规模数据的机制。Hive定义了简单的类SQL查询语言，称为HQL，它允许熟悉SQL的用户查询数据。同时，这个语言也允许熟悉MapReduce开发者的开发自定义的mapper和reducer来处理内建的mapper和reducer无法完成的复杂的分析工作。Hive是一种以SQL风格进行任何大小数据分析的工具，其特点是采取类似关系数据库的SQL命令。其特点是通过SQL处理Hadoop的大数据，数据规模可以伸缩扩展到100PB+，数据形式可以是结构或非结构数据。目录51Hive简介22结构与功能介绍43适用场景114部署与简单操作325问题指南42Hive的技术架构6Hive系统元数据存储(Metastore)驱动(Driver)查询编译器(QueryCompiler)执行引擎(ExecutionEngine)服务器(HiveServer)客户端组件可扩展接口部分服务端组件Driver组件：该组件包括Complier、Optimizer和Executor，它的作用是将我们写的HiveQL（类SQL）语句进行解析、编译优化，生成执行计划，然后调用底层的mapreduce计算框架。Metastore组件：元数据服务组件，这个组件存储hive的元数据，hive的元数据存储在关系数据库里，hive支持的关系数据库有derby、mysql。元数据对于hive十分重要，因此hive支持把metastore服务独立出来，安装到远程的服务器集群里，从而解耦hive服务和metastore服务，保证hive运行的健壮性，这个方面的知识，我会在后面的metastore小节里做详细的讲解。Thrift服务：thrift是facebook开发的一个软件框架，它用来进行可扩展且跨语言的服务的开发，hive集成了该服务，能让不同的编程语言调用hive的接口。7客户端组件CLI：commandlineinterface，命令行接口。Thrift客户端：上面的架构图里没有写上Thrift客户端，但是hive架构的许多客户端接口是建立在thrift客户端之上，包括JDBC和ODBC接口。WEBGUI：hive客户端提供了一种通过网页的方式访问hive所提供的服务。这个接口对应hive的hwi组件（hivewebinterface），使用前要启动hwi服务。8Hive执行流程9101Hive简介22结构与功能介绍43适用场景114部署与简单操作13目录5问题指南22适用场景业务场景非结构化数据的的离线分析统计。场景技术特点为超大数据集设计的计算、扩展能力。支持SQLlike查询语言。多表的join操作。支持非结构化数据的查询、计算。提供对数据存取的编程接口，支持jdbc、odbc。11首先，Hive已经用类SQL的语法封装了MapReduce过程，这个封装过程就是MapReduce的标准化的过程。我们在做业务或者工具时，会针对场景用逻辑封装，这是第二层封装是在Hive之上的封装。在第二层封装时，我们要尽可能多的屏蔽Hive的细节，让接口单一化，低少灵活性，再次精简HQL的语法结构。只满足我们的系统要求，专用的接口。在使用二次封装的接口时，我们已经可以不用知道Hive是什么,更不用知道Hadoop是什么。我们只需要知道，SQL查询(SQL92标准)，怎么写效率高，怎么写可以完成业务需要就可以了。构建标准化的MapReduce开发过程12在客户端启动一个作业。向JobTracker请求一个JobID。将运行作业所需要的资源文件复制到HDFS上，包括MapReduce程序打包的JAR文件、配置文件和客户端计算所得的输入划分信息。这些文件都存放在JobTracker专门为该作业创建的文件夹中。文件夹名为该作业的JobID。JAR文件默认会有10个副mapred.submit.replication属性控制，输入划分信息告诉了JobTracker应该为这个作业启动多少个map任务等信息。MapReduce流程分析13JobTracker节点JobTracker接收到作业后，将其放在一个作业队列里，等待作业调度器对其进行调度（这里是不是很像微机中的进程调度呢，呵呵），当作业调度器根据自己的调度算法调度到该作业时，会根据输入划分信息为每个划分创建一个map任务，并将map任务分配给TaskTracker执行。对于map和reduce任务，TaskTracker根据主机核的数量和内存的大小有固定数量的map槽和reduce槽。需要强调的是：map任务不是随随便便地分配给某个TaskTracker的，这里有个概念叫：数据本地化（Data-Local）将map任务分配给含有该map处理的数据块的TaskTracker上，同时将程序JAR包复制到该TaskTracker上来运行，这叫“运算移动，数据不移动”。而分配reduce任务时并不考虑数据本地化。TaskTracker每隔一段时间会给JobTracker发送一个心跳，告诉JobTracker它依然在运行，同时心跳中还携带着很多的信息，比如当前map任务完成的进度等信息。当JobTracker收到作业的最后一个任务完成信息时，便把该作业设置成“成功”。当JobClient查询状态时，它将得知任务已完成，便显示一条消息给用户。14MR实现过程15pageidage125225pageidage132225keyvalue1,3212,251keyvalue1,2512,251keyvalue2,2512,251keyvalue1,2511,321keyvaluecount2252keyvaluecount12511321mapreduceShufferSort1.