Hive简介

1.1  Hive简介

1.1.1 什么是Hive

Hive是基于Hadoop的一个数据仓库工具，能够将结构化的数据文件映射为一张数据库表，并提供类SQL查询功能。

1.1.2 为何使用Hive

• 直接使用hadoop所面临的问题

人员学习成本过高

项目周期要求过短

MapReduce实现复杂查询逻辑开发难度太大

 

• 为何要使用Hive

操做接口采用类SQL语法，提供快速开发的能力。

避免了去写MapReduce，减小开发人员的学习成本。

扩展功能很方便。

1.1.3 Hive的特色

• 可扩展

Hive能够自由的扩展集群的规模，通常状况下不须要重启服务。

 

• 延展性

Hive支持用户自定义函数，用户能够根据本身的需求来实现本身的函数。

 

• 容错

良好的容错性，节点出现问题SQL仍可完成执行。

1.2  Hive架构

1.2.1 架构图

 

 

Jobtracker是hadoop1.x中的组件，它的功能至关于： Resourcemanager+AppMaster

 

TaskTracker 至关于：  Nodemanager  +  yarnchild

 

 

 

 

1.2.2 基本组成

• 用户接口：包括 CLI、JDBC/ODBC、WebGUI。
• 元数据存储：一般是存储在关系数据库如 mysql , derby中。
• 解释器、编译器、优化器、执行器。
• 用户接口主要由三个：CLI、JDBC/ODBC和WebGUI。其中，CLI为shell命令行；JDBC/ODBC是Hive的JAVA实现，与传统数据库JDBC相似；WebGUI是经过浏览器访问Hive。
• 元数据存储：Hive 将元数据存储在数据库中。Hive 中的元数据包括表的名字，表的列和分区及其属性，表的属性（是否为外部表等），表的数据所在目录等。
• 解释器、编译器、优化器完成 HQL 查询语句从词法分析、语法分析、编译、优化以及查询计划的生成。生成的查询计划存储在 HDFS 中，并在随后有 MapReduce 调用执行。

1.2.3  各组件的基本功能

1.3 Hive与Hadoop的关系

Hive利用HDFS存储数据，利用MapReduce查询数据

 

 

 

 

1.4 Hive与传统数据库对比

 

 

 

总结：hive具备sql数据库的外表，但应用场景彻底不一样，hive只适合用来作批量数据统计分析

1.5 Hive的数据存储

一、Hive中全部的数据都存储在 HDFS 中，没有专门的数据存储格式（可支持Text，SequenceFile，ParquetFile，RCFILE等）

二、只须要在建立表的时候告诉 Hive 数据中的列分隔符和行分隔符，Hive 就能够解析数据。

三、Hive 中包含如下数据模型：DB、Table，External Table，Partition，Bucket。

²  db：在hdfs中表现为${hive.metastore.warehouse.dir}目录下一个文件夹

²  table：在hdfs中表现所属db目录下一个文件夹

²  external table：与table相似，不过其数据存放位置能够在任意指定路径

²  partition：在hdfs中表现为table目录下的子目录

²  bucket：在hdfs中表现为同一个表目录下根据hash散列以后的多个文件

 

 

1.6 HIVE的安装部署

1.6.1 安装

单机版：

元数据库mysql版：

 

1.6.2 使用方式

Hive交互shell

bin/hive

 

 

Hive thrift服务

 

 

启动方式，（假如是在hadoop01上）：

启动为前台：bin/hiveserver2

启动为后台：nohup bin/hiveserver2 1>/var/log/hiveserver.log 2>/var/log/hiveserver.err &

 

启动成功后，能够在别的节点上用beeline去链接

v  方式（1）

hive/bin/beeline  回车，进入beeline的命令界面

输入命令链接hiveserver2

beeline> !connect jdbc:hive2//mini1:10000

（hadoop01是hiveserver2所启动的那台主机名，端口默认是10000）

v  方式（2）

或者启动就链接：

bin/beeline -u jdbc:hive2://mini1:10000 -n hadoop

 

接下来就能够作正常sql查询了

 

 

Hive命令

[hadoop@hdp-node-02 ~]$ hive  -e  ‘sql’

 

 

2.   Hive基本操做

2.1  DDL操做

2.1.1    建立表

建表语法

CREATE [EXTERNAL] TABLE [IF NOT EXISTS] table_name

   [(col_name data_type [COMMENT col_comment], ...)]

