大家早上好，本人姓吴，如果觉得文章写得还行的话也可以叫我吴老师。欢迎大家跟我一起走进数据分析的世界，一起学习！

感兴趣的朋友可以关注我或者我的数据分析专栏，里面有许多优质的文章跟大家分享哦。

---

前期回顾：
⼤数据是如何产⽣的？大数据的特点是什么？什么是埋点？如何进行数据埋点？【超详细介绍】
一文搞懂什么是数据仓库(Data Warehouse)数据仓库与数据库区别有哪些？什么是元数据？

后期链接：
超硬核！只需一篇万字博客带你掌握Hive❤️史上最详细的Hive语言大全❤️建议收藏慢慢观看

本期终于要给大家介绍Hive了，为此我还花了好几个小时的写了如何安装Hive的博客，希望大家能喜欢这篇博客。

1 什么是Hive？

首先给大家介绍一下什么是Hive。

Hive是Facebook为了解决海量数据的统计分析，而开发的基于Hadoop的一个数据分析工具（也就证明了Hive没有存储数据的能力，它只有使用数据的能力），而且是将结构化的数据文件映射为一张数据库表（结构化是它对于存储在HDFS上的数据的一个要求，其他的文件是不能映射为Hive表），而且它提供的是类SQL查询功能，所以在数据使用的时候给我们提供了很大的方便。

所以HQL其实就是Hive缩写为H，Query缩写为Q，Language缩写为L。

由于Hive是一个数据仓库工具，没有数据存储功能，它的数据是从HDFS来获得的，但是它又不能直接从HDFS进行数据访问，它是通过MapReduce来实现的，本质上也就是将HQL语句转换为MapReduce的任务，然后来进行数据访问。

将HQL语句转换为MapReduce任务进行运行的流程如下：

在搭建Hive数据仓库时，将相关语句常用的指令操作，比如SELECT、FROM、WHERE以及函数用MapReduce写成模板，并且将这些所有的MapReduce的模板封装到Hive中。这是我们在搭建Hive数据仓库的时候就形成的。

那我们所要做的，如我们是客户，根据业务需求编写相应的SQL语句，它会自动地到Hive封装的这些MapReduce中去匹配。匹配完之后就运行MapReduce程序，生成相应的分析结果，然后反馈给我们。

总之就是做离线数据分析时，Hive要比直接使用MapReduce开发效率更高。

2 为什么使用Hive？

看到这里可能就会朋友疑惑了，为什么Hive要比直接使用MapReduce开发效率更高？

• 首先，直接使用MapReduce面临的问题是学习成本比较高，因为他要学习Java或者是Python，而且MapReduce实现复杂的查询逻辑的时候，开发难度会相对大。那如果我们使用Hive的HQL语句呢，接口采用的是类SQL语法，所以它能启动快速的开发功能，因为掌握SQL语句的人要比掌握Java或者Python的人要多。
• 第二个就是避免了去写MapReduce，减少了开发人员的学习成本。
• 还有一个就是功能扩展比较方便。

3 Hive的优缺点

其实优缺点的话在上文就介绍得七七八八了。

3.1 Hive的优点

1. 节省学习成本；
2. 在数据处理方面，Hive语句最终会生成MapReduce任务去计算，常用于离线数据分析，对数据实时性要求不高的场景（其实这里就是在说Hive本身的用途，它就是做离线数据分析的）；
3. 在数据存储方面，它能够存储很大的数据集（实际上它是不存储数据的，这里的“很大的数据集”实际上指的是HDFS），并且它对数据完整性和格式要求不严格（只要是结构化的就可以了）；
4. 再看延展性。Hive支持用户自定义函数（MySQL、SqlServer也支持），用户可以根据自身需求实现相应函数。

3.2 Hive的缺点

1. HQL本身表达能力有限，也就是当我们的逻辑需求特别复杂的时候，我们还是要借助MapReduce；
2. Hive操作默认基于MapReduce引擎，而MapReduce引擎与其它的引擎（如spark引擎）相比，特点就是慢、延迟高、不适合交互式查询，所以Hive也有这个缺点（但是注意这里讲的只是默认，是可以更改成其他引擎的）。

