一、背景

在如今大型互联网公司中，数据其实就是公司的核心。而这个数据的概念中不仅包括了实时数据的查询展示，也包括了离线数据的分析与辅助决策。比如现在的App中流行的推荐功能，其都是依靠海量的数据喂给算法模型训练，然后才能够精准的预测和推荐出用户的喜爱。而海量的数据存储是依靠的数据仓库的搭建与大数据的开发处理，在大数据开发中，Hive是非常重要的数据统计工具。Apache Hive是基于Hadoop的一个数据仓库基础设施，它可以对存储在Hadoop HDFS中的大规模数据进行数据总结、查询和分析。Hive提供了一种类SQL的查询语言——HiveQL（Hive Query Language），使得用户可以方便地对海量数据进行操作。本文将先介绍数据仓库的相关概念，然后再详细介绍Hive的定义、架构、工作原理、应用场景，旨在帮助读者全面了解和掌握Hive的基本原理。

二、数据仓库

2.1 数据仓库概念

数据仓库（英语：Data Warehouse，简称数仓、DW）,是一个用于存储、分析、报告的数据系统。数据仓库的目的是构建面向分析的集成化数据环境，为企业提供决策支持（Decision Support）。
数据仓库本身并不“生产”任何数据，其数据来源于不同外部系统；同时数据仓库自身也不需要“消费”任何的数据，其结果开放给各个外部应用使用，这也是为什么叫“仓库”，而不叫“工厂”的原因。

2.2 数据仓库分层架构

2.2.1 数仓分层思想和标准

数据仓库的特点是本身不生产数据，也不最终消费数据。数据分层每个企业根据自己的业务需求可以分成不同的层次，但是最基础的分层思想，理论上数据分为三个层，操作型数据层（ODS）、数据仓库层(DW)和数据应用层(DA)。

2.2.2 阿里巴巴数仓3层架构

ODS层（Operation Data Store）
操作型数据层，也称之为源数据层、数据引入层、数据暂存层、临时缓存层。此层存放未经过处理的原始数据至数据仓库系统，结构上与源系统保持一致，是数据仓库的数据准备区。主要完成基础数据引入到数仓的职责，和数据源系统进行解耦合，同时记录基础数据的历史变化。

DW层（Data Warehouse）
数据仓库层。此层内部具体包括DIM维度表、DWD和DWS，由ODS层数据加工而成，其主要完成数据加工与整合，建立一致性的维度，构建可复用的面向分析和统计的明细事实表，以及汇总公共粒度的指标。

数据应用层（DA或ADS）
面向最终用户，面向业务定制提供给产品和数据分析使用的数据。包括前端报表、分析图表、KPI、仪表盘、OLAP专题、数据挖掘等分析。

2.2.3 ETL和ELT

ETL： 首先从数据源池中提取数据，这些数据源通常是事务性数据库。提取的数据保存在临时暂存数据库中，然后执行转换操作，将数据结构化并转换为适合目标数据仓库系统的形式以备分析。

ETL：数据在从源数据池中提取后立即加载到单一的集中存储库中，没有临时数据库，然后数据在数据仓库系统中进行转换，以便与商业智能工具和分析一起使用。大数据时代的数仓这个特点很明显。

2.2.4 为什么要分层

分层的主要原因是在管理数据的时候，能对数据有一个更加清晰的掌控，详细来讲，主要有下面几个原因：
清晰数据结构:
每一个数据分层都有它的作用域，在使用表的时候能更方便地定位和理解。

数据血缘追踪:
简单来说，我们最终给业务呈现的是一个能直接使用业务表，但是它的来源有很多，如果有一张来源表出问题了，我们希望能够快速准确地定位到问题，并清楚它的危害范围。

减少重复开发:
规范数据分层，开发一些通用的中间层数据，能够减少极大的重复计算。

把复杂问题简单化:
将一个复杂的任务分解成多个步骤来完成，每一层只处理单一的步骤，比较简单和容易理解。而且便于维护数据的准确性，当数据出现问题之后，可以不用修复所有的数据，只需要从有问题的步骤开始修复。

