最近怎么流量涨这么多？那我开始讲Hive特性了！

Hive架构原理

a.用户接口：Client

• CLI（Hive shell）、JDBC/ODBC(java访问hive)、Hive WEBUI（浏览器访问hive）和Thrift服务器

  b.驱动器：Driver

• 解析器（SQL Parser）：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。
• 编译器（Physical Plan）：将AST编译生成逻辑执行计划
• 优化器（Query Optimizer）：对逻辑执行计划进行优化。
• 执行器（Execution）：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/Spark

  c.元数据：MetaStore

• 通俗来说，元数据就是“数据的数据”，例如一张表里有许多数据，而元数据则是在描述该表的相关信息，例如创建时间、列数、行数等。Hive的元数据默认储存在derby数据库里，但推荐储存在MySQL里。

  d.存储和计算

• 使用HDFS进行存储，使用MapReduce进行计算
• 一句话概括：Hive通过给用户提供的一系列交互接口，接收到用户的指令(SQL)，使用自己的Driver，结合元数据(MetaStore)，将这些指令翻译成MapReduce，提交到Hadoop中执行，最后，将执行返回的结果输出到用户交互接口

  索引！

  • Hive在加载数据的过程中不会对数据进行任何处理，甚至不会对数据进行扫描，因此也没有对数据中的某些Key建立索引。
  • Hive要访问数据中满足条件的特定值时，需要暴力扫描整个数据，因此访问延迟较高。由于 MapReduce 的引入， Hive 可以并行访问数据，因此即使没有索引，对于大量数据的访问，Hive 仍然可以体现出优势但由于数据的访问延迟较高，决定了 Hive 不适合在线数据查询
    • 延迟原因：扫描整个表、底层MR延迟也高
    • 数据库的低延迟是有条件的，当数据库单独处理不了超大规模数据时，并行提供的优势就大于低延迟的单个个体了
    • 而在数据库中，通常会针对一个或者几个列建立索引，提升访问特定条件下数据访问的效率，并拥有较低的延迟

      建表

      CREATE [EXTERNAL] TABLE [IF NOT EXISTS] table_name [(col_name data_type [COMMENT col_comment], ...)] [COMMENT table_comment] [PARTITIONED BY (col_name data_type [COMMENT col_comment], …)]

      [CLUSTERED BY (col_name, col_name, ...) [SORTED BY (col_name [ASC|DESC], …)] INTO num_buckets BUCKETS]

      [ROW FORMAT row_format] [STORED AS file_format]

      `` [LOCATION hdfs_path];

      • EXTERNAL关键字可以让用户创建一个外部表，在建表的同时指定一个指向实际数据的路径（LOCATION），Hive创建内部表时，会将数据移动到数据仓库指向的路径。
      • 若创建外部表，仅记录数据所在的路径，不对数据的位置做任何改变
      • 在删除表的时候，内部表的元数据和数据会被一起删除，而外部表只删除元数据，不删除数据
      • STORED AS ORC：下次试一下以ORC文件存储一张表，养成这样的习惯，这个表只有优点

        内部表和外部表

        • **内部表：**默认创建的表都是内部表，或称管理表managed table。Hive会::或多或少地::控制着数据的生命周期。Hive默认情况下会将这些表的数据存储在由配置项hive.metastore.warehouse.dir(例如/user/hive/warehouse)所定义的目录的子目录下。 当我们删除一个管理表时，Hive也会删除这个表中数据。++管理表不适合和其他工具共享数据++
        • 外部表：如果表是外部表，那么Hive并非认为其完全拥有这份数据删除该表并不会删除掉这份数据，不过描述表的元数据信息会被删除掉。::所以建一张外部表的实质是在元数据建立一个路径指向外部数据源::，删除外部表只是删除元数据里的信息而原始数据不会删除，当重建表时可直接读取原始数据

          分区

          究其实质，建一张表就是建一个文件夹，然后把数据放在该文件夹里；而分区则是指在这个文件夹(table)下又建立一个子文件夹，把归属这个分区的数据放在这个子文件夹中。最为常见的分区字段就是日期字段，如20200630的数据会放在该表下‘20200630’归属的文件夹里。::以后会出现分区删除等操作，所以掌握分区非常重要::

          • 分区的好处在于提供数据查询效率，当需要某个分区数据时Hive只需要去扫描该表下所需子文件夹即可，而不用全表扫描一遍。++是有点像跳表的索引层，不过会不会允许像跳表一样重叠，这个需要进一步学习++
          • 分区需要在建表时进行，语句为：PARTITIONED BY (col_name data_type)
          • 增加一个分区时：alter table table_name add partition(dt='20200630');
          • 增加多个分区时：alter table table_name add partition(dt='20200630') partition(dt='20200701');
          • 删除一个分区时：alter table table_name drop partition(dt='20200630');
          • 删除多个分区时（注意逗号！）：alter table table_name drop partition(dt='20200630'),partition(dt='20200701');

            其他科普小知识

            • 世界上最大的Hadoop 集群在 Yahoo!，2009年的规模在4000 台节点左右，美团近年来达到了6000台以上。而数据库由于** ACID 语义的严格限制，扩展性非常有限**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
              • 但好像Hadoop也没有万台那种，好像也不是很厉害……