Silicon Valley is still big data technologies Hive
The first 1 Chapter Hive Starter
1.1 What is the Hive
Hive : the Facebook open source for statistical data to solve the massive structure of the log.
Hive is based on Hadoop is a data warehousing tools , you can map the structure of the data file to a table , and provides class SQL queries.
Essentially: the HQL converted to MapReduce program
. 1 ) Hive data storage processing in the HDFS
2 ) Hive achieve the underlying data is analyzed MapReduce
3 ) the implementation of a program run Yarn on
1.2 Hive advantages and disadvantages
1.2.1 advantage
1) operator interface uses class SQL syntax provides the ability to rapidly develop (simple, easy to use) .
2) avoiding to write MapReduce , developers reduce the cost of learning .
. 3) Hive execution delay is relatively high, so Hive commonly used in the data analysis, less demanding real-time applications .
4) Hive advantage of big data processing, for processing data no small advantage, because Hive execution delay is relatively high .
5) Hive support for user-defined functions, users can implement your own functions according to their needs .
1.2 Hive advantages and disadvantages
1.2.1 advantage
1) operator interface uses class SQL syntax provides the ability to rapidly develop (simple, easy to use) .
2) avoiding to write MapReduce , developers reduce the cost of learning .
. 3) Hive execution delay is relatively high, so Hive commonly used in the data analysis, less demanding real-time applications .
4) Hive advantage of big data processing, for processing data no small advantage, because the Hive 's execution delayed relatively high .
5) Hive support for user-defined functions, users can implement your own functions according to their needs .
1.2.2 shortcomings
1. Hive of HQL limited skills
( 1 ) iterative algorithm can not express
( 2 ) data mining are not good
2. Hive of relatively low efficiency
( . 1 ) Hive automatically generated MapReduce job, usually enough intelligence
( 2 ) Hive tuning more difficult, coarser
1.3 Hive architecture principles
Figure 6-1 Hive architecture principles
1. User Interface: Client
CLI ( Hive shell ), JDBC / ODBC (the Java Access hive) , the WEBUI (browser access Hive )
2. Metadata: Metastore
Metadata includes: table name, table belongs to a database (the default is the default ), owner of the table, column / partition field, type the table (if an external table), where the table of contents and other data;
The default is stored in the built-in derby database, it is recommended to use MySQL storage Metastore
3．Hadoop
Use HDFS storage, use MapReduce calculated.
4．驱动器：Driver
（1）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。
（2）编译器（Physical Plan）：将AST编译生成逻辑执行计划。
（3）优化器（Query Optimizer）：对逻辑执行计划进行优化。
（4）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。
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。
1.4 Hive和数据库比较
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 和数据库除了拥有类似的查询语言，再无类似之处。本文将从多个方面来阐述 Hive 和数据库的差异。数据库可以用在 Online 的应用中，但是Hive 是为数据仓库而设计的，清楚这一点，有助于从应用角度理解 Hive 的特性。
1.4.1 查询语言
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。
1.4.2 数据存储位置
Hive 是建立在 Hadoop 之上的，所有 Hive 的数据都是存储在 HDFS 中的。而数据库则可以将数据保存在块设备或者本地文件系统中。
1.4.3 数据更新
由于Hive是针对数据仓库应用设计的，而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。而数据库中的数据通常是需要经常进行修改的，因此可以使用 INSERT INTO … VALUES 添加数据，使用 UPDATE … SET修改数据。
1.4.4 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，对于大数据量的访问，Hive 仍然可以体现出优势。数据库中，通常会针对一个或者几个列建立索引，因此对于少量的特定条件的数据的访问，数据库可以有很高的效率，较低的延迟。由于数据的访问延迟较高，决定了 Hive 不适合在线数据查询。
1.4.5 执行
Hive中大多数查询的执行是通过 Hadoop 提供的 MapReduce 来实现的。而数据库通常有自己的执行引擎。
1.4.6 执行延迟
Hive 在查询数据的时候，由于没有索引，需要扫描整个表，因此延迟较高。另外一个导致 Hive 执行延迟高的因素是 MapReduce框架。由于MapReduce 本身具有较高的延迟，因此在利用MapReduce 执行Hive查询时，也会有较高的延迟。相对的，数据库的执行延迟较低。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优势。
1.4.7 可扩展性
由于Hive是建立在Hadoop之上的，因此Hive的可扩展性是和Hadoop的可扩展性是一致的（世界上最大的Hadoop 集群在 Yahoo!，2009年的规模在4000 台节点左右）。而数据库由于 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。
1.4.8 数据规模
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；对应的，数据库可以支持的数据规模较小。