基於Hadoop的資料倉庫Hive 基礎知識 - miao君的文章 - 知乎 https://zhuanlan.zhihu.com/p/25608332

Hive是基於Hadoop的資料倉庫工具，可對儲存在HDFS上的檔案中的資料集進行資料整理、特殊查詢和分析處理，提供了類似於SQL語言的查詢語言–HiveQL，可通過HQL語句實現簡單的MR統計，Hive將HQL語句轉換成MR任務進行執行。

一、概述

1.1 資料倉庫概念

資料倉庫（Data Warehouse）是一個面向主題的（Subject Oriented）、整合的（Integrated）、相對穩定的（Non-Volatile）、反應歷史變化（Time Variant）的資料集合，用於支援管理決策。

資料倉庫體系結構通常含四個層次：資料來源、資料儲存和管理、資料服務、資料應用。

資料來源：是資料倉庫的資料來源，含外部資料、現有業務系統和文件資料等；

資料整合：完成資料的抽取、清洗、轉換和載入任務，資料來源中的資料採用ETL（Extract-Transform-Load）工具以固定的週期載入到資料倉庫中。

資料儲存和管理：此層次主要涉及對資料的儲存和管理，含資料倉庫、資料集市、資料倉庫檢測、執行與維護工具和元資料管理等。

資料服務：為前端和應用提供資料服務，可直接從資料倉庫中獲取資料供前端應用使用，也可通過OLAP（OnLine Analytical Processing，聯機分析處理）伺服器為前端應用提供負責的資料服務。

資料應用：此層次直接面向用戶，含資料查詢工具、自由報表工具、資料分析工具、資料探勘工具和各類應用系統。

1.2 傳統資料倉庫的問題

無法滿足快速增長的海量資料儲存需求，傳統資料倉庫基於關係型資料庫，橫向擴充套件性較差，縱向擴充套件有限。

無法處理不同型別的資料，傳統資料倉庫只能儲存結構化資料，企業業務發展，資料來源的格式越來越豐富。

傳統資料倉庫建立在關係型資料倉庫之上，計算和處理能力不足，當資料量達到TB級後基本無法獲得好的效能。

1.3 Hive

Hive是建立在Hadoop之上的資料倉庫，由Facebook開發，在某種程度上可以看成是使用者程式設計介面，本身並不儲存和處理資料，依賴於HDFS儲存資料，依賴MR處理資料。有類SQL語言HiveQL，不完全支援SQL標準，如，不支援更新操作、索引和事務，其子查詢和連線操作也存在很多限制。

Hive把HQL語句轉換成MR任務後，採用批處理的方式對海量資料進行處理。資料倉庫儲存的是靜態資料，很適合採用MR進行批處理。Hive還提供了一系列對資料進行提取、轉換、載入的工具，可以儲存、查詢和分析儲存在HDFS上的資料。

1.4 Hive與Hadoop生態系統中其他元件的關係

Hive依賴於HDFS儲存資料，依賴MR處理資料；

Pig可作為Hive的替代工具，是一種資料流語言和執行環境，適合用於在Hadoop平臺上查詢半結構化資料集，用於與ETL過程的一部分，即將外部資料裝載到Hadoop叢集中，轉換為使用者需要的資料格式；

HBase是一個面向列的、分散式可伸縮的資料庫，可提供資料的實時訪問功能，而Hive只能處理靜態資料，主要是BI報表資料，Hive的初衷是為減少複雜MR應用程式的編寫工作，HBase則是為了實現對資料的實時訪問。

1.5 Hive與傳統資料庫的對比

1.6 Hive的部署和應用

1.6.1 Hive在企業大資料分析平臺中的應用

當前企業中部署的大資料分析平臺，除Hadoop的基本元件HDFS和MR外，還結合使用Hive、Pig、HBase、Mahout，從而滿足不同業務場景需求。

上圖是企業中一種常見的大資料分析平臺部署框架 ，在這種部署架構中：

• Hive和Pig用於報表中心，Hive用於分析報表，Pig用於報表中資料的轉換工作。
• HBase用於線上業務，HDFS不支援隨機讀寫操作，而HBase正是為此開發，可較好地支援實時訪問資料。
• Mahout提供一些可擴充套件的機器學習領域的經典演算法實現，用於建立商務智慧（BI）應用程式。

