Apache Hive概述，模拟实现Hive功能，Hive基础架构

1、Apache Hive 概述

1.1、分布式SQL计算

对数据进行统计分析，SQL是目前最为方便的编程工具。

大数据体系中充斥着非常多的统计分析场景
所以，使用SQL去处理数据，在大数据中也是有极大的需求的。

MapReduce支持程序开发（Java、Python等）
但不支持SQL开发

1.2、分布式SQL计算 - Hive

Apache Hive是一款分布式SQL计算的工具， 其主要功能是：

• 将SQL语句 翻译成MapReduce程序运行
• 基于Hive为用户提供了分布式SQL计算的能力
  写的是SQL、执行的是MapReduce。

1.3、为什么使用Hive

使用Hadoop MapReduce直接处理数据所面临的问题

• 人员学习成本太高 需要掌握java、Python等编程语言。
• MapReduce实现复杂查询逻辑开发难度太大 。

使用Hive处理数据的好处

• 操作接口采用类SQL语法，提供快速开发的能力（简单、容易上手）。
• 底层执行MapReduce，可以完成分布式海量数据的SQL处理。

2、模拟实现Hive功能

如果让您设计Hive这款软件，要求能够实现

• 用户只编写sql语句
• Hive自动将sql转换MapReduce程序并提交运行
• 处理位于HDFS上的结构化数据。

如何实现？

2.1、元数据管理

假设有如下结构化文本数据存储在HDFS中。

假设要执行： SELECT city, COUNT(*) FROM t_user GROUP BY city;

对这个SQL翻译成MapReduce程序，会出现哪些困难？

针对SQL：SELECT city, COUNT(*) FROM t_user GROUP BY city;若翻译成MapReduce程序，有如下问题：

• 数据文件在哪里？
• 使用什么符号作为列的分隔符？
• 哪些列可以作为city使用？
• city列是什么类型的数据？

所以，我们可以总结出来第一个点， 即构建分布式SQL计算， 需要拥有：元数据管理功能，即：

• 数据位置
• 数据结构
• 等对数据进行描述

2.2、解析器

解决了元数据管理后，我们还有一个至关重要的步骤， 即完成SQL到MapReduce转换的功能。

我们称呼它为：SQL解析器，期待它能做到：

• SQL分析。
• SQL到MapReduce程序的转换。
• 提交MapReduce程序运行并收集执行结果。

2.3、基础架构

所以，当解析器也拥有了之后，我们就完成了一款基于MapReduce的，分布式SQL执行引擎的基础构建。

即，核心组件需要有：

• 元数据管理，帮助记录各类元数据。
• SQL解析器，完成SQL到MapReduce程序的转换。
  

当拥有这2个组件， 基本上分布式SQL计算的能力就实现了。

2.4、ive架构

Apache Hive其2大主要组件就是：SQL解析器以及元数据存储， 如下图。

3、Hive基础架构

3.1、Hive架构图

3.2、Hive组件

3.2.1、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。

– Hive提供了 Metastore 服务进程提供元数据管理功能

3.2.2、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。

这部分内容不是具体的服务进程，而是封装在Hive所依赖的Jar文件即Java代码中。

3.2.3、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。

– Hive提供了 Hive Shell、 ThriftServer等服务进程向用户提供操作接口。

结束！！！！！！！
hy:38

---

											低级的快乐来自放纵，高级的快乐来自克制。
1