   [COMMENT table_comment]

   [PARTITIONED BY (col_name data_type [COMMENT col_comment], ...)]

   [CLUSTERED BY (col_name, col_name, ...)

   [SORTED BY (col_name [ASC|DESC], ...)] INTO num_buckets BUCKETS]

   [ROW FORMAT row_format]

   [STORED AS file_format]

   [LOCATION hdfs_path]

 

说明：

一、 CREATE TABLE 建立一个指定名字的表。若是相同名字的表已经存在，则抛出异常；用户能够用 IF NOT EXISTS 选项来忽略这个异常。

二、 EXTERNAL关键字可让用户建立一个外部表，在建表的同时指定一个指向实际数据的路径（LOCATION），Hive 建立内部表时，会将数据移动到数据仓库指向的路径；若建立外部表，仅记录数据所在的路径，不对数据的位置作任何改变。在删除表的时候，内部表的元数据和数据会被一块儿删除，而外部表只删除元数据，不删除数据。

三、 LIKE 容许用户复制现有的表结构，可是不复制数据。

四、 ROW FORMAT

DELIMITED [FIELDS TERMINATED BY char] [COLLECTION ITEMS TERMINATED BY char]

        [MAP KEYS TERMINATED BY char] [LINES TERMINATED BY char]

   | SERDE serde_name [WITH SERDEPROPERTIES (property_name=property_value, property_name=property_value, ...)]

用户在建表的时候能够自定义 SerDe 或者使用自带的 SerDe。若是没有指定 ROW FORMAT 或者 ROW FORMAT DELIMITED，将会使用自带的 SerDe。在建表的时候，用户还须要为表指定列，用户在指定表的列的同时也会指定自定义的 SerDe，Hive经过 SerDe 肯定表的具体的列的数据。

五、 STORED AS

SEQUENCEFILE|TEXTFILE|RCFILE

若是文件数据是纯文本，可使用 STORED AS TEXTFILE。若是数据须要压缩，使用 STORED AS SEQUENCEFILE。

 

六、CLUSTERED BY

对于每个表（table）或者分区， Hive能够进一步组织成桶，也就是说桶是更为细粒度的数据范围划分。Hive也是 针对某一列进行桶的组织。Hive采用对列值哈希，而后除以桶的个数求余的方式决定该条记录存放在哪一个桶当中。

把表（或者分区）组织成桶（Bucket）有两个理由：

（1）得到更高的查询处理效率。桶为表加上了额外的结构，Hive 在处理有些查询时能利用这个结构。具体而言，链接两个在（包含链接列的）相同列上划分了桶的表，可使用 Map 端链接 （Map-side join）高效的实现。好比JOIN操做。对于JOIN操做两个表有一个相同的列，若是对这两个表都进行了桶操做。那么将保存相同列值的桶进行JOIN操做就能够，能够大大较少JOIN的数据量。

（2）使取样（sampling）更高效。在处理大规模数据集时，在开发和修改查询的阶段，若是能在数据集的一小部分数据上试运行查询，会带来不少方便。

 

 

具体实例

一、  建立内部表mytable。

 

 

 

二、  建立外部表pageview。

 

 

 

三、  建立分区表invites。

create table student_p(Sno int,Sname string,Sex string,Sage int,Sdept string) partitioned by(part string) row format delimited fields terminated by ','stored as textfile;

 

 

 

 

四、  建立带桶的表student。

 

 

2.1.2 修改表

增长/删除分区

ü  语法结构

ALTER TABLE table_name ADD [IF NOT EXISTS] partition_spec [ LOCATION 'location1' ] partition_spec [ LOCATION 'location2' ] ...

partition_spec:

: PARTITION (partition_col = partition_col_value, partition_col = partiton_col_value, ...)

