hive简介/与传统数据库的区别/大数据生态

1. hive简介

hive是基于Hadoop的一个数据仓库工具，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数据仓库工具能将结构化的数据文件映射为一张数据库表，并提供SQL查询功能，能将SQL语句转变成MapReduce任务来执行。Hive的优点是学习成本低，可以通过类似SQL语句实现快速MapReduce统计，使MapReduce变得更加简单，而不必开发专门的MapReduce应用程序。hive十分适合对数据仓库进行统计分析。
Hive不适用于实时性要求很高的事务，也不提供实时查询功能。它最适合应用在基于大量不可变数据的批处理作业。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。

2. hive与传统数据库（Mysql）的区别

	hive	mysql
查询语言	HQL	SQL
存储位置	HDFS	块设备/本地文件系统
数据格式	用户定义	系统决定
数据更新	可通过插件实现	支持
索引	无	有
执行	MapReduce	Executor
执行延迟	高	低
可扩展性	高	低
数据规模	大	小

•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。

•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。

•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。

•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。

•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。

•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。

•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。

•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。而数据库由于ACID语义的严格限制，扩展性非常有限。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。

2. hive所在的大数据生态

hive 的数据存储在 HDFS 中，大部分的查询由 MapReduce 完成

• HDFS（分布式文件系统）：分布式存储管理不同机器上的数据。
• MapReduce / Tez / Spark：HDFS之上解决分配工作、任务重启，机器之间通信交换数据等任务。其中MapReduce是第一代计算引擎，Tez和Spark是第二代。
• Pig/Hive：是MapReduce / Tez / Spark基础之上更高层更抽象的描述算法和数据处理流程的语言。Pig是接近脚本方式去描述MapReduce，Hive则用的是SQL。它们把脚本和SQL语言翻译成MapReduce程序，再用计算引擎去计算，将开发者从繁琐的MapReduce程序中解脱出来，用更简单更直观的语言去写程序。由于Hive使用SQL语言，使用门槛较低，逐渐成为了大数据仓库的核心组件。
• Impala/Presto/Drill：由于Hive在MapReduce上运行速度很慢。于是诞生了Impala，Presto，Drill（以及很多其它的交互SQL引擎），其解决的核心是MapReduce引擎太慢的问题，牺牲了MapReduce通用性稳定性等特性，让用户可以更快速地处理SQL任务，但效果并不是十分理想。
• Hive on Tez / Spark和SparkSQL的出现直接抛弃了MapReduce，直接采用新一代通用计算引擎Tez或者Spark来跑SQL。
  底层HDFS，上面跑MapReduce／Tez／Spark，在上面跑Hive，Pig。或者HDFS上直接跑Impala，Drill，Presto。这解决了中低速数据处理的要求。

文章参考：
https://www.cnblogs.com/Richardzhu/p/3364909.html
https://www.zhihu.com/question/27974418/answer/38965760