4 Hive的架构

如图，底层的MapReduce还有HDFS，在这里是Hadoop的组件，和Hive没有关系。对于上面的Client部分，属于应用层，和Hive也没有关系。

而图中圈红的才是Hive的部分。

• 左侧的元数据在这里的作用是存储了与HDFS的映射关系。我们在做Hive介绍的时候我们知道Hive是Hadoop的一个数据仓库工具，它可以将结构化的数据映射为一张表，这里结构化的数据是存储在HDFS上的一个数据文件。所以说这里的元数据保存的就是Hive当中的表与HDFS的映射关系。
• 接着来看解析器，它其实就是对我们写的HQL语句进行基本检验（语法检验之类）；
• 编译器就是将HQL语句翻译成MapReduce语句（默认MapReduce，可更改），也就是生成逻辑执行计划；
• 优化器会根据编写的语句进行MapReduce的优化。我们知道在在HQL转换为MapReduce的时候，是封装了很多的模板的。而随着Hive的更新迭代，模板是越来越多的，所以是需要优化的；
• 执行器呢，就是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MapReduce/Spark。

再下来看Hive的运行机制。

对于数据仓库来说，用户使用无非就是提取数据然后得到相应的分析结果。

那提取数据的方式呢，由于Hive提供的是类SQL语句，而MySQL提取数据就是SELECT…FROM，所以Hive也是一样。提取后就是将SELECT语句解析成MapReduce程序，然后使用MapReduce框架进行运行，就能给我们返回相应的结果了。

在看图左边。用户创建表（和MySQL一样），然后通过映射关系向导向到HDFS这个数据文件中，所以就有了相应的元数据记录，而有了元数据记录就存储在Hive元数据库中，默认是存储在derby数据库中，不过derby也有一些缺点（有机会再介绍），所以多数情况下存储在MySQL中。大家可以发现，有些公司在搭建Hadoop平台时是有安装MySQL的，其实就是用来存储HIve的元数据。

5 Hive与传统数据库对比

了解了Hive的运行机制后，我们再来了解一下Hive与传统数据库区别在哪？

上上篇博客中我们是有介绍数据仓库和传统数据库的区别，但是是从存储量、特征、面向对象、设计数据量等等来区分的。

那我们来看一下具体的数据仓库，即Hive与传统数据库的区别在哪里。

• Hive 用于海量数据的离线分析。
• Hive 具有sql数据库的外表，但应用场景完全不同，Hive 只适用于批量数据统计分析。

更直观的对比图如下：

• 从查询语句上来说，Hive使用的HQL，传统数据库使用的是SQL；
• 从数据存储来看，Hive是没有存储能力的，它所有的数据都映射道了HDFS上，所以它是基于Hadoop的数据仓库工具，但是传统数据库是有数据存储能力的；
• 从数据更新来看，Hive是不支持数据更改添加的;
• 从执行来看，HIve是基于MapReduce引擎的，而传统数据库是可以直接执行的，没有翻译的步骤；
• 从延迟来看，Hive由于接触的数据量比较大，所以延迟可能会高一些；
• 从规模来看，Hive是数据仓库嘛，自然要大得多；
• 从可拓展性来看，Hive是基于Hadoop这样一个分布式平台的，是集群，可拓展性自然很高啦；
• 从索引来看，虽然索引能提高查询速度，但Hive没有索引，传统数据库有。

6 Hive数据模型

Hive 的数据模型主要有以下四种，如下图所示：

• 单独的一个表；
• 对表进行分区；
• 对表进行分区，再分桶；
• 对表直接分桶。

Hive的分区和MySQL的分区还是有所不同的，主要体现在Hive分区在HDFS的目录结构，后续会再讲。

7 Hive安装

Hive安装前需要安装好JDK和Hadoop，配置好环境变量。

在介绍Hive的架构时我们就知道了元数据存储的位置可以有两种，根据元数据存储介质不同，分为两个版本 。

一个是derby版本，优点是易于安装，但是缺点很严重，如果你在不同路径启动Hive，这样每个Hive会拥有一套自己的元数据，并无法共享，注：每个目录下都会出现(derby.log 及 metastore_db)；另一个是mysql版本，它没有derby版本的缺点，但是安装较复杂。

建议还是安装mysql版本的Hive。

在这里，为了不要让大家体会“还没开始就结束”痛苦，我花了五个小时，整理出了全网最详细的图文教程（实话实说，网上的安装教程对Windows太不友好了），面向对象是使用Windows系统的朋友。

Windows下安装Hive MySQL版傻瓜式教程【附安装Hadoop教程】全网最详细的图文教程

推荐关注的专栏

👨‍👩‍👦‍👦 机器学习：分享机器学习理论基础和常用模型讲解
👨‍👩‍👦‍👦 数据分析：分享数据分析实战项目和常用技能整理

关注我，了解更多相关知识！

CSDN@报告，今天也有好好学习