 

ALTER TABLE table_name DROP partition_spec, partition_spec,...

ü  具体实例

alter table student_p add partition(part='a') partition(part='b');

 

 

 

重命名表

ü  语法结构

ALTER TABLE table_name RENAME TO new_table_name

ü  具体实例

 

 

增长/更新列

ü  语法结构

ALTER TABLE table_name ADD|REPLACE COLUMNS (col_name data_type [COMMENT col_comment], ...)

 

注：ADD是表明新增一字段，字段位置在全部列后面(partition列前)，REPLACE则是表示替换表中全部字段。

 

ALTER TABLE table_name CHANGE [COLUMN] col_old_name col_new_name column_type [COMMENT col_comment] [FIRST|AFTER column_name]

ü  具体实例

 

 

2.1.3 显示命令

show tables

show databases

show partitions

show functions

desc extended t_name;

desc formatted table_name;

2.2  DML操做

2.2.1 Load

  语法结构

LOAD DATA [LOCAL] INPATH 'filepath' [OVERWRITE] INTO

TABLE tablename [PARTITION (partcol1=val1, partcol2=val2 ...)]

 

说明：

一、  Load 操做只是单纯的复制/移动操做，将数据文件移动到 Hive 表对应的位置。

二、  filepath：

相对路径，例如：project/data1

绝对路径，例如：/user/hive/project/data1

包含模式的完整 URI，列如：

hdfs://namenode:9000/user/hive/project/data1

三、  LOCAL关键字

若是指定了 LOCAL， load 命令会去查找本地文件系统中的 filepath。

若是没有指定 LOCAL 关键字，则根据inpath中的uri

 

若是指定了 LOCAL，那么：

load 命令会去查找本地文件系统中的 filepath。若是发现是相对路径，则路径会被解释为相对于当前用户的当前路径。

load 命令会将 filepath中的文件复制到目标文件系统中。目标文件系统由表的位置属性决定。被复制的数据文件移动到表的数据对应的位置。

 

若是没有指定 LOCAL 关键字，若是 filepath 指向的是一个完整的 URI，hive 会直接使用这个 URI。 不然：若是没有指定 schema 或者 authority，Hive 会使用在 hadoop 配置文件中定义的 schema 和 authority，fs.default.name 指定了 Namenode 的 URI。

若是路径不是绝对的，Hive 相对于/user/进行解释。

Hive 会将 filepath 中指定的文件内容移动到 table （或者 partition）所指定的路径中。

 

四、  OVERWRITE 关键字

若是使用了 OVERWRITE 关键字，则目标表（或者分区）中的内容会被删除，而后再将 filepath 指向的文件/目录中的内容添加到表/分区中。

若是目标表（分区）已经有一个文件，而且文件名和 filepath 中的文件名冲突，那么现有的文件会被新文件所替代。

 

  具体实例

一、 加载相对路径数据。

 

 

 

二、 加载绝对路径数据。

 

 

 

三、 加载包含模式数据。

 

 

 

四、 OVERWRITE关键字使用。

 

 

2.2.2     Insert

  将查询结果插入Hive表

ü  语法结构

INSERT OVERWRITE TABLE tablename1 [PARTITION (partcol1=val1, partcol2=val2 ...)] select_statement1 FROM from_statement

 

Multiple inserts:

FROM from_statement

INSERT OVERWRITE TABLE tablename1 [PARTITION (partcol1=val1, partcol2=val2 ...)] select_statement1

[INSERT OVERWRITE TABLE tablename2 [PARTITION ...] select_statement2] ...

 

Dynamic partition inserts:

INSERT OVERWRITE TABLE tablename PARTITION (partcol1[=val1], partcol2[=val2] ...) select_statement FROM from_statement

 

ü  具体实例

一、基本模式插入。

 

 

 

 

二、多插入模式。

 

 

 

三、自动分区模式。

 

 

 

v  导出表数据

ü  语法结构

INSERT OVERWRITE [LOCAL] DIRECTORY directory1 SELECT ... FROM ...

