MapReduce简化大数据编程难度，但对经常需大数据计算的人，如从事研究BI的数据分析师通常使用SQL进行大数据分析和统计，MapReduce编程有门槛。且若每次统计和分析都开发相应MapReduce程序，成本确实太高。

是否可直接将SQL运行在大数据平台？如何用MapReduce实现SQL数据分析。

常见的一条SQL分析语句，MapReduce如何编程实现？

SELECT pageid, age, count(1)

FROM pv_users

GROUP BY pageid, age;

统计不同年龄用户访问不同网页的兴趣偏好：


- 左边，要分析的数据表

- 右边，分析结果

把左表相同的行求和，即得右表，类似WordCount。该SQL的MapReduce的计算过程，按MapReduce编程模型

- map函数的输入K和V，主要看V

V就是左表中每行的数据，如<1, 25>

- map函数的输出就是以输入的V作为K，V统一设为1

比如<<1, 25>, 1>

map函数的输出shuffle后，相同K及对应V放在一起，组成一个<K, V集合>，作为输入交给reduce函数处理。如<<2, 25>, 1>被map函数输出两次，到reduce就变成输入<<2, 25>, <1, 1>>：

- K=<2, 25>

- V集合=<1, 1>

在reduce函数内部，V集合里所有的数字被相加，然后输出。所以reduce输出就是<<2, 25>, 2>


如此，一条SQL就被MapReduce计算完成。

数仓中，SQL是最常用的分析工具，既然一条SQL可通过MapReduce程序实现，那有无工具能自动将SQL生成MapReduce代码？这样数据分析师只要输入SQL，即可自动生成MapReduce可执行的代码，然后提交Hadoop执行。这就是Hadoop大数据仓库Hive。

Hive能直接处理我们输的SQL，调用MapReduce计算框架完成数据分析操作。

通过Hive Client向Hive Server提交SQL命令：

- DDL，Hive会通过执行引擎Driver将数据表的信息记录在Metastore元数据组件，该组件通常用一个关系DB实现，记录表名、字段名、字段类型、关联HDFS文件路径等这些数据库的元信息

- DQL，Driver会将该语句提交给自己的编译器Compiler进行语法分析、语法解析、语法优化，最后生成一个MapReduce执行计划。然后根据执行计划生成一个MapReduce的作业，提交给Hadoop MapReduce计算框架处理

对简单SQL：

SELECT * FROM status_updates WHERE status LIKE 'michael jackson';

对应的Hive执行计划：

Hive内部预置很多函数，Hive执行计划就是根据SQL语句生成这些函数的DAG，然后封装进MapReduce的map、reduce函数。该案例中的map函数调用三个Hive内置函数就完成map计算，且无需reduce。

除简单的聚合（group by）、过滤（where），Hive还能执行连接（join on）。

pv_users表的数据无法直接得到，因为pageid来自用户访问日志，每个用户进行一次页面浏览，就会生成一条访问记录，保存在page_view表。而age年龄信息记录在表user。


这两张表有相同字段userid，可连接两张表，生成pv_users表：

SELECT pv.pageid, u.age FROM page_view pv JOIN user u ON (pv.userid = u.userid);

该SQL命令也能转化为MapReduce计算，连接过程：

join的MapReduce计算过程和group by稍不同，因为join涉及两张表，来自两个文件（夹），所以要在map输出时进行标记，如来自第一张表的输出Value就记为<1, X>，这1表示数据来自第一张表。shuffle后，相同Key被输入到同一reduce函数，就可根据表的标记对Value数据求笛卡尔积，用第一张表的每条记录和第二张表的每条记录连接，输出即join结果。

所以打开Hive源码，看join代码，会看到一个两层for循环，对来自两张表的记录进行连接操作。

SQL：命令行、代码

多语言Apache Thrift驱动

自定义的UDF函数：按照标准接口实现，打包，加载到Hive

SQL转换成一系列可以在Hadoop上运行的MapReduce/Tez/Spark作业。

SOL到底底层是运行在哪种分布式引擎之上的，是可以通过一个参数来设置。

开发无需经常编写MapReduce程序，因为网站最主要的大数据处理就是SQL分析，因此Hive很重要。

随Hive普及，我们对在Hadoop执行SQL的需求越强，对大数据SQL的应用场景也多样化起来，于是又开发各种大数据SQL引擎。

Cloudera开发Impala，运行在HDFS上的MPP架构的SQL引擎。和MapReduce启动Map、Reduce两种执行进程，将计算过程分成两个阶段进行计算不同，Impala在所有DataNode服务器上部署相同的Impalad进程，多个Impalad进程相互协作，共同完成SQL计算。

Spark也推出自己的SQL引擎Spark SQL，将SQL语句解析成Spark执行计划，在Spark执行。由于Spark比MapReduce快很多，Spark SQL也比Hive快很多，随Spark普及，Spark SQL也逐渐被接受。后来Hive推出Hive on Spark，将Hive的执行计划直接转换成Spark的计算模型。

还希望在NoSQL执行SQL，毕竟SQL发展几十年，积累庞大用户，很多人习惯用SQL解决问题。于是Saleforce推出Phoenix，一个执行在HBase上的SQL引擎。

这些SQL引擎只支持类SQL语法，不像DB支持标准SQL，特别是数仓几乎必用嵌套查询SQL：在where条件里嵌套select子查询，但几乎所有大数据SQL引擎都不支持。

Hive技术架构没啥创新，数据库相关技术架构已很成熟，只要将这些技术架构应用到MapReduce就得到Hadoop大数据仓库Hive。**但想到将两种技术嫁接，却极具创新性**，通过嫁接产生出的Hive极大降低大数据应用门槛，也使Hadoop普及。