1. 架构与组成
Hive架构
Hive的核心组件：
- 用户接口模块：包括CLI、HWI、JDBC、ODBC、Thrift Server
- 驱动模块（Driver）：包括编译器、优化器、执行器等，负责把HiveSQL语句转换成一系列MapReduce作业
- 元数据存储模块（Metastore）是一个独立的关系型数据库（自带derby数据库，或MySQL数据库），该数据库存储着与数据库，表，列，数据类型以及在HDFS中的位置的所有相关元数据.
hive系统架构
2. Hive数据模型
2.1 数据模型
- Hive元数据信息存储在关系数据库中
- 实际数据存储依赖HDFS
-
Hive通过以下模型来组织HDFS上的数据
Hive数据模型
- 数据库: 命名空间将数据将表与其它数据单元分离开来,防止命名冲突.
- 表: 组织具有相同结构的记录集合.
- 分区: 分区是基于特定属性分类给定信息的数据的逻辑隔离.
- 桶 (或 集群): 与分区相似,但是用哈希函数来分离数据 和 确定记录应该到达的集群或桶
分区和分桶是可选的，只是为了提高性能并使数据更易于管理
数据管理和存储方式
2.2 Database
- Database是Hive数据模型的最上层，跟关系数据库中的Database意义相似
- 通过Database来逻辑划分Hive表的命名空间，避免表同名冲突
- Hive默认自带的Database名为default
- HDFS存储路径由配置决定，一个Database一个子目录
<property>
<name>hive.metastore.warehouse.dir</name>
<value>/user/hive/warehouse</value>
</property></pre>
2.3 Table
2.3.1 管理表和外部表
Hive中的表和关系型数据库中的表在概念上很类似
每个表在HDFS中都有相应的目录用来存储表的数据
-
根据数据是否受Hive管理，分为：
- Managed Table（管理表）
- External Table（外表）
-
区别：
-
Managed Table：
- HDFS存储数据受Hive管理，在统一的路径下:
${hive.metastore.warehouse.dir}/{database_name}.db/{tablename} - Hive对表的删除操作影响实际数据的删除
- HDFS存储数据受Hive管理，在统一的路径下:
-
External Table：
- HDFS存储路径不受Hive管理，叧是Hive元数据不HDFS数据路径的一个映射
- Hive对表的删除操作仅仅删除元数据，实际数据不受影响
-
内部表转换为外部表
ALTER TABLE T_NAME SET TBLPROPERTIES ('EXTERNAL'='TRUE')
2.3.2 永久表和临时表
- Permanent Table是指永久存储在HDFS之上的表，默认创建表为永久表
- Temporary Table是指仅当前Session有效的表，数据临时存放在用户的临时目录下，当前session退出后即删除
- 临时表比较适合于比较复杂的SQL逻辑中拆分逻辑块，或者临时测试
注意：
- 如果创建临时表时，存在不之同名的永久表，则临时表的可见性高于永久表，即对表的操作是临时表的，用永久表无效
- 临时表不支持分区
2.4 Partition
基于用户指定的分区列的值对数据表进行分区
-
表的每一个分区对应表下的相应目录，所有分区的数据都是存储在对应的目录中
${hive.metastore.warehouse.dir}/{database_name}.db/{tablename}/{partitionkey}={value}
-
分区的优点
- 分区从物理上分目录划分不同列的数据
- 用于查询的剪枝，提升查询的效率
可以多级Partition，即指定多个Partition字段，但所有Partition的数据不可无限扩展（多级目录造成HDFS小文件过多影响性能）
2.5 Bucket
- 桶作为另一种数据组织方式，弥补Partition的短板（不是所有的列都可以作为Partition Key）
- 通过Bucket列的值进行Hash散列到相应的文件中，重新组织数据，每一个桶对应一个文件
- 桶的优点：
- 有利于查询优化，比如SMB Join
- 对于抽样非常有效
- 桶的数量一旦定义后，如果更改，只会修改Hive元数据，实际数据不会重新组织
