一、Hive简介

  Apache Hive™ 数据仓库软件为分布式存储的大数据集上的读、写、管理提供很大方便，同时还可以用SQL语法在大数据集上查询。
建立在Apache Hadoop™的 Hive 有以下特征：
  通过SQL轻松访问数据的工具，从而使数据仓库任务，如提取/转换/加载（ETL），报告和数据分析变得可行。
  一种对各种数据格式结构化的机制。
  访问直接存储或在Apache HDFS™的文件，或其他数据存储系统的文件如Apache HBase™。
  通过Apache TEZ™，Apache Spark™™，或MapReduce 采用HPL-SQL执行查询。
  通过Apache YARN和Apache Slider实现亚秒级的查询检索。
  Hive供标准SQL功能，包括许多后来的SQL：2003和SQL：2011分析功能。
  Hive的SQL也可以通过用户自定义函数（UDF）、用户自定义聚合（UDAFs），和用户定义的表的功能（UDTFs)）进行扩展。
  这并不是说有一种HIVE格式，用来存储数据。Hive带有内置的连接器，可以连接逗号、制表符 分隔的文件（CSV/TSV），Apache Parquet™格式文件, Apache ORC™格式文件, 以及其它格式的文件。
Hive并不是为联机事务处理（OLTP）设计的，它最适用于传统的数据仓库任务。
  Hive设计时考虑了最大限度的提高可测量性（扩展了更多的机器动态添加到Hadoop集群）、性能、可扩展性，容错和弱耦合其输入格式。
  Hive的组件包括Hcatalog和WebHcat.
  HCatalog是Hive的一部分。它是一个Hadoop的表和存储管理层，使用户能够使用不同的数据处理工具-包括 Pig 和 MapReduce , 更容易地读取和写入网格上的数据。
  WebHcat提供了一个服务，使用户可以运行Hadoop MapReduce(或者YARN)， Pig,Hive作业，也可以采用HTTP(REST类型）接口执行Hive元数据。
  简单来说，Hive就是在Hadoop上架了一层SQL接口，可以将SQL翻译成MapReduce去Hadoop上执行，这样就使得数据开发和分析人员很方便的使用SQL来完成海量数据的统计和分析，而不必使用编程语言开发MapReduce那么麻烦。

二、Hive和数据库的异同

由于Hive采用了SQL的查询语言HQL，因此很容易将Hive理解为数据库。其实从结构上来看，Hive和数据库除了拥有类似的查询语言，再无类似之处。数据库可以用在Online的应用中，但是Hive是为数据仓库而设计的。

Hive	RDBMS
查询语言	HQL SQL
数据存储	HDFS	Raw Device or Local FS
数据格式	用户定义	系统决定
数据更新	不支持	支持
索引	无	有
执行	MapReduce	Executor
执行延迟	高	低
处理数据规模	大	小
可扩展性	高	低

（1）查询语言。由于 SQL 被广泛的应用在数据仓库中，因此专门针对Hive的特性设计了类SQL的查询语言HQL。熟悉SQL开发的开发者可以很方便的使用Hive进行开发。
（2）数据存储位置。Hive是建立在Hadoop之上的，所有Hive的数据都是存储在HDFS中的。而数据库则可以将数据保存在块设备或者本地文件系统中。
（3）数据格式。Hive中没有定义专门的数据格式，数据格式可以由用户指定，用户定义数据格式需要指定三个属性：列分隔符（通常为空格、”\t”、”\x001″）、行分隔符（”\n”）以及读取文件数据的方法（Hive中默认有三个文件格式TextFile，SequenceFile以及RCFile）。由于在加载数据的过程中，不需要从用户数据格式到Hive定义的数据格式的转换，因此，Hive在加载的过程中不会对数据本身进行任何修改，而只是将数据内容复制或者移动到相应的HDFS目录中。而在数据库中，不同的数据库有不同的存储引擎，定义了自己的数据格式。所有数据都会按照一定的组织存储，因此，数据库加载数据的过程会比较耗时。
（4）数据更新。由于Hive是针对数据仓库应用设计的，而数据仓库的内容是读多写少的。因此，Hive中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中确定好的。而数据库中的数据通常是需要经常进行修改的，因此可以使用INSERT INTO ... VALUES添加数据，使用UPDATE ... SET修改数据。
（5）索引。之前已经说过，Hive在加载数据的过程中不会对数据进行任何处理，甚至不会对数据进行扫描，因此也没有对数据中的某些Key建立索引。Hive要访问数据中满足条件的特定值时，需要暴力扫描整个数据，因此访问延迟较高。由于MapReduce的引入， Hive可以并行访问数据，因此即使没有索引，对于大数据量的访问，Hive仍然可以体现出优势。数据库中，通常会针对一个或者几个列建立索引，因此对于少量的特定条件的数据的访问，数据库可以有很高的效率，较低的延迟。由于数据的访问延迟较高，决定了Hive不适合在线数据查询。
（6）执行。Hive中大多数查询的执行是通过Hadoop提供的MapReduce来实现的（类似select * from tbl的查询不需要MapReduce）。而数据库通常有自己的执行引擎。
（7）执行延迟。之前提到，Hive在查询数据的时候，由于没有索引，需要扫描整个表，因此延迟较高。另外一个导致Hive执行延迟高的因素是MapReduce框架。由于MapReduce本身具有较高的延迟，因此在利用MapReduce执行Hive查询时，也会有较高的延迟。相对的，数据库的执行延迟较低。当然，这个低是有条件的，即数据规模较小，当数据规模大到超过数据库的处理能力的时候，Hive的并行计算显然能体现出优势。
（8）可扩展性。由于Hive是建立在Hadoop之上的，因此Hive的可扩展性是和Hadoop的可扩展性是一致的（世界上最大的Hadoop集群在Yahoo!，2009年的规模在4000台节点左右）。而数据库由于ACID语义的严格限制，扩展行非常有限。目前最先进的并行数据库Oracle在理论上的扩展能力也只有100台左右。
  数据规模。由于Hive建立在集群上并可以利用MapReduce进行并行计算，因此可以支持很大规模的数据；对应的，数据库可以支持的数据规模较小。

HIVE架构