二、Hive系統架構

下圖顯示Hive的主要組成模組、Hive如何與Hadoop互動工作、以及從外部訪問Hive的幾種典型方式。

Hive主要由以下三個模組組成：

• 使用者介面模組，含CLI、HWI、JDBC、Thrift Server等，用來實現對Hive的訪問。CLI是Hive自帶的命令列介面；HWI是Hive的一個簡單網頁介面；JDBC、ODBC以及Thrift Server可向使用者提供進行程式設計的介面，其中Thrift Server是基於Thrift軟體框架開發的，提供Hive的RPC通訊介面。
• 驅動模組（Driver），含編譯器、優化器、執行器等，負責把HiveQL語句轉換成一系列MR作業，所有命令和查詢都會進入驅動模組，通過該模組的解析變異，對計算過程進行優化，然後按照指定的步驟執行。
• 元資料儲存模組（Metastore），是一個獨立的關係型資料庫，通常與MySQL資料庫連線後建立的一個MySQL例項，也可以是Hive自帶的Derby資料庫例項。此模組主要儲存表模式和其他系統元資料，如表的名稱、表的列及其屬性、表的分割槽及其屬性、表的屬性、表中資料所在位置資訊等。

喜歡圖形介面的使用者，可採用幾種典型的外部訪問工具：Karmasphere、Hue、Qubole等。

三、Hive工作原理

3.1 SQL語句轉換成MapReduce作業的基本原理

3.1.1 用MapReduce實現連線操作

假設連線（join）的兩個表分別是使用者表User(uid,name)和訂單表Order(uid,orderid)，具體的SQL命令：

SELECT name, orderid FROM User u JOIN Order o ON u.uid=o.uid;

上圖描述了連線操作轉換為MapReduce操作任務的具體執行過程。

首先，在Map階段，

• User表以uid為key，以name和表的標記位（這裡User的標記位記為1）為value，進行Map操作，把表中記錄轉換生成一系列KV對的形式。比如，User表中記錄(1,Lily)轉換為鍵值對(1,<1,Lily>)，其中第一個“1”是uid的值，第二個“1”是表User的標記位，用來標示這個鍵值對來自User表；
• 同樣，Order表以uid為key，以orderid和表的標記位（這裡表Order的標記位記為2）為值進行Map操作，把表中的記錄轉換生成一系列KV對的形式；
• 接著，在Shuffle階段，把User表和Order表生成的KV對按鍵值進行Hash，然後傳送給對應的Reduce機器執行。比如KV對(1,<1,Lily>)、(1,<2,101>)、(1,<2,102>)傳送到同一臺Reduce機器上。當Reduce機器接收到這些KV對時，還需按表的標記位對這些鍵值對進行排序，以優化連線操作；
• 最後，在Reduce階段，對同一臺Reduce機器上的鍵值對，根據“值”（value）中的表標記位，對來自表User和Order的資料進行笛卡爾積連線操作，以生成最終的結果。比如鍵值對(1,<1,Lily>)與鍵值對(1,<2,101>)、(1,<2,102>)的連線結果是(Lily,101)、(Lily,102)。

3.1.2 用MR實現分組操作

假設分數表Score(rank, level)，具有rank（排名）和level（級別）兩個屬性，需要進行一個分組（Group By）操作，功能是把表Score的不同片段按照rank和level的組合值進行合併，並計算不同的組合值有幾條記錄。SQL語句命令如下：

SELECT rank,level,count(*) as value FROM score GROUP BY rank,level;

上圖描述分組操作轉化為MapReduce任務的具體執行過程。

• 首先，在Map階段，對錶Score進行Map操作，生成一系列KV對，其鍵為<rank, level>，值為“擁有該<rank, level>組合值的記錄的條數”。比如，Score表的第一片段中有兩條記錄(A,1)，所以進行Map操作後，轉化為鍵值對(<A,1>,2);
• 接著在Shuffle階段，對Score表生成的鍵值對，按照“鍵”的值進行Hash，然後根據Hash結果傳送給對應的Reduce機器去執行。比如，鍵值對(<A,1>,2)、(<A,1>,1)傳送到同一臺Reduce機器上，鍵值對(<B,2>,1)傳送另一Reduce機器上。然後，Reduce機器對接收到的這些鍵值對，按“鍵”的值進行排序；
• 在Reduce階段，把具有相同鍵的所有鍵值對的“值”進行累加，生成分組的最終結果。比如，在同一臺Reduce機器上的鍵值對(<A,1>,2)和(<A,1>,1)Reduce操作後的輸出結果為(A,1,3)。