每个输入分片会让一个map任务来处理，默认情况下，以HDFS的一个块的大小（默认为64M）为一个分片，当然我们也可以设置块的大小。map输出的结果会暂且放在一个环形内存缓冲区中（该缓冲区的大小默认为100M，由io.sort.mb属性控制），当该缓冲区快要溢出时（默认为缓冲区大小的80%，由io.sort.spill.percent属性控制），会在本地文件系统中创建一个溢出文件，将该缓冲区中的数据写入这个文件。2.在写入磁盘之前，线程首先根据reduce任务的数目将数据划分为相同数目的分区，也就是一个reduce任务对应一个分区的数据。这样做是为了避免有些reduce任务分配到大量数据，而有些reduce任务却分到很少数据，甚至没有分到数据的尴尬局面。其实分区就是对数据进行hash的过程。然后对每个分区中的数据进行排序，如果此时设置Combiner，将排序后的结果进行Combia操作，这样做的目的是让尽可能少的数据写入到磁盘。3.当map任务输出最后一个记录时，可能会有很多的溢出文件，这时需要将这些文件合并。合并的过程中会不断地进行排序和combia操作，目的有两个：1.尽量减少每次写入磁盘的数据量；2.尽量减少下一复制阶段网络传输的数据量。最后合并成了一个已分区且已排序的文件。为了减少网络传输的数据量，这里可以将数据压缩，只要将mapred.compress.map.out设置为true就可以了。4.将分区中的数据拷贝给相对应的reduce任务Map端161．Reduce会接收到不同map任务传来的数据，并且每个map传来的数据都是有序的。如果reduce端接受的数据量相当小，则直接存储在内存中（缓冲区大小由mapred.job.shuffle.input.buffer.percent属性控制，表示用作此用途的堆空间的百分比），如果数据量超过了该缓冲区大小的一定比例（由mapred.job.shuffle.merge.percent决定），则对数据合并后溢写到磁盘中。Reduce端3．合并的过程中会产生许多的中间文件（写入磁盘了），但MapReduce会让写入磁盘的数据尽可能地少，并且最后一次合并的结果并没有写入磁盘，而是直接输入到reduce函数。2．随着溢写文件的增多，后台线程会将它们合并成一个更大的有序的文件，这样做是为了给后面的合并节省时间。其实不管在map端还是reduce端，MapReduce都是反复地执行排序，合并操作。17讨论问题分区中的数据怎么知道它对应的reduce是哪个呢？其实map任务一直和其父TaskTracker保持联系，而TaskTracker又一直和JobTracker保持心跳。所以JobTracker中保存了整个集群中的宏观信息。只要reduce任务向JobTracker获取对应的map输出位置。那到底什么是Shuffle呢？Shuffle的中文意思是“洗牌”，如果我们这样看：一个map产生的数据，结果通过hash过程分区却分配给了不同的reduce任务，是不是一个对数据洗牌的过程呢？18SQL查询(SQL92标准)？191)支持更多的数据类型（DATE,TIME,TIMESTAMP,INTERVAL,BITstring,variable-lengthcharacterandbitstrings,andNATIONALCHARACTERstrings）2)除了表示SQL语言本身以外，还支持字符集和更多的排序规则3)支持更多的标量操作，如连接字符串和取子字符串的字符串操作，日期和时间操作，条件表达式4)在标量值查询表达式和表值查询表达式的使用上，增强了通用性和正交性5)更多的set操作符（例如，unionjoin,naturaljoin,setdifference,andsetintersection）6)能够在方案中定义域7)支持对方案的操作（特别是DROP和ALTER语句）8)支持在Ada、C、MUMPS语言中嵌入SQL语句（模块和嵌入式语法）9)更多的权限能力10)更多的引用完整性的能力，包括引用的动作，检查约束中的子查询，单独的断言用户控制约束的推迟11)信息方案的定义12)支持SQL语言的动态执行13)支持某些设施所需的远程数据库访问（尤其是连接的管理语句和合格的方案名称）14)支持临时表15)支持各级事务的一致性16)支持数据类型转换(各种数据类型使用CAST表达式)17)支持滚动游标18)具有标记的能力，以辅助应用程序的可移植性1.使用单独的数据库存储元数据2.定义合理的表分区和键3.设置合理的bucket数据量4.进行表压缩5.定义外部表使用规范6.合理的控制Mapper,Reducer数量Hive中MapReduce优化20SQL数据类型：INTTINYINT/SMALLINT/BIGINTBOOLEANFLOATDOUBLESTRINGBINARYTIMESTAMPARRAY,MAP,STRUCT,UNIONDECIMALSQL语法：SELECT,LOAD,INSERTfromqueryExpressionsinWHEREandHAVINGGROUPBY,ORDERBY,SORTBYCLUSTERBY,DISTRIBUTEBYSub-‐queriesinFROMclauseGROUPBY,ORDERBYROLLUPandCUBEUNIONLEFT,RIGHTandFULLINNER/OUTERJOINHive的SQL数据类型和SQL语法21Hive的SQL用MR实现22pageidage1252251322