 

 

multiple inserts:

FROM from_statement

INSERT OVERWRITE [LOCAL] DIRECTORY directory1 select_statement1

[INSERT OVERWRITE [LOCAL] DIRECTORY directory2 select_statement2] ...

 

ü  具体实例

一、导出文件到本地。

 

 

 

说明：

数据写入到文件系统时进行文本序列化，且每列用^A来区分，\n为换行符。用more命令查看时不容易看出分割符，可使用: sed -e 's/\x01/|/g' filename[dht3] 来查看。

 

二、导出数据到HDFS。

 

 

2.2.3     SELECT

  基本的Select操做

ü  语法结构

SELECT [ALL | DISTINCT] select_expr, select_expr, ...

FROM table_reference

[WHERE where_condition]

[GROUP BY col_list [HAVING condition]]

[CLUSTER BY col_list

  | [DISTRIBUTE BY col_list] [SORT BY| ORDER BY col_list]

]

[LIMIT number]

 

注：1、order by 会对输入作全局排序，所以只有一个reducer，会致使当输入规模较大时，须要较长的计算时间。

2、sort by不是全局排序，其在数据进入reducer前完成排序。所以，若是用sort by进行排序，而且设置mapred.reduce.tasks>1，则sort by只保证每一个reducer的输出有序，不保证全局有序。

3、distribute by(字段)根据指定的字段将数据分到不一样的reducer，且分发算法是hash散列。

4、Cluster by(字段)除了具备Distribute by的功能外，还会对该字段进行排序。

 

 

所以，若是分桶和sort字段是同一个时，此时，cluster by = distribute by + sort by

 

分桶表的做用：最大的做用是用来提升join操做的效率；

（思考这个问题：

select a.id,a.name,b.addr from a join b on a.id = b.id;

若是a表和b表已是分桶表，并且分桶的字段是id字段

作这个join操做时，还须要全表作笛卡尔积吗？）

 

 

 

 

ü  具体实例

一、获取年龄大的3个学生。

 

 

 

二、查询学生信息按年龄，降序排序。

 

 

 

 

 

 

 

三、按学生名称汇总学生年龄。

 

 

 

 

2.3 Hive Join

  语法结构

join_table:

  table_reference JOIN table_factor [join_condition]

  | table_reference {LEFT|RIGHT|FULL} [OUTER] JOIN table_reference join_condition

  | table_reference LEFT SEMI JOIN table_reference join_condition

Hive 支持等值链接（equality joins）、外链接（outer joins）和（left/right joins）。Hive 不支持非等值的链接，由于非等值链接很是难转化到 map/reduce 任务。

另外，Hive 支持多于 2 个表的链接。

写 join 查询时，须要注意几个关键点：

1. 只支持等值join

例如：

  SELECT a.* FROM a JOIN b ON (a.id = b.id)

  SELECT a.* FROM a JOIN b

    ON (a.id = b.id AND a.department = b.department)

是正确的，然而:

  SELECT a.* FROM a JOIN b ON (a.id>b.id)

是错误的。

 

2. 能够 join 多于 2 个表。

例如

  SELECT a.val, b.val, c.val FROM a JOIN b

    ON (a.key = b.key1) JOIN c ON (c.key = b.key2)

若是join中多个表的 join key 是同一个，则 join 会被转化为单个 map/reduce 任务，例如：

  SELECT a.val, b.val, c.val FROM a JOIN b

    ON (a.key = b.key1) JOIN c

    ON (c.key = b.key1)

被转化为单个 map/reduce 任务，由于 join 中只使用了 b.key1 做为 join key。

SELECT a.val, b.val, c.val FROM a JOIN b ON (a.key = b.key1)

  JOIN c ON (c.key = b.key2)

而这一 join 被转化为 2 个 map/reduce 任务。由于 b.key1 用于第一次 join 条件，而 b.key2 用于第二次 join。

  