3.2 Hive中SQL查詢轉換成MR作業的過程

當Hive接收到一條HQL語句後，需要與Hadoop互動工作來完成該操作。HQL首先進入驅動模組，由驅動模組中的編譯器解析編譯，並由優化器對該操作進行優化計算，然後交給執行器去執行。執行器通常啟動一個或多個MR任務，有時也不啟動（如SELECT * FROM tb1，全表掃描，不存在投影和選擇操作）

上圖是Hive把HQL語句轉化成MR任務進行執行的詳細過程。

• 由驅動模組中的編譯器–Antlr語言識別工具，對使用者輸入的SQL語句進行詞法和語法解析，將HQL語句轉換成抽象語法樹（AST Tree）的形式；
• 遍歷抽象語法樹，轉化成QueryBlock查詢單元。因為AST結構複雜，不方便直接翻譯成MR演算法程式。其中QueryBlock是一條最基本的SQL語法組成單元，包括輸入源、計算過程、和輸入三個部分；
• 遍歷QueryBlock，生成OperatorTree（操作樹），OperatorTree由很多邏輯操作符組成，如TableScanOperator、SelectOperator、FilterOperator、JoinOperator、GroupByOperator和ReduceSinkOperator等。這些邏輯操作符可在Map、Reduce階段完成某一特定操作；
• Hive驅動模組中的邏輯優化器對OperatorTree進行優化，變換OperatorTree的形式，合併多餘的操作符，減少MR任務數、以及Shuffle階段的資料量；
• 遍歷優化後的OperatorTree，根據OperatorTree中的邏輯操作符生成需要執行的MR任務；
• 啟動Hive驅動模組中的物理優化器，對生成的MR任務進行優化，生成最終的MR任務執行計劃；
• 最後，有Hive驅動模組中的執行器，對最終的MR任務執行輸出。

Hive驅動模組中的執行器執行最終的MR任務時，Hive本身不會生成MR演算法程式。它通過一個表示“Job執行計劃”的XML檔案，來驅動內建的、原生的Mapper和Reducer模組。Hive通過和JobTracker通訊來初始化MR任務，而不需直接部署在JobTracker所在管理節點上執行。通常在大型叢集中，會有專門的閘道器機來部署Hive工具，這些閘道器機的作用主要是遠端操作和管理節點上的JobTracker通訊來執行任務。Hive要處理的資料檔案常儲存在HDFS上，HDFS由名稱節點（NameNode）來管理。

四、Hive HA基本原理

在實際應用中，Hive也暴露出不穩定的問題，在極少數情況下，會出現埠不響應或程序丟失問題。Hive HA（High Availablity）可以解決這類問題。

在Hive HA中，在Hadoop叢集上構建的資料倉庫是由多個Hive例項進行管理的，這些Hive例項被納入到一個資源池中，由HAProxy提供統一的對外介面。客戶端的查詢請求，首先訪問HAProxy，由HAProxy對訪問請求進行轉發。HAProxy收到請求後，會輪詢資源池中可用的Hive例項，執行邏輯可用性測試。

如果某個Hive例項邏輯可用，就會把客戶端的訪問請求轉發到Hive例項上；

如果某個例項不可用，就把它放入黑名單，並繼續從資源池中取出下一個Hive例項進行邏輯可用性測試。

對於黑名單中的Hive，Hive HA會每隔一段時間進行統一處理，首先嚐試重啟該Hive例項，如果重啟成功，就再次把它放入資源池中。

由於HAProxy提供統一的對外訪問介面，因此，對於程式開發人員來說，可把它看成一臺超強“Hive”。

五、Impala

5.1 Impala簡介

Impala由Cloudera公司開發，提供SQL語義，可查詢儲存在Hadoop和HBase上的PB級海量資料。Hive也提供SQL語義，但底層執行任務仍藉助於MR，實時性不好，查詢延遲較高。

