大数据篇---hive学习第一部分 Hive概述

用户2337871

发布于 2020-11-24 11:00:18

4310

发布于 2020-11-24 11:00:18

文章被收录于专栏：git

第一部分 Hive概述

HDFS => 海量数据的存储
MapReduce => 海量数据的分析和处理
YARN => 集群资源的管理和作业调度

第 1 节 Hive产生背景

直接使用MapReduce处理大数据，将面临以下问题：

- MapReduce 开发难度大，学习成本高(wordCount => Hello World)
- Hdfs文件没有字段名、没有数据类型，不方便进行数据的有效管理 
- 使用MapReduce框架开发，项目周期长，成本高

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表 (类似于RDBMS中的表)，并提供类SQL查询功能；Hive是由Facebook开源，用于解决海量结构化日志的数据统计。

	* Hive本质是：将 SQL 转换为 MapReduce 的任务进行运算
	* 底层由HDFS来提供数据存储
 	* 可以将Hive理解为一个：将 SQL 转换为 MapReduce 任务的工具

数据仓库(Data Warehouse)是一个面向主题的、集成的、相对稳定的、反映历史变化的数据集合，主要用于管理决策。(数据仓库之父比尔·恩门，1991年提出)。

	* 数据仓库的目的：构建面向分析的、集成的数据集合；为企业提供决策支持
	* 数据仓库本身不产生数据，数据来源与外部
	* 存储了大量数据，对这些数据的分析和处理不可避免的用到Hive

第 2 节 Hive和RDBMS对比

由于 Hive 采用了类似SQL 的查询语言 HQL(Hive Query Language)，因此很容易将 Hive 理解为数据库。其实从结构上来看，Hive 和传统的关系数据库除了拥有类似的查询语言，再无类似之处。

	* 查询语言相似。HQL <=> SQL 高度相似 由于SQL被广泛的应用在数据仓库中，因此，专门针对Hive的特性设计了类SQL的查询语言 HQL。熟悉SQL开发的开发者可以很方便的使用Hive进行开发。 
	* 数据规模。Hive存储海量数据；RDBMS只能处理有限的数据集； 由于Hive建立在集群上并可以利用MapReduce进行并行计算，因此可以支持很大规模的数 据；而RDBMS可以支持的数据规模较小。 
	* 执行引擎。Hive的引擎是MR/Tez/Spark/Flink；RDBMS使用自己的执行引擎 Hive中大多数查询的执行是通过 Hadoop 提供的 MapReduce 来实现的。而RDBMS通常 有自己的执行引擎。
	* 数据存储。Hive保存在HDFS上；RDBMS保存在本地文件系统 或 裸设备 Hive 的数据都是存储在 HDFS 中的。而RDBMS是将数据保存在本地文件系统或裸设备 中。
	* 执行速度。Hive相对慢（MR/数据量）；RDBMS相对快； Hive存储的数据量大，在查询数据的时候，通常没有索引，需要扫描整个表；加之Hive使 用MapReduce作为执行引擎，这些因素都会导致较高的延迟。而RDBMS对数据的访问通常 是基于索引的，执行延迟较低。当然这个低是有条件的，即数据规模较小，当数据规模大到 超过数据库的处理能力的时候，Hive的并行计算显然能体现出并行的优势。
	* 可扩展性。Hive支持水平扩展；通常RDBMS支持垂直扩展，对水平扩展不友好 Hive建立在Hadoop之上，其可扩展性与Hadoop的可扩展性是一致的（Hadoop集群规模 可以轻松超过1000个节点）。而RDBMS由于 ACID 语义的严格限制，扩展行非常有限。目 前最先进的并行数据库 Oracle 在理论上的扩展能力也只有100台左右。
	* 数据更新。Hive对数据更新不友好；RDBMS支持频繁、快速数据更新Hive是针对数据仓库应用设计的，数据仓库的内容是读多写少的。因此，Hive中不建议对 数据的改写，所有的数据都是在加载的时候确定好的。而RDBMS中的数据需要频繁、快速的 进行更新。

** 安装python-devel开发包

1.概述有时在安装某些软件的时候，会报错：

Error: must have python development packages for 2.4, 2.5, 2.6 or 2.7. Could not find Python.h.Please install python2.4-devel, python2.5-devel, python2.6-devel or python2.7-devel

这是因为缺少python开发包的原因。