3．join 时，每次 map/reduce 任务的逻辑：

    reducer 会缓存 join 序列中除了最后一个表的全部表的记录，再经过最后一个表将结果序列化到文件系统。这一实现有助于在 reduce 端减小内存的使用量。实践中，应该把最大的那个表写在最后（不然会由于缓存浪费大量内存）。例如：

 SELECT a.val, b.val, c.val FROM a

    JOIN b ON (a.key = b.key1) JOIN c ON (c.key = b.key1)

全部表都使用同一个 join key（使用 1 次 map/reduce 任务计算）。Reduce 端会缓存 a 表和 b 表的记录，而后每次取得一个 c 表的记录就计算一次 join 结果，相似的还有：

  SELECT a.val, b.val, c.val FROM a

    JOIN b ON (a.key = b.key1) JOIN c ON (c.key = b.key2)

这里用了 2 次 map/reduce 任务。第一次缓存 a 表，用 b 表序列化；第二次缓存第一次 map/reduce 任务的结果，而后用 c 表序列化。

 

4．LEFT，RIGHT 和 FULL OUTER 关键字用于处理 join 中空记录的状况

例如：

  SELECT a.val, b.val FROM

a LEFT OUTER  JOIN b ON (a.key=b.key)

对应全部 a 表中的记录都有一条记录输出。输出的结果应该是 a.val, b.val，当 a.key=b.key 时，而当 b.key 中找不到等值的 a.key 记录时也会输出:

a.val, NULL

因此 a 表中的全部记录都被保留了；

“a RIGHT OUTER JOIN b”会保留全部 b 表的记录。

 

Join 发生在 WHERE 子句以前。若是你想限制 join 的输出，应该在 WHERE 子句中写过滤条件——或是在 join 子句中写。这里面一个容易混淆的问题是表分区的状况：

  SELECT a.val, b.val FROM a

  LEFT OUTER JOIN b ON (a.key=b.key)

  WHERE a.ds='2009-07-07' AND b.ds='2009-07-07'

会 join a 表到 b 表（OUTER JOIN），列出 a.val 和 b.val 的记录。WHERE 从句中可使用其余列做为过滤条件。可是，如前所述，若是 b 表中找不到对应 a 表的记录，b 表的全部列都会列出 NULL，包括 ds 列。也就是说，join 会过滤 b 表中不能找到匹配 a 表 join key 的全部记录。这样的话，LEFT OUTER 就使得查询结果与 WHERE 子句无关了。解决的办法是在 OUTER JOIN 时使用如下语法：

  SELECT a.val, b.val FROM a LEFT OUTER JOIN b

  ON (a.key=b.key AND

      b.ds='2009-07-07' AND

      a.ds='2009-07-07')

这一查询的结果是预先在 join 阶段过滤过的，因此不会存在上述问题。这一逻辑也能够应用于 RIGHT 和 FULL 类型的 join 中。

 

Join 是不能交换位置的。不管是 LEFT 仍是 RIGHT join，都是左链接的。

  SELECT a.val1, a.val2, b.val, c.val

  FROM a

  JOIN b ON (a.key = b.key)

  LEFT OUTER JOIN c ON (a.key = c.key)

先 join a 表到 b 表，丢弃掉全部 join key 中不匹配的记录，而后用这一中间结果和 c 表作 join。这一表述有一个不太明显的问题，就是当一个 key 在 a 表和 c 表都存在，可是 b 表中不存在的时候：整个记录在第一次 join，即 a JOIN b 的时候都被丢掉了（包括a.val1，a.val2和a.key），而后咱们再和 c 表 join 的时候，若是 c.key 与 a.key 或 b.key 相等，就会获得这样的结果：NULL, NULL, NULL, c.val

 

  具体实例

一、  获取已经分配班级的学生姓名。

 

 

 

二、  获取还没有分配班级的学生姓名。

 

 

 

三、  LEFT  SEMI  JOIN是IN/EXISTS的高效实现。

 

 

 

 

3 Hive Shell参数

3.1 Hive命令行

  语法结构

hive [-hiveconf x=y]* [<-i filename>]* [<-f filename>|<-e query-string>] [-S]

说明：

一、  -i 从文件初始化HQL。

二、  -e从命令行执行指定的HQL

三、  -f 执行HQL脚本

四、  -v 输出执行的HQL语句到控制台

五、  -p <port> connect to Hive Server on port number

六、  -hiveconf x=y Use this to set hive/hadoop configuration variables.

