Hive架构

[toc]

概念

按照官网翻译，Hive是一个使用SQL管理和使用基于分布式存储的数据集的数据仓库工具软件。注意形容词知道了几个特点：

1. 使用SQL
2. 数据仓库、管理数据集（表）
3. 基于Hadoop

Hive的组件包括HCatalog和WebHCat。

• HCatalog是Hadoop的表和存储管理层，它使具有不同数据处理工具（包括Pig和MapReduce）的用户能够更轻松地在网格上读写数据。
• WebHCat提供了一种服务，可用于运行Hadoop MapReduce（或YARN），Pig，Hive作业。还可以使用HTTP（REST样式）接口执行Hive元数据操作。

架构

照例先说下架构图

这里可以看到非常明确的组件关系。数据以文件形式存储在HDFS，执行期间用户通过cli提交DDL 或者query SQL，DDL会与MetaStore交互，其中MetaStore负责存储所有表信息（meta），二querySQL会提交给Hive QL来做执行，这个通用数据库都包含这样的模块。其中包含sql解析，执行计划生成和MR执行，会将sql以MR来执行。

MetaStore

MetaStore负责存储所有的表schema和SerDe库，还有表的HDFS地址等。Hive的表是以HDFS的文件存储的，数据模型如下：

执行

通常的sql引擎执行sql的能力其实没有太多的要说的，hive会将sql解析为一个执行计划来执行MapReduce，比如对于一个sql

select a,count(1) from t where c=1 group by a;

Hive会将其转换为一个执行计划比如下图：

调优

因为本质上是分布式MapReduce模式，因此在写Hive SQL时，我们要了解不同表的数据量和数据分布，在group by聚合以及join操作时避免倾斜。Hive本身LanguageManuel[6]中有对于Join Optimization的介绍，包括了MapJoin的hint以及SMB join优化等。而阿里的ODPS（MaxCompute）服务也在2018年推出了Hash Clustering 和 Range Clustering特性。

总结

这是一篇非常简略的笔记，因为本身hive就很简单，但是具体数仓ETL研发过程中的变化和策略是非常多的。开篇后，希望后续有持续的积累和记录。

图片和内容引用

[4] https://www.slideshare.net/athusoo/hive-apachecon-2008-presentation?from_action=save
[5] https://www.slideshare.net/namit_jain/hive-demo-paper-at-vldb-2009
[6] https://cwiki.apache.org/confluence/display/Hive/LanguageManual