屏蔽原始数据的异常:
屏蔽业务的影响，不必改一次业务就需要重新接入数据。

2.3 数据仓库特征

数据仓库是面向主题性（Subject-Oriented ）、集成性（Integrated）、非易失性（Non-Volatile）和时变性（Time-Variant ）数据集合，用以支持管理决策 。

2.3.1 面向主题性

数据库中，最大的特点是面向应用进行数据的组织，各个业务系统可能是相互分离的。而数据仓库则是面向主题的，主题是一个抽象的概念，是较高层次上企业信息系统中的数据综合、归类并进行分析利用的抽象。在逻辑意义上，它是对应企业中某一宏观分析领域所涉及的分析对象。

2.3.2 集成性

确定主题之后，就需要获取和主题相关的数据。当下企业中主题相关的数据通常会分布在多个操作型系统中，彼此分散、独立、异构。因此在数据进入数据仓库之前，必然要经过统一与综合，对数据进行抽取、清理、转换和汇总，这一步是数据仓库建设中最关键、最复杂的一步，所要完成的工作有：
（1）要统一源数据中所有矛盾之处，如字段的同名异义、异名同义、单位不统一、字长不一致，等等。
（2）进行数据综合和计算。数据仓库中的数据综合工作可以在从原有数据库抽取数据时生成，但许多是在数据仓库内部生成的，即进入数据仓库以后进行综合生成的。

2.3.3 非易失性

数据仓库是分析数据的平台，而不是创造数据的平台。我们是通过数仓去分析数据中的规律，而不是去创造修改其中的规律。因此数据进入数据仓库后，它便稳定且不会改变。
操作型数据库主要服务于日常的业务操作，使得数据库需要不断地对数据实时更新，以便迅速获得当前最新数据，不至于影响正常的业务运作。在数据仓库中只要保存过去的业务数据，不需要每一笔业务都实时更新数据仓库，而是根据商业需要每隔一段时间把一批较新的数据导入数据仓库。
数据仓库的数据反映的是一段相当长的时间内历史数据的内容，是不同时点的数据库快照的集合，以及基于这些快照进行统计、综合和重组的导出数据。
数据仓库的用户对数据的操作大多是数据查询或比较复杂的挖掘，一旦数据进入数据仓库以后，一般情况下被较长时间保留。数据仓库中一般有大量的查询操作，但修改和删除操作很少。

2.3.4 时变性

数据仓库包含各种粒度的历史数据，数据可能与某个特定日期、星期、月份、季度或者年份有关。虽然数据仓库的用户不能修改数据，但并不是说数据仓库的数据是永远不变的。分析的结果只能反映过去的情况，当业务变化后，挖掘出的模式会失去时效性。因此数据仓库的数据需要随着时间更新，以适应决策的需要。
数据仓库的数据随时间的变化表现在以下几个方面。
（1）数据仓库的数据时限一般要远远长于操作型数据的数据时限。
（2）操作型系统存储的是当前数据，而数据仓库中的数据是历史数据。
（3）数据仓库中的数据是按照时间顺序追加的，它们都带有时间属性。

三、hive库

3.1 hive概述

Apache Hive是由 Facebook 开源用于解决海量结构化日志的数据统计工具，其是一款建立在Hadoop之上的开源数据仓库系统，可以将存储在Hadoop文件中的结构化、半结构化数据文件映射为一张数据库表，基于表提供一种类似SQL的查询模型，称为Hive查询语言（HQL），用于访问和分析存储在Hadoop文件中的大型数据集。

Hive核心是将HQL转换为MapReduce程序，然后将程序提交到Hadoop群集执行。而HQL其实就是Hive缩写为H，Query缩写为Q，Language缩写为L。

