一、Hive介绍：
Apache Hive能够使用SQL读取，写入和管理持久化在分布式存储(比如HDFS)中的大型数据集。 可以和已经存储好的数据(比如HDFS)建立映射关系。 用户可以使用客户端命令行(hive/beeline2)和JDBC驱动程序和数据进行交互。
定位：离线数据仓库
特性：
1、可以使用SQL方便的进行ETL，报表和数据分析
2、一种对各种数据格式施加结构的机制，可以对多种数据结构进行映射，比如json格式数据，parquet格式数据，指定字符分割的文本文件
3、文件可以存储在Apache HDFS、HBase等文件系统中
4、可以通过, , or 执行查询计划
5、通过 , and 执行亚秒级查询
6、HPL-SQL的程序语言，hive program language
7、hive支持标准的SQL函数，包括 and 的很多新特性
8、用户可以自定义UDFs(用户自定义函数)，UDAFs(用户自定义聚合函数)，UDTFs(用户自定义表函数)
两大组件：
HCatalog： Hive的一个组件.它是基于Hadoop之上的一个表和存储管理层，它允许用户使用不同数据处理工具，像Pig和MapReduce，Pig和MapReduce更容易地在网格上读取和写入数据。如下图所示，HCatlog对底层存储的文件做了一层封装，方便MapReduce、Pig进行操作。
WebHCat：提供一个运行Hadoop MapReduce（或YARN）的服务，Pig、Hive任务可以通过HTTP（REST样式）接口执行Hive元数据操作。
二、Hive架构：
上图，展示了Hive的主要组件以及和hadoop的交互。Hive的主要组件如下：
- UI（用户界面）：供用户向系统提交查询和其他操作。截至2011年（官网这部分更新的不是很及时啊），该系统有一个命令行界面，并正在开发一个基于web的GUI。
- Driver（驱动）：接收UI查询的组件。这个组件实现了会话句柄的概念，并提供了基于JDBC/ODBC，执行和获取数据api。
- Compiler（编译器）：解析查询的组件，对不同的查询块和查询表达式进行语义分析，最后在表和从metastore查找到对应分区元数据的帮助下，生成一个执行计划。
- Metastore（元数据存储）：这个组件存储了数据仓库中所有表和分区结构化的信息，包括列和列类型信息、读写数据所需的序列化器和反序列化器以及存储数据的相应HDFS文件。
- Execution Engine（执行引擎）：执行编译器创建的执行计划的组件。这个计划是由多个阶段构成的DAG。执行引擎管理执行计划的不同阶段之间的依赖关系，并在决定在那些系统组件上执行这些阶段。
上图，还显示了一个典型查询是如何在Hive系统中运行的。
- UI通过调用执行接口连接到Driver(图中的步骤1 executeQuery)。
- Driver创建一个会话处理查询并将此查询发送到Compiler生成一个执行计划(步骤2 getPlan)。
- Compiler从metastore得到必要的元数据(步骤3 getMetaData和步骤4 sendMetaData)。此元数据用于在查询树中，对表达式进行类型检查，以及根据查询谓词修剪分区。（换言之，就是这个地方会进行字段检查，类型检查，并且查询条件去选择合适的分区）
- Compiler(步骤5 sendPlan)生成的计划是由多个阶段组成的DAG，每个阶段要么一个map/reduce作业，要么是一个元数据操作或者是HDFS上的操作。对于map/reduce阶段来说，计划包含map操作树(map操作)和reduce操作符树(reduce操作)。
- Execution Engine将这些阶段提交给适当的组件(步骤6、6.1、6.2和6.3)。在每个任务（mapper/reducer）中，与表或中间输出相关联的反序列化器，主要用来从HDFS文件中读取行，这些行通过关联的运算符树进行传递。
- 一旦输出生成，就通过序列化器将其写入一个临时HDFS文件(如果操作不需要reducer，这种情况会在mapper中发生)。临时文件用于为计划的后续map/reduce 阶段提供数据。
- 对于DML操作，最终的临时文件将移动到表的位置。此方案用于确保不读取脏数据(文件重命名是HDFS中的原子操作)。
- 对于查询操作，执行引擎直接从HDFS读取临时文件的内容，作为UI从Driver获取数据的一部分(步骤7、8和9)。
本文参考链接：