1 Hive基本概念
1.1 什么是Hive
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，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 依赖于 HDFS 存储数据，Hive 将 HQL 转换成 MapReduce 执行，所以说 Hive 是基于 Hadoop 的一个数据仓库工具，实质就是一款基于 HDFS 的 MapReduce 计算框架，对存储在 HDFS 中的数据进行分析和管理
本质是：将HQL转换成MapReduce
（1）hive处理的数据存储在HDFS
(2) Hive分析数据底层的默认实现是MapReduce
（3）执行程序运行在Yarn上
数据仓库通过SQL进行统计分析——将sql语言中常用的操作（select,where,group等）用MapReduce写成很多模板
注：什么是数据仓库：数据仓库之父比尔·恩门（Bill Inmon）在 1991 年出版的“Building the Data Warehouse”（《建立数据仓库》）一书中所提出的定义被广泛接受——数据仓库（Data Warehouse）是一个面向主题的（Subject Oriented）、集成的（Integrated）、相对稳定的（Non-Volatile）、反映历史变化（Time Variant）的数据集合，用于支持管理决策(Decision Making Support)。
1.2HIve的优缺点：
1.2.1
(1) 操作接口采用类SQL语法，提供快速开发的能力（简单、容易上手）
(2) 避免了去写Mapreduce,减少开发人员的学习成本
（3）HIVE的执行延迟比较高，因此hive常用语数据分析，对实时性要求不高的场合。
（4）Hive优势在于处理大数据，(对于处理小数据没有优势。因此Hive的执行延迟比较高)
（5）Hive支持用户自定义吧函数，用户可以根据自己的需求来实现自己的函数。
1.2.2 缺点
(1) hive的表达能力有限
迭代式算法无法表达
数据挖掘方面不擅长
（2）Hive的效率比较低
hive自动生成的MapReduce作业，通常情况下不够智能化
hive调优比较困难，粒度较粗
HIVE和数据库的比较
由于Hive采用了类似SQL的查询语言HQL(Hive Query Language)，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。
下面将讲述两者的差异。
它与关系型数据库的SQL略有不同，但支持了绝大多数的语句如DDL、DML以及常见的聚合函数、连接查询、条件查询。它还提供了一系列的1：具进行数据提取转化加载，用来存储、查询和分析存储在Hadoop中的大规模数据集，并支持UDF（User-Defined Function）、UDAF(User-Defnes AggregateFunction)和UDTF（User-Defined Table-Generating Function），也可以实现对map和reduce函数的定制，为数据操作提供了良好的伸缩性和可扩展性
注：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，清楚这一点有助于从应用角度理解Hive的特性。
1.4.1 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。
1.4.2 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本地文件系统中。
1.4.3 数据更新：
，Hive中不建议对数据的改写，所有的数据都是在加载的时候确定好的。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
1.4.4 索引
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建立索引，因此对于大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。
1.4.5 执行
Hive中大多数查询的执行是通过Hadoop提供的MapReduce来实现的。而数据库通常有自己的执行引擎(如mysql中经常用的InnoDB)。
1.4.6 执行延迟
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，即数据规模比较小，当数据规模大到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。
1.4.7 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点左右）。而数据由于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。
1.4.8 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，数据库可以支持数据规模较小。
——————————————————————————————————
说了那么多区别，总结一下hive和数据库到底有什么区别？最核心的区别在于处理的数据量的多少，也就是说数据量过大时，mysql等传统数据库不能满足我们的相关需求，这才有了基于Hadoop的hive工具。一般来说关系型数据库一般处理的数据级别是百万级别，最多是千万级别的，到了上亿级别十亿级别的时候，就需要我们的hive工具出场了，就像excel处理数值过多时卡一样的道理，数据库也是有上限的，这么说就很容易理解了。然后再进行以上不同点的延伸，比如hive的数据量大所以数据需要放在分布式文件系统（HDFS），数据库量级小，可以放在本地文件系统。
放上一张Hive和关系型数据库的对比图
Hive 具有 SQL 数据库的外表，但应用场景完全不同，Hive 只适合用来做海量离线数据统计分析，也就是数据仓库。
