目录
Hive架构
Hive基本概念
Hive的优缺点
优点
缺点
Hive架构原理
Hive和数据库比较
Hive架构
Hive：由Facebook开源用于解决海量结构化日志的数据统计，基于Hadoop的一个数据仓库工具。它可以将结构化的数据文件映射为一张表，并提供类SQL查询功能。
它可以通过HiveQL语句快速实现简单的MapReduce统计，Hive自身可以将HiveQL语句转换为MapReduce任务进行运行，而不必开发专门的MapReduce应用，十分适合数据仓库的统计分析。
Hive基本概念
Hive的本质是：将HQL/SQL转化成MapReduce程序
（1）Hive处理的数据存储在HDFS。
（2）Hive分析数据底层的实现是MapReduce。
（3）执行程序运行在Yarn上。
Hive的优缺点
优点
（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常用于数据分析，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，因为Hive的执行延迟比较高。
（5）Hive支持用户自定义函数，用户可以根据自己的需求来实现自己的函数。
缺点
（1）Hive的HQL表达能力有限，迭代式算法无法表达。
（2）数据挖掘方面不擅长。
（3）Hive的效率比较低。
（4）Hive自动生成的MapReduce作业，通常情况下不够智能化。
（5）Hive调优比较困难，粒度较粗。
Hive架构原理
如图中所示，Hive通过给用户提供的一系列交互接口，接收到用户的指令(SQL)，使用自己的Driver，结合元数据(MetaStore)，将这些指令翻译成MapReduce，提交到Hadoop中执行，最后，将执行返回的结果输出到用户交互接口。
（1）用户接口：包括Hive Shell、Thrift客户端、Web端口。
（2）Thrift服务器：当Hive以服务器模式运行时，可以作为Thrift服务器，供客户端连接。
（3）元数据库：Hive元数据的集中存放地。元数据包括：表名、表所属的数据库（默认是default）、表的拥有者、列/分区字段、表的类型（是否是外部表）、表的数据所在目录等。
（4）解释器：
1.解释器：将SQL字符串转换成抽象语法树AST，这一步一般都用第三方工具库完成，比如antlr；对AST进行语法分析，比如表是否存在、字段是否存在、SQL语义是否有误。
2.编译器：将AST编译生成逻辑执行计划。
3.优化器：对逻辑执行计划进行优化。
4.执行器：把逻辑执行计划转换成可以运行的物理计划。对于Hive来说，就是MR/Spark。
（5）Hadoop：使用HDFS进行存储，使用MapReduce进行计算。
Hive和数据库比较
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。本文将从多个方面来阐述 Hive 和数据库的差异。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）Hive查询语言
Hive的SQL称为HiveQl，它与大部分的SQL愈发兼容，但是并不完全类似SQL，如HiveQl不支持更新操作，以及其独有的MAP和REDUCE子句等，这些都受到Hadoop平台特性影响，但是用Hive常规查询都可以得到满足。
（2）数据存储
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。
（4）索引
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。
（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。
（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。
（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 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。
（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，数据库可以支持的数据规模较小。
