数据仓库工具之Hive的架构原理

1. Hive的本质

Hive是基于Hadoop的一个数据仓库工具，它的本质是将HQL语句转化成MapReduce程序。在它的底层，HDFS负责存储数据，YARN负责进行资源管理，MapReduce负责数据处理。

2. Hive架构组成

(1) 用户接口(Client):

ClientCLI(hive shell)、JDBC/ODBC(java访问hive)，WEBUI(浏览器访问hive)

(2) 元数据(Metastore):

Metastore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；默认存储在自带的derby数据库中，推荐使用采用关系型数据库MySQL存储Metastore；

(3) 驱动器(Driver)包含：解析器、编译器、优化器、执行器

解析器：将SQL字符串转换成抽象语法树AST，这一步一般都用第三方工具库完成，比如antlr；对AST进行语法分析，比如表是否存在、字段是否存在、SQL语义是否有误(比如select中被判定为聚合的字段在group by中是否有出现)；

编译器：将抽象语法树AST编译生成逻辑执行计划；

优化器：对逻辑执行计划进行优化；

执行器：把逻辑执行计划转换成可以运行的物理计划。对于Hive来说，就是MR/TEZ/Spark。

(4) Hive使用HDFS存储数据

Hive本身不存在数据，Hive虽有表的定义但表是纯的逻辑表，数据是存在HDFS上的。

3. Hive执行流程(重点)

如上图所示，我们通过Hive提供的一系列交互接口(Client)，向Hive提交SQL指令(HSQL)。如果我们提交的是创建表的DDL语句(数据定义语言)，Hive会通过使用自己的执行引擎(Driver)将数据表的信息记录在Metastore元数据组件中，正如上面提到的，元数据组件通常用一个关系型数据库实现，其记录着表名，字段名，字段类型以及关联的HDFS文件路径等元信息。

如果我们提交的是DQL语句(数据查询分析语句)，Hive的执行引擎(Drive)会结合元数据信息对该语句进行转换，语法分析，语法优化等操作，最后生成一个MapReduce执行计划。

说具体一点，就是Hive执行引擎(Drive)会将该语句提交给自己的解析器(SQL Parser)，解析器接收到语句之后，会将SQL查询字符串转换成抽象语法树，并对抽象语法树进行语法分析，比如检测表是否存在，字段是否存在，SQL语义是否有误等，之后将经过语法分析后的抽象语法树提交给编译器。

编译器再将抽象语法树编程成逻辑执行计划(Physical Plan)，然后再由优化器(Query Optimizer)对逻辑执行计划进行优化，最后由执行器(Execution)将逻辑执行计划转换成可以运行的物理计划，也即是MapReduce执行计划，然后再根据执行计划生成一个MapReduce的作业，提交到Yarn上执行，最后，将执行返回的结果输出到用户交互接口。

Hive内部预置了很多函数，Hive的执行计划就是根据用户提交的HQL语句生成这些函数的DAG(有向无环图)，然后封装进MapReduce的map和reduce函数中。