一、Hive定义

官方定义

The Apache Hive™ data warehouse software facilitates reading, writing, and managing large datasets residing in distributed storage and queried using SQL syntax.
Built on top of Apache Hadoop™, Hive provides the following features:
1、Tools to enable easy access to data via SQL, thus enabling data warehousing tasks such as extract/transform/load (ETL), reporting, and data analysis.
2、A mechanism to impose structure on a variety of data formats
3、Access to files stored either directly in Apache HDFS™ or in other data storage systems such as Apache HBase™
4、Query execution via Apache Tez™, Apache Spark™, or MapReduce
5、Procedural language with HPL-SQL
6、Sub-second query retrieval via Hive LLAP, Apache YARN and Apache Slider.

翻译：

• Apache Hive™数据仓库软件便于读取、写入和管理存储在分布式存储中的大型数据集，并使用SQL语法进行查询。
• Hive 构建于Apache Hadoop™之上，提供以下功能：
• 1、用于通过SQL轻松访问数据的工具，从而支持数据仓库任务，如提取/转换/加载（ETL）、报告和数据分析。
• 2、一种在各种数据格式上强加结构的机制。
• 3、访问直接存储在Apache HDFS ™或其他数据存储系统（如Apache HBase ™）中的文件。
• 4、通过Apache Tez ™，Apache Spark ™或 MapReduce执行查询。
• 5、使用HPL-SQL的过程语言。
• 6、通过Hive LLAP，Apache YARN和Apache Slider进行亚秒级查询检索。

二、Hive的优缺点

1. 优点：
1. 学习成本低：提供了类SQL查询语言HQL，使得熟悉SQL语言的开发人员无需关心细节，可以快速上手。
2. 海量数据分析：底层是基于海量计算到MapReduce实现
3. 可扩展性：为超大数据集设计了计算、扩展能力（MR作为计算引擎，HDFS作为存储系统），Hive可以自由的扩展集群的规范，一般情况下不需要重启服务。
4. 延展性：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。
5. 良好的容错性：某个数据节点出现问题HQL仍可完成执行。
6. 统计管理：提供了统一的元数据管理
2. 缺点
1. Hive的HQL表达能力有限。
2. 迭代算法无法表达。
3. Hive的效率比较低。
4. Hive自动生成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。

三、Hive的架构

Hive通过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，后，将执行返回的结果输出的用户交互接口。

具体详细

1. 用户接口：Client CLI(hive shell 命令行)，JDBC/ODBC（java访问hive），WEBUI（浏览器访问hive）。
2. 元数据：Metastore：元数据包括：表名，表所属数据库（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。
1. 默认存储在自带的derby数据库中，推荐使用MySQL存储Metastore。
3. hive使用HDFS进行存储，使用MapReduce进行计算。
4. 驱动器：Driver
1. 解析器（SQL Parser）：将SQL字段转换成抽象语法树AST，这一步一般使用都是第三方工具库完成，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语句是否有误。
2. 编译器（Physical Plan）：将AST编译生成逻辑执行计划。
3. 优化器（Query Optimizer）：对逻辑执行计划进行优化。
4. 执行器（Execution）：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。

1. 用户连接接口
1. CLI：是指Shell命令行
2. JDBC/ODBC：是指Hive的java实现，与传统数据库JDBC类型。
3. WebUI：是指通过浏览器访问Hive
2. thriftserver：
1. hive的可选组件，此组件是一个软件框架服务，
3. 元数据
1. Hive将元数据存储在数据库中，如mysql、derby。Hive中的元数据包括（表明、表所属的数据库名、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）
2. 驱动（Driver）
1. 解析器（SQLParser）：
1. 将HQL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
2. 分析，比如表是否存在、字段是否存在、SQL语义是否有误。

四、Hive与关系数据库的异同

1. 查询语法：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. 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。
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(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。
6. 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。
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。而数据库由于ACID语义的严格限制，扩展性非常有限。目前先进的并行数据库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。