大数据之运维资料

Hive设计特征
• Hive 是一种底层封装了Hadoop 的数据仓库处理工具，使用类SQL 的HiveQL 语言 实现数据查询，所有Hive 的数据都存储在Hadoop 兼容的文件系统（例如， Amazon S3、HDFS）中。Hive 在加载数据过程中不会对数据进行任何的修改，只 是将数据移动到HDFS 中Hive 设定的目录下，因此，Hive 不支持对数据的改写和 添加，所有的数据都是在加载的时候确定的。Hive 的设计特点如下。
• Hive 是建立在 Hadoop 上的数据仓库基础构架。它提供了一系列的工具，可以用
来进行数据提取转化加载（ETL），这是一种可以存储、查询和分析存储在 Hadoop 中的大规模数据的机制。Hive 定义了简单的类 SQL 查询语言，称为 HQL， 它允许熟悉 SQL 的用户查询数据。同时，这个语言也允许熟悉 MapReduce 开发 者的开发自定义的 mapper 和 reducer 来处理内建的 mapper 和 reducer 无法完 成的复杂的分析工作。
● 支持索引，加快数据查询。 ● 不同的存储类型，例如，纯文本文件、HBase 中的文件。 ● 将元数据保存在关系数据库中，大大减少了在查询过程中执行语义检查的时间。 ● 可以直接使用存储在Hadoop 文件系统中的数据。 ● 内置大量用户函数UDF 来操作时间、字符串和其他的数据挖掘工具，支持用户扩展UDF 函 数来完成内置函数无法实现的操作。 ● 类SQL 的查询方式，将SQL 查询转换为MapReduce 的job 在Hadoop集群上执行。
解释器、编译器、优化器完成 HQL 查询语句从词法分析、语法分析、编译、优化 以及查询计划的生成。生成的查询计划存储在 HDFS 中，并在随后由 MapReduce 调 用执行。
• Hadoop
Hive 的数据存储在 HDFS 中，大部分的查询由 MapReduce 完成（包含 * 的查询， 比如 select * from tbl 不会生成 MapReduce 任务）。
大数据运维
郭现伟
大数据知识图谱
大数据运维知识图谱
Hadoop简介
Hadoop的框架最核心的设计就是：HDFS和MapReduce。HDFS为海量 的数据提供了存储，而MapReduce则为海量的数据提供了计算
Hadoop是一个能够让用户轻松架构和使用的分布式计算平台。用户可以轻松地在Hadoop 上开发和运行处理海量数据的应用程序。它主要有以下几个优点： 高可靠性。Hadoop按位存储和处理数据的能力值得人们信赖。 高扩展性。Hadoop是在可用的计算机集簇间分配数据并完成计算任务的，这些集簇可以 方便地扩展到数以千计的节点中。 高效性。Hadoop能够在节点之间动态地移动数据，并保证各个节点的动态平衡，因此处 理速度非常快。 高容错性。Hadoop能够自动保存数据的多个副本，并且能够自动将失败的任务重新分配。 低成本。
Buckets 对指定列计算 hash，根据 hash 值切分数据，目的是为了并行，每一个 Bucket 对应一 个文件，例如user 列分散至 32 个 bucket，首先对 user 列的值计算 hash，对应 hash 值为 0 的 HDFS 目录为：/wh/pvs/ds=20090801/ctry=US/part-00000；hash 值为 20 的 HDFS 目录为： /wh/pvs/ds=20090801/ctry=US/part-00020
Hive数据模型
• 内部表(Table) Hive中的表和关系型数据库中的表在概念上很类似，每个表在HDFS中都有相应的目录用来存储表 的数据，存储位置通过hive-site.xml ${hive.metastore.warehouse.dir} 配置指定 • 外部表(External Table) Hive中的外部表和表很类似，但是其数据不是放在自己表所属的目录中，而是存放到别处，这样的 好处是如果你要删除这个外部表，该外部表所指向的数据是不会被删除的，它只会删除外部表对应 的元数据；而如果你要删除内部表，该表对应的所有数据包括元数据都会被删除。 • 分区(Partition)
Hive 体系结构
• 用户接口 用户接口主要有三个：CLI，Client 和 WUI。
• 元数据存储
Hive 将元数据存储在数据库中，如 mysql、derby。Hive 中的元数据包括表的名字， 表的列和分区及其属性，表的属性（是否为外部表等），表的数据所在目录等。
• 解释器、编译器、优化器、执行器
询操作过程严格遵守Hadoop MapReduce 的作业执行模型，Hive 将用户的 HiveQL 语句通过解释器转换为MapReduce 作业提交到Hadoop 集群上， Hadoop 监控作业执行过程，然后返回作业执行结果给用户。Hive 并非为联机事务 处理而设计，Hive 并不提供实时的查询和基于行级的数据更新操作。Hive 的最佳 使用场合是大数据集的批处理作业，例如，网络日志分析。
Map Reduce分布式计算框架
分布式计算框架将复杂的数据集分发给不同的节点去操作，每个节点会周期性的返回它所完成的工作和最新的状态
Hadoop分布式计算流程
Hive简介
• Hive 是基于Hadoop的一个数据仓库工具，可以将结构化的数据文件映射为一张
数据库表，并提供简单的sql查询功能，可以将sql语句转换为MapReduce任务进行 运行。 其优点是学习成本低，可以通过类SQL语句快速实现简单的MapReduce统 计，不必开发专门的MapReduce应用，十分适合数据仓库的统计分析。
wk.baidu.com
Hive使用场景
• Hive 构建在基于静态批处理的Hadoop 之上，Hadoop 通常都有较高的延迟并且
在作业提交和调度的时候需要大量的开销。因此，Hive 并不能够在大规模数据集上 实现低延迟快速的查询，例如，Hive 在几百MB 的数据集上执行查询一般有分钟级 的时间延迟。
• Hive 并不适合那些需要低延迟的应用，例如，联机事务处理（OLTP）。Hive 查
在Hive中，表的每一个分区对应表下的相应目录，所有分区的数据都是存储在对应的目录中。比 如wyp表有dt和city两个分区，则对应dt=20131218,city=BJ对应表的目录为 /user/hive/warehouse/dt=20131218/city=BJ，所有属于这个分区的数据都存放在这个目录中。 • 桶(Bucket)
谢谢