Исходный автор (ы) | |
---|---|
Разработчик (и) | Соавторы |
Первоначальный выпуск | 1 октября 2010 г.; 10 лет назад (2010-10-01) |
Стабильный выпуск | 3.1.2 / 26 августа 2019 г.; 13 месяцев назад (26.08.2019) |
Репозиторий | github.com / apache / hive |
Написано на | Java |
Операционная система | Кросс-платформенный |
Доступно в | SQL |
Тип | Хранилище данных |
Лицензия | Лицензия Apache 2.0 |
Веб-сайт | куст.apache.org |
Apache Hive - это программный проект хранилища данных, созданный на основе Apache Hadoop для обеспечения запросов и анализа данных. Hive предоставляет SQL -подобный интерфейс для запроса данных, хранящихся в различных базах данных и файловых системах, которые интегрируются с Hadoop. Традиционные SQL-запросы должны быть реализованы в Java API MapReduce для выполнения SQL-приложений и запросов к распределенным данным. Hive предоставляет необходимую абстракцию SQL для интеграции SQL-подобных запросов (HiveQL) в базовую Java без необходимости реализации запросов в низкоуровневом Java API. Поскольку большинство приложений для хранилищ данных работают с языками запросов на основе SQL, Hive помогает переносить приложения на основе SQL в Hadoop. Первоначально разработанный Facebook, Apache Hive используется и разрабатывается другими компаниями, такими как Netflix и Регулирующим органом финансовой отрасли (FINRA). Amazon поддерживает программный ответвление Apache Hive, включенное в Amazon Elastic MapReduce на Amazon Web Services.
Apache Hive поддерживает анализ больших наборов данных, хранящихся в Hadoop. HDFS и совместимые файловые системы, такие как Amazon S3 filesystem и Alluxio. Он предоставляет SQL -подобный язык запросов под названием HiveQL со схемой при чтении и прозрачно преобразует запросы в задания MapReduce, Apache Tez и Spark. Все три механизма выполнения могут работать в согласователе ресурсов Hadoop, YARN (еще один согласователь ресурсов). Для ускорения запросов он предоставляет индексы, включая индексы растровых изображений. Другие функции Hive включают:
Автор По умолчанию Hive хранит метаданные во встроенной базе данных Apache Derby, а также могут использоваться другие клиент-серверные базы данных, такие как MySQL.
Первые четыре формата файлов, поддерживаемые в Hive представлял собой простой текст, файл последовательности, оптимизированный столбчатый формат строк (ORC) и RCFile. Apache Parquet можно было читать через плагин в версиях позже 0.10 и изначально начиная с 0,13. Дополнительные плагины Hive поддерживают запросы к Bitcoin Blockchain.
Основные компоненты архитектуры Hive:
Хотя HiveQL основан на SQL, это возможно. не строго следовать полному стандарту SQL-92. HiveQL предлагает расширения не в SQL, в том числе многотабличные вставки и создание таблицы как select, но предлагает только базовую поддержку для индексов. В HiveQL отсутствовала поддержка транзакций и материализованных представлений, а также ограниченная поддержка подзапросов. Поддержка вставки, обновления и удаления с полной функциональностью ACID стала доступной в версии 0.14.
Внутри компилятор переводит операторы HiveQL в направленные ациклический граф из заданий MapReduce, Tez или Spark, которые отправляются в Hadoop для выполнения.
Количество слов программа считает, сколько раз каждое слово встречается во входных данных. Подсчет слов можно записать в HiveQL как:
1 DROP TABLE IF EXISTS docs; 2 СОЗДАТЬ ТАБЛИЦУ документы (строка СТРОКА); 3 ЗАГРУЗИТЬ ДАННЫЕ INPATH 'input_file' ПЕРЕЗАПИСАТЬ В ТАБЛИЦУ документы; 4 СОЗДАТЬ ТАБЛИЦУ word_counts как 5 SELECT word, count (1) AS count FROM 6 (SELECT explode (split (line, '\ s')) AS word FROM docs) temp 7 GROUP BY word 8 ORDER BY word;
Краткое объяснение каждого из операторов следующее:
1 DROP TABLE IF EXISTS docs; 2 СОЗДАТЬ ТАБЛИЦУ документы (строка СТРОКА);
Проверяет, существует ли таблица docs
, и удаляет ее, если существует. Создает новую таблицу с именем docs
с единственным столбцом типа STRING
с именем line
.