3.2 hive架构

3.2.1 hive架构图

3.2.2 hive组件

用户接口：包括 CLI、JDBC/ODBC、WebGUI。其中，CLI(command line interface)为shell命令行；Hive中的Thrift服务器允许外部客户端通过网络与Hive进行交互，类似于JDBC或ODBC协议。WebGUI是通过浏览器访问Hive。
元数据存储：通常是存储在关系数据库如 mysql/derby中。Hive 中的元数据包括表的名字，表的列和分区及其属性，表的属性（是否为外部表等），表的数据所在目录等。
Driver驱动程序，包括语法解析器、计划编译器、优化器、执行器：完成 HQL 查询语句从词法分析、语法分析、编译、优化以及查询计划的生成。生成的查询计划存储在 HDFS 中，并在随后有执行引擎调用执行。
执行引擎：Hive本身并不直接处理数据文件。而是通过执行引擎处理。当下Hive支持MapReduce、Tez、Spark3种执行引擎。
启动命令：

hive --service metastore
hive --service hiveserver2
//杀掉端口占用了10000的yunDetectService服务，占用端口

3.3 hive工作原理

由于Hive是一个数据仓库工具，没有数据存储功能，它的数据是从HDFS来获得的，但是它又不能直接从HDFS进行数据访问，它是通过MapReduce来实现的，本质上也就是将HQL语句转换为MapReduce的任务，然后来进行数据访问。
将HQL语句转换为MapReduce任务进行运行的流程如下：

在搭建Hive数据仓库时，将相关语句常用的指令操作，比如SELECT、FROM、WHERE以及函数用MapReduce写成模板，并且将这些所有的MapReduce的模板封装到Hive中。这是我们在搭建Hive数据仓库的时候就形成的。那我们所要做的，如果我们是开发，根据业务需求编写相应的SQL语句，它会自动地到Hive封装的这些MapReduce中去匹配。匹配完之后就运行MapReduce程序，生成相应的分析结果，然后反馈给我们。

简单来说Hive就是一个查询引擎，当Hive接受到一条SQL语句会执行如下操作：
1.词法分析和语法分析。使用antlr将SQL语句解析成抽象语法树。
2.语义分析。从MetaStore中获取元数据信息，解释SQL语句中的表名、列名、数据类型。
3.逻辑计划生成。生成逻辑计划得到算子树。
4.逻辑计划优化。对算子树进行优化。
5.物理计划生成。将逻辑计划生成出的MapReduce任务组成的DAG的物理计划。
6.物理计划执行。将DAG发送到Hadoop集群进行执行。
7.返回查询结果。

3.5 hive数据模型

数据模型：用来描述数据、组织数据和对数据进行操作，是对现实世界数据特征的描述。Hive的数据模型类似于RDBMS库表结构，此外还有自己特有模型。Hive数据在种类上可区分为元数据和表数据二种，表数据我们都知道是表中的数据，而元数据是用来存储表的名字、列、表分区以及属性。

3.5.1 元数据

元数据（Metadata），又称中介数据、中继数据，为描述数据的数据（data about data），主要是描述数据属性（property）的信息，用来支持如指示存储位置、历史数据、资源查找、文件记录等功能。

3.5.1.1 Metadata

元数据（Metadata），主要记录数据仓库中模型的定义、各层级间的映射关系、监控数据仓库的数据状态及 ETL 的任务运行状态。一般会通过元数据资料库（Metadata Repository）来统一地存储和管理元数据，其主要目的是使数据仓库的设计、部署、操作和管理能达成协同和一致。元数据包括表名、表所属的数据库（默认是default）、表的拥有者、列/分区字段、表的类型（是否是外部表）、表的数据所在目录等。

3.5.1.2 Metastore

Metastore即元数据服务。Metastore服务的作用是管理metadata元数据，对外暴露服务地址，让各种客户端通过连接metastore服务，由metastore再去连接MySQL数据库来存取元数据。有了metastore服务，就可以有多个客户端同时连接，而且这些客户端不需要知道MySQL数据库的用户名和密码，只需要连接metastore 服务即可。某种程度上也保证了hive元数据的安全。

