入手 Hive 需要知道的一些概念

一、前言

Hive 是什么？ 与 HBase有什么不同 ？ 为什么安装Hive 需要 安装MySQL?

二、 需要 解决的问题如下

1. Hive 是什么？

Hive是一个基于Hadoop的数据仓库平台, Hive可以看成是从SQL到Map-Reduce的 映射器 。 它的框架图如下：

 

来张更清晰的图：

 

2. 与 HBase有什么不同

HBase是数据库（处理实时数据，实时性高，目前不支持SQL语句），而Hive 是数据仓库（处理离线数据）。

详细区别：https://blog.csdn.net/vipyeshuai/article/details/50847281

3. 为什么安装Hive 需要 安装MySQL?

默认情况下，Hive元数据保存在内嵌的 Derby 数据库中，只能允许一个会话连接，只适合简单的测试。为了支持多用户多会话，则需要一个独立的元数据库，我们使用 MySQL 作为元数据库，Hive 内部对 MySQL 提供了很好的支持。

那Hive的数据放在哪儿？

• 数据在HDFS的warehouse目录下，一个表对应一个子目录。
• 本地的/tmp目录存放日志和执行计划 
• hive的元数据保存在MySQL 中（Derby ）。

三、打通了以上概念后如同习武之人的任督二脉已通 。

四、深入思考

1. 怎么测试 Hive 性能？ 有哪些BenchMark?

 a) HiBench:

配置文件 aggregation.conf  join.conf  scan.conf

各个运行文件：

~/HiBench/bin/workloads/sql/aggregation/:
hadoop  prepare  spark

~/HiBench/bin/workloads/sql/join/:
hadoop  prepare  spark

~/HiBench/bin/workloads/sql/scan/:
hadoop  prepare  spark

~/HiBench/bin/workloads/sql/scan/prepare/prepare.sh

~/HiBench/bin/workloads/sql/scan/hadoop/run.sh

b) TPC

2. Spark 是否 对Hive 有改进？

SparkSQL的前身是Shark，给熟悉RDBMS但又不理解MapReduce的技术人员提供快速上手的工具，hive应运而生，它是当时唯一运行在Hadoop上的SQL-on-hadoop工具。但是MapReduce计算过程中大量的中间磁盘落地过程消耗了大量的I/O，降低的运行效率，为了提高SQL-on-Hadoop的效率，Shark应运而生，但又因为Shark对于Hive的太多依赖（如采用Hive的语法解析器、查询优化器等等),2014年spark团队停止对Shark的开发，将所有资源放SparkSQL项目上

其中SparkSQL作为Spark生态的一员继续发展，而不再受限于Hive，只是兼容Hive；而Hive on Spark是一个Hive的发展计划，该计划将Spark作为Hive的底层引擎之一，也就是说，Hive将不再受限于一个引擎，可以采用Map-Reduce、Tez、Spark等引擎。

 hive on spark大体与SparkSQL结构类似，只是SQL引擎不同，但是计算引擎都是spark！敲黑板！这才是重点！ hive on spark大体与SparkSQL结构类似，只是SQL引擎不同，但是计算引擎都是spark！

sparksql和hive on spark时间差不多，但都比hive on mapreduce快很多，官方数据认为spark会被传统mapreduce快10-100倍

参考：

http://www.itfly.pc-fly.com/article/p-hive%E6%95%B0%E6%8D%AE%E5%BA%93.html

https://blog.csdn.net/mrlevo520/article/details/76696073