什么是Hive
Hive：由Facebook 开源用于解决海量结构化日志的数据统计。
Hive是基于Hadoop的一个数据仓库工具，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。
本质是：将HQL 转化成MapReduce 程序
- Hive 处理的数据存储在HDFS
- Hive 分析数据底层的默认实现是MapReduce
- 执行程序运行在Yarn 上
优缺点
优点:
- 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）
- 避免了去写MapReduce，减少开发人员的学习成本。
- 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。
- 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。
- 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:
Hive 的HQL 表达能力有限
迭代式算法无法表达
数据挖掘方面不擅长
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
结构原理
用户接口：Client
CLI（hive shell）、JDBC/ODBC(java 访问hive)、WEBUI（浏览器访问hive）
元数据：Metastore
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；
默认存储在自带的 derby 数据库中，推荐使用MySQL 存储Metastore
Hadoop
使用HDFS 进行存储，使用MapReduce 进行计算。
驱动器：Driver
解析器（SQL Parser）：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。
编译器（Physical Plan）：将AST编译生成逻辑执行计划。
优化器（Query Optimizer）：对逻辑执行计划进行优化。
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。
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。
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。本节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。
优势：易于扩展机器数量；可处理大规模数据
劣势：
修改数据耗时，读多写少；
不适合在线查询；
延时相对高；
相同：SQL语法；
不同：
存储在HDFS（本地文件系统）；
无索引（根据列建立索引），由于MR并行，对大量数据查询缺陷不明显；
执行引擎MR（有自己的的执行引擎）
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。
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。
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。
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。
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。