3.5.1.3 元数据存储模式

内嵌模式: 这种模式连接到一个本地内嵌的数据库Derby，通常用于单元测试。内嵌的Derby数据库每次只能访问一个数据文件，这意味着它不支持多会话连接。这种配置适用于轻量级的测试场景，其中每个测试可以在相对独立的数据库环境中运行，确保测试之间的隔离性和可重复性。

多用户模式: 这种模式本质上将Hive默认的元数据存储介质从内置的Derby数据库切换至MySQL数据库。通过这种配置，不论以何种方式或在何处启动Hive，只要连接到同一台Hive服务，所有节点都能访问一致的元数据信息，实现元数据的共享。

远程服务器模式: 在远程模式下，MetaStore服务在其自己的独立JVM上运行，而不是在HiveServer的JVM中。其他进程若要与MetaStore服务器通信，则可以使用Thrift协议连接至MetaStore服务进行元数据库访问。在生产环境中，强烈建议配置Hive MetaStore为远程模式。在这种配置下，其他依赖于Hive的软件能够通过MetaStore访问Hive。由于这种模式下还可以完全屏蔽数据库层，因此带来更好的可管理性和安全性。

3.5.2 表数据

Hive中的数据可以在粒度级别上分为三类：Table 表、Partition分区、Bucket 分桶。

3.5.2.1 Table表

Table表：表是由存储的数据以及描述表的一些元数据组成。hive表分四种：内部表（MANGED_TABLE）、外部表（EXTERNAL_TABLE）、索引表（INDEX_TABLE）、视图表（VIRTUAL_VIEW）

3.5.2.1.1 内部表

Hive的数据都是存储在HDFS上的，存储路径为：${hive.metastore.warehouse.dir}/databasename.db/tablename，默认有一个根目录，在hive-site.xml中，由参数hive.metastore.warehouse.dir指定，其默认值为/user/hive/warehouse。

# 例如：
CREATE TABLE managed_table (dummy STRING);
LOAD DATA INPATH '/user/tom/data.txt' INTO table managed_table;

# 描述：根据上面的代码，hive 会把文件 data.txt 文件存储在 warehouse 目录下的managed_table 表 ，即 hdfs://user/hive/warehouse/databasename.db/managed_table 。

3.5.2.1.2 外部表

外部表与内部表的行为上有些差别。我们能够控制数据的创建和删除。删除外部表的时候，hive只会删除表的元数据，不会删除表数据（数据路径是在创建表的时候指定的）：

# 例如：
CREATE EXTERNAL TABLE external_table (dummy STRING)
LOCATION '/user/tom/external_table';
LOAD DATA INPATH '/user/tom/data.txt' INTO TABLE external_table;

# 描述：利用EXTERNAL关键字创建外部表，Hive不会去管理表数据，所以它不会把数据移到/user/hive/warehouse目录下。

3.5.2.2 Partition分区

Partition分区是hive的一种优化手段表。Partition分区：hive的分区是根据某列的值（例如“日期day”）进行粗略的划分，每个分区对应HDFS上的一个目录。分区在存储层面上的表现是：table表目录下以子文件夹形式存在，一个文件夹表示一个分区，子文件命名标准：分区列=分区值。分区表基于分区键把具有相同分区键的数据存储在一个目录下，在查询某一个分区的数据的时候，只需要查询相对应目录下的数据，而不会执行全表扫描，提高查询数据的效率。也就是说，hive 在查询的时候会进行分区剪裁 ，每个表可以有一个或多个分区键。