3 ЗАГРУЗИТЬ ДАННЫЕ INPATH 'input_file' OVERWRITE INTO TABLE docs;
Загружает указанный файл или каталог (в данном случае «input_file») в таблицу. OVERWRITE
указывает, что целевая таблица, в которую загружаются данные, должна быть перезаписана; В противном случае данные будут добавлены.
4 CREATE TABLE word_counts AS 5 SELECT word, count (1) AS count FROM 6 (SELECT explode (split (line, '\ s')) AS word FROM docs) temp 7 GROUP BY word 8 ORDER BY word;
Запрос CREATE TABLE word_counts AS SELECT word, count (1) AS count
создает таблицу с именем word_counts
с двумя столбцами: word
и количество
. Этот запрос получает входные данные из внутреннего запроса (SELECT explode (split (line, '\ s')) AS word FROM docs) temp "
. Этот запрос служит для разделения входных слов на разные строки временная таблица с псевдонимом temp
. GROUP BY WORD
группирует результаты на основе их ключей. В результате получается столбец count
, содержащий количество вхождений для каждого слова столбца слово
. ORDER BY WORDS
сортирует слова в алфавитном порядке.
Операции хранения и запросов Hive тесно напоминают традиционные базы данных. Хотя Hive является диалектом SQL, существует множество различий в структуре и работе Hive по сравнению с реляционными базами данных. Различия в основном связаны с тем, что Hive построен на основе Hadoop экосистемы, и должен соответствовать ограничениям Hadoop и MapReduce.
Схема применяется к таблице в традиционных базах данных. В таких традиционных базах данных таблица обычно обеспечивает соблюдение схемы при загрузке данных в таблицу. Это позволяет базе данных убедиться, что введенные данные соответствуют представлению таблицы, как указано в определении таблицы. Такой дизайн называется схемой при записи. Для сравнения, Hive не проверяет данные по схеме таблицы при записи. Вместо этого он впоследствии выполняет проверки во время выполнения, когда данные читаются. Эта модель называется схемой при чтении. У этих двух подходов есть свои преимущества и недостатки. Проверка данных по схеме таблицы во время загрузки увеличивает накладные расходы, поэтому традиционным базам данных требуется больше времени для загрузки данных. Проверки качества выполняются по данным во время загрузки, чтобы гарантировать, что данные не повреждены. Раннее обнаружение поврежденных данных обеспечивает раннюю обработку исключений. Поскольку таблицы вынуждены соответствовать схеме после / во время загрузки данных, они имеют лучшую производительность во время запроса. Hive, с другой стороны, может загружать данные динамически без какой-либо проверки схемы, обеспечивая быструю начальную загрузку, но с недостатком относительно более низкой производительности во время запроса. У Hive есть преимущество, когда схема недоступна во время загрузки, а вместо этого генерируется позже динамически.
Транзакции являются ключевыми операциями в традиционных базах данных. Как и любая типичная СУБД, Hive поддерживает все четыре свойства транзакций (ACID ): атомарность, согласованность, изоляция и Прочность. Транзакции в Hive были введены в Hive 0.13, но были ограничены только уровнем раздела. В последней версии Hive 0.14 эти функции были полностью добавлены для поддержки полных свойств ACID. Hive 0.14 и более поздних версий предоставляет различные транзакции на уровне строк, такие как INSERT, DELETE и UPDATE. Включение транзакций INSERT, UPDATE, DELETE требует установки соответствующих значений для свойств конфигурации, таких как hive.support.concurrency
, hive.enforce.bucketing
и hive.exec.dynamic. partition.mode
.
В Hive v0.7.0 добавлена интеграция с безопасностью Hadoop. Hadoop начал использовать поддержку авторизации Kerberos для обеспечения безопасности. Kerberos позволяет взаимную аутентификацию между клиентом и сервером. В этой системе запрос клиента на билет передается вместе с запросом. В предыдущих версиях Hadoop было несколько проблем, таких как возможность пользователей подделать свое имя пользователя, задав свойство hadoop.job.ugi
, а также операции MapReduce, выполняемые одним и тем же пользователем: hadoop или mapred. Благодаря интеграции Hive v0.7.0 с безопасностью Hadoop эти проблемы в значительной степени были исправлены. Задания TaskTracker запускаются пользователем, запустившим его, и имя пользователя больше не может быть подделано путем установки свойства hadoop.job.ugi
. Разрешения для вновь созданных файлов в Hive диктует HDFS. Модель авторизации распределенной файловой системы Hadoop использует три объекта: пользователь, группа и другие с тремя разрешениями: чтение, запись и выполнение. Разрешения по умолчанию для вновь создаваемых файлов можно установить, изменив значение umask для переменной конфигурации Hive hive.files.umask.value
.