Impala作為新一代開源大資料分析引擎，最初參照Dremel（由Google開發的互動式資料分析系統），支援實時計算，提供與Hive類似的功能，在效能上高出Hive3~30倍。Impala可能會超過Hive的使用率能成為Hadoop上最流行的實時計算平臺。Impala採用與商用並行關係資料庫類似的分散式查詢引擎，可直接從HDFS、HBase中用SQL語句查詢資料，不需把SQL語句轉換成MR任務，降低延遲，可很好地滿足實時查詢需求。

Impala不能替換Hive，可提供一個統一的平臺用於實時查詢。Impala的執行依賴於Hive的元資料（Metastore）。Impala和Hive採用相同的SQL語法、ODBC驅動程式和使用者介面，可統一部署Hive和Impala等分析工具，同時支援批處理和實時查詢。

5.2 Impala系統架構

上圖是Impala系統結構圖，虛線模組資料Impala元件。Impala和Hive、HDFS、HBase統一部署在Hadoop平臺上。Impala由Impalad、State Store和CLI三部分組成。

• Implalad：是Impala的一個程序，負責協調客戶端提供的查詢執行，給其他Impalad分配任務，以及收集其他Impalad的執行結果進行彙總。Impalad也會執行其他Impalad給其分配的任務，主要是對本地HDFS和HBase裡的部分資料進行操作。Impalad程序主要含Query Planner、Query Coordinator和Query Exec Engine三個模組，與HDFS的資料節點（HDFS DataNode）執行在同一節點上，且完全分佈執行在MPP（大規模並行處理系統）架構上。
• State Store：收集分佈在叢集上各個Impalad程序的資源資訊，用於查詢的排程，它會建立一個statestored程序，來跟蹤叢集中的Impalad的健康狀態及位置資訊。statestored程序通過建立多個執行緒來處理Impalad的註冊訂閱以及與多個Impalad保持心跳連線，此外，各Impalad都會快取一份State Store中的資訊。當State Store離線後，Impalad一旦發現State Store處於離線狀態時，就會進入恢復模式，並進行返回註冊。當State Store重新加入集群后，自動恢復正常，更新快取資料。
• CLI：CLI給使用者提供了執行查詢的命令列工具。Impala還提供了Hue、JDBC及ODBC使用介面。

5.3 Impala查詢執行過程

• 註冊和訂閱。當用戶提交查詢前，Impala先建立一個Impalad程序來負責協調客戶端提交的查詢，該程序會向State Store提交註冊訂閱資訊，State Store會建立一個statestored程序，statestored程序通過建立多個執行緒來處理Impalad的註冊訂閱資訊。
• 提交查詢。通過CLI提交一個查詢到Impalad程序，Impalad的Query Planner對SQL語句解析，生成解析樹；Planner將解析樹變成若干PlanFragment，傳送到Query Coordinator。其中PlanFragment由PlanNode組成，能被分發到單獨的節點上執行，每個PlanNode表示一個關係操作和對其執行優化需要的資訊。
• 獲取元資料與資料地址。Query Coordinator從MySQL元資料庫中獲取元資料（即查詢需要用到哪些資料），從HDFS的名稱節點中獲取資料地址（即資料被儲存到哪個資料節點上），從而得到儲存這個查詢相關資料的所有資料節點。
• 分發查詢任務。Query Coordinator初始化相應的Impalad上的任務，即把查詢任務分配給所有儲存這個查詢相關資料的資料節點。
• 匯聚結果。Query Executor通過流式交換中間輸出，並由Query Coordinator匯聚來自各個Impalad的結果。
• 返回結果。Query Coordinator把彙總後的結果返回給CLI客戶端。

5.4 Impala與Hive

不同點：

Hive適合長時間批處理查詢分析；而Impala適合進行互動式SQL查詢。

Hive依賴於MR計算框架，執行計劃組合成管道型MR任務模型進行執行；而Impala則把執行計劃表現為一棵完整的執行計劃樹，可更自然地分發執行計劃到各個Impalad執行查詢。

Hive在執行過程中，若記憶體放不下所有資料，則會使用外存，以保證查詢能夠順利執行完成；而Impala在遇到記憶體放不下資料時，不會利用外存，所以Impala處理查詢時會受到一定的限制。

相同點：

使用相同的儲存資料池，都支援把資料儲存在HDFS和HBase中，其中HDFS支援儲存TEXT、RCFILE、PARQUET、AVRO、ETC等格式的資料，HBase儲存表中記錄。

使用相同的元資料。

對SQL的解析處理比較類似，都是通過詞法分析生成執行計劃。