3.5.2.2.1 静态分区

• 把输入数据文件单独插入分区表的叫静态分区；
• 通常在加载文件（大文件）到 Hive 表的时候，首先选择静态分区；
• 在加载数据时，静态分区比动态分区更节省时间；
• 可以通过 alter table add partition 语句在表中添加一个分区，并将文件移动到表的分区中；
• 静态分区中的分区可以修改；
• 可以从文件名、日期等获取分区列值，而无需读取整个大文件；
• 如果要在 Hive 使用静态分区，需要把 hive.mapred.mode 设置为strict，set hive.mapred.mode=strict；
• 可以在 Hive的内部表和外部表使用静态分区。

3.5.2.2.2 动态分区

• 对分区表的一次性插入称为动态分区；
• 通常动态分区表从非分区表加载数据；
• 在加载数据的时候，动态分区比静态分区会消耗更多时间；
• 如果需要存储到表的数据量比较大，那么适合用动态分区；
• 假如要对多个列做分区，但又不知道有多少个列，那么适合使用动态分区；
• 动态分区不需要 where子句使用limit；
• 不能对动态分区执行修改；
• 可以对内部表和外部表使用动态分区；
• 使用动态分区之前，需要把模式修改为非严格模式。set hive.mapred.mode=nostrict。

3.5.2.3 Bucket 分桶

Bucket分桶表是hive的一种优化手段表。hive 是针对表的某一列进行分桶，采用对表的列值进行哈希计算，然后除以桶的个数求余的方式决定该条记录存放在哪个桶中（分桶的好处是可以获得更高的查询处理效率，使取样更高效）。

要使用hive的分桶功能，首先需要打开hive对桶的控制：

set hive.enforce.bucketing=true;

分桶表创建命令：

CREATE TABLE table_name

PARTITIONED BY (partition1 data_type, partition2 data_type,….) 

CLUSTERED BY (column_name1, column_name2, …) 

SORTED BY (column_name [ASC|DESC], …)] 

INTO num_buckets BUCKETS;

每个桶只是表目录或者分区目录下的一个文件，如果表不是分区表，那么桶文件会存储在表目录下，如果表是分区表，那么桶文件会存储在分区目录下。所以你可以选择把分区分成 n 个桶，那么每个分区目录下就会有 n 个文件。

3.5.2.3.1 Bucket 分桶特性

数据分桶原理是基于对分桶列做哈希计算，然后对哈希的结果和分桶数取模。分桶特性如下：

• 哈希函数取决于分桶列的类型;
• 具有相同分桶列的记录将始终存储在同一个桶中;
• 使用 clustered by 将表分成桶;
• 通常，在表目录中，每个桶只是一个文件，并且桶的编号是从 1 开始的;
• 分桶表创建的数据文件大小几乎是一样的。

3.5.2.3.2 Bucket 分桶好处

• 与非分桶表相比，分桶表提供了高效采样。通过采样，我们可以尝试对一小部分数据进行查询，以便在原始数据集非常庞大时进行测试和调试；
• 由于数据文件的大小是几乎一样的，map 端的 join在分桶表上执行的速度会比分区表快很多。在做map端 join 时，处理左侧表的 map知道要匹配的右表的行在相关的桶中，因此只需要检索该桶即可；
• 分桶表查询速度快于非分桶表；
• 分桶的还提供了灵活性，可以使每个桶中的记录按一列或多列进行排序。 这使得 map 端 join 更加高效，因为每个桶之间的 join变为更加高效的合并排序（merge-sort）。

3.5.2.4 分区与分桶的区别

• 分区和分桶最大的区别就是分桶随机分割数据库，分区是非随机分割数据库；
• 分区是水平划分，表的部分列的集合，可以为频繁使用的数据建立分区，这样查找分区中的数据时就不需要扫描全表，这对于提高查找效率很有帮助；
• 分桶是垂直划分，桶是通过对指定列进行哈希计算来实现的，通过哈希值将一个列名下的数据切分为一组桶，并使每个桶对应于该列名下的一个存储文件;
• 分桶是存储在文件中，分区是存放在文件夹中，分桶要比分区查询效率高。

