【SQL】Hive和关系型数据库的区别

来源：https://zhuanlan.zhihu.com/p/137458844

一、HIVE和关系型数据库的区别

（1）查询语言
hive采用了类SQL查询语言，这是唯一一点和关系型数据库类似的。

（2）数据存储位置
hive是建立在hadoop之上的，因此数据都存储在HDFS中。
数据库则可以将数据存储在块设备或本地文件系统中。

（3）数据格式
hive中数据格式可以由用户指定。
hive在加载的过程中不会对用户定义的数据格式进行hive定义的格式转化，只是简单地复制或移动到相应的HDFS目录当中。
在数据库中有自身的数据格式定义，所有数据按一定的组织形式存放，因此数据库加载时比较慢。

（4）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。
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。

（5）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。

（6）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。

（7）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。

（8）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。

（9）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。

二、什么是HDFS（分布式储存系统）？

（1）HDFS是干嘛的？

（2）HDFS处理文件的思路

（3）HDFS架构

（4）HDFS读取过程

（5）HDFS写入过程

三、什么是MapReduce（数据处理）？

待完善

四、什么是YARN（集群资源管理）？

待完善