Hive原理实践

Hive基本架构

Driver组件：核心组件，整个Hive的核心，该组件包括Complier（编译器）、Optimizer（优化器）和Executor（执行器），它们的作用是对Hive 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。支持的关系型数据库有Derby和MySQL。

CLI:命令行接口

Thrift Server：提供JDBC和ODBC接入能力，用户进行可扩展且跨语言的服务开发。Hive集成了该服务，能让不同的编程语言调用Hive的接口。

Hive Web Interface（HWI）：Hive客户端提供了一种通过网页方式访问Hive所提供的服务。这个接口对应Hive的HWI组件。

Hive通过CLI、JDBC/ODBC 或者HWI接收相关的Hive SQL查询，并通过Driver组件进行编译，分析优化，最后变成可执行的MapReduce。

HIVE SQL

hive表：分内部表和外部表

内部表：会把hdfs目录文件移动到hive对应的目录。删除表对应的表接口和文件也会一起删除。

外部表：不会移动关联的hdfs文件，删除表只会删除表结构。

使用场景：如果数据的所有处理都在hive中进行，那么更倾向于选择内部表，但如果Hive和其它工具针对相同的数据集做处理，那么外部表更合适。

分区和分桶

分区可以让数据的部分查询变更更快，表或者分区可以进一步划分为桶，桶通常在原始数据中加入一些额外的结构，这些结构可以用于高效查询。

分桶通常有两个原因：一是高效查询，二是高效的进行抽样。

Hive SQL执行原理：

大致归三类：select语句、group by 语句、join语句。

流程：输入分片->Map阶段->Combiner(可选)->Shuffle阶段（分区、排序、分隔、复制、合并等过程）-> Reduce阶段-> 输出文件。

其他SQL on Hadoop技术：Impala、Drill、HAWQ、Presto、Dremel、Spark SQL。

Hive优化

主要挑战数据倾斜：group by 引起的倾斜优化、Count distinct 优化、大表join小表（mapjoin）优化、大表join大表优化。