3.6 hive数据类型

Hive支持两种数据类型，一种原子数据类型、还有一种叫复杂数据类型。

原子数据类型

复杂数据类型

Hive类型中的String数据类型类似于MySQL中的VARCHAR，该类型是一个可变的字符串。
Hive支持数据类型转换，Hive是用Java编写的，所以数据类型转换规则遵循Java ：
隐式转换 --> 小转大
强制转换 --> 大传小

3.7 hive文件格式

• TextFile
  • 这是默认的文件格式，数据不会压缩处理，磁盘开销大，数据解析开销也大
• SequenceFile
  • 这是Hadoop API提供的一种二进制文件支持，以二进制的形式序列化到文件中
• RCFile
  • 这种格式是行列存储结构的存储方式
• ORC
  • Optimized Row Columnar ORC文件格式是一种Hadoop生态圈中的列式存储格式

3.8 hive本质

将HQL转换成MapReduce程序。

• Hive处理的数据存储在HDFS上
• Hive分析数据底层的实现是MapReduce
• 执行程序运行在Yarn上

3.9 hive优缺点

优点：

• 类似于SQL语句，简单学习易上手，避免了去写 MapReduce，减少开发人员的学习成本
• 在数据存储方面，它能够存储很大的数据集（实际上它是不存储数据的，这里的“很大的数据集”实际上指的是HDFS），并且它对数据完整性和格式要求不严格（只要是结构化的就可以了）
• Hive 的执行延迟比较高，因此 Hive 常用于数据分析，处理大数据，对于处理小数据没有优势，适用于对实时性要求不高的场合
• Hive 支持用户自定义函数，用户可以根据自己的需求来实现自己的函数

缺点：

• Hive 的 HQL 表达能力有限
• Hive 的效率比较低
  • Hive本质是一个MR

四、hive与Hadoop的关系

从功能来说，数据仓库软件，至少需要具备下述两种能力：

• 存储数据的能力
• 分析数据的能力

Apache Hive作为一款大数据时代的数据仓库软件，当然也具备上述两种能力。只不过Hive并不是自己实现了上述两种能力，而是借助Hadoop。
Hive利用HDFS存储数据，利用MapReduce查询分析数据。
这样突然发现Hive没啥用，不过是套壳Hadoop罢了。其实不然，Hive的最大的魅力在于用户专注于编写HQL，Hive帮您转换成为MapReduce程序完成对数据的分析。

五、Hive是要取代Mysql吗？

Hive虽然具有RDBMS数据库的外表，包括数据模型、SQL语法都十分相似，但应用场景却完全不同。Hive只适合用来做海量数据的离线分析。Hive的定位是数据仓库，面向分析的OLAP系统。因此，Hive不是大型数据库，也不是要取代Mysql承担业务数据处理。更直观的对比如下表所示：

六、hive应用场景

数据仓库
Hive常用于数据仓库场景，帮助企业将大规模数据进行存储、管理和查询。通过Hive，企业可以构建一个统一的数据仓库，将各类数据集中存储，并利用HiveQL进行数据分析和报表生成。

数据分析
Hive在大数据分析中扮演重要角色，适用于各种数据分析任务。利用Hive，数据分析师可以通过类SQL语言对海量数据进行复杂查询和统计分析，支持业务决策。

日志处理
Hive在日志处理方面有广泛应用，许多公司利用Hive来存储和分析日志数据。通过将日志数据导入Hive表，用户可以方便地对日志进行查询和分析，获取有价值的信息。

七、总结

Hive作为一个强大的数据仓库工具，凭借其类SQL的查询语言、与Hadoop生态系统的无缝集成以及强大的扩展性，广泛应用于各种数据仓库、数据分析和日志处理场景。通过本文的介绍，相信读者已经对数仓的基本概念、Hive的定义、架构、工作原理、应用场景有了全面的了解。在实际应用中，结合具体需求合理使用Hive，将能够充分发挥其优势，解决大规模数据处理和存储的挑战。