  具体实例

一、运行一个查询。

 

 

 

二、运行一个文件。

 

 

 

三、运行参数文件。

 

 

 

 

3.2 Hive参数配置方式

Hive参数大全：

https://cwiki.apache.org/confluence/display/Hive/Configuration+Properties

 

开发Hive应用时，不可避免地须要设定Hive的参数。设定Hive的参数能够调优HQL代码的执行效率，或帮助定位问题。然而实践中常常遇到的一个问题是，为何设定的参数没有起做用？这一般是错误的设定方式致使的。

 

对于通常参数，有如下三种设定方式：

l  配置文件

l  命令行参数

l  参数声明

 

配置文件：Hive的配置文件包括

l  用户自定义配置文件：$HIVE_CONF_DIR/hive-site.xml

l  默认配置文件：$HIVE_CONF_DIR/hive-default.xml

用户自定义配置会覆盖默认配置。

另外，Hive也会读入Hadoop的配置，由于Hive是做为Hadoop的客户端启动的，Hive的配置会覆盖Hadoop的配置。

配置文件的设定对本机启动的全部Hive进程都有效。

 

命令行参数：启动Hive（客户端或Server方式）时，能够在命令行添加-hiveconf param=value来设定参数，例如：

bin/hive -hiveconf hive.root.logger=INFO,console

这一设定对本次启动的Session（对于Server方式启动，则是全部请求的Sessions）有效。

 

参数声明：能够在HQL中使用SET关键字设定参数，例如：

set mapred.reduce.tasks=100;

这一设定的做用域也是session级的。

 

上述三种设定方式的优先级依次递增。即参数声明覆盖命令行参数，命令行参数覆盖配置文件设定。注意某些系统级的参数，例如log4j相关的设定，必须用前两种方式设定，由于那些参数的读取在Session创建之前已经完成了。

 

 

 

4. Hive函数

4.1 内置运算符

内容较多，见《Hive官方文档》

 

4.2 内置函数

内容较多，见《Hive官方文档》   (好比String 的 length  substring  replace 等)

https://cwiki.apache.org/confluence/display/Hive/LanguageManual+UDF

 

测试各类内置函数的快捷方法：

一、建立一个dual表

create table dual(id string);

二、load一个文件（一行，一个空格）到dual表

三、select substr('angelababy',2,3) from dual;

 

 

 

4.3 Hive自定义函数和Transform

当Hive提供的内置函数没法知足你的业务处理须要时，此时就能够考虑使用用户自定义函数（UDF：user-defined function）。

4.3.1 自定义函数类别

UDF  做用于单个数据行，产生一个数据行做为输出。（数学函数，字符串函数）

UDAF（用户定义汇集函数）：接收多个输入数据行，并产生一个输出数据行。（count，max）

 

4.3.2 UDF开发实例

l  简单UDF示例

一、先开发一个java类，继承UDF，并重载evaluate方法

package cn.hadoop.bigdata.udf import org.apache.hadoop.hive.ql.exec.UDF; import org.apache.hadoop.io.Text;   public final class Lower extends UDF{     public Text evaluate(final Text s){         if(s==null){return null;}         return new Text(s.toString().toLowerCase());     } }

 

二、打成jar包上传到服务器

三、将jar包添加到hive的classpath

hive>add JAR /home/hadoop/udf.jar;

四、建立临时函数与开发好的java class关联

Hive>create temporary function tolowercase as 'cn.hadoop.bigdata.udf.ToProvince';

 

五、便可在hql中使用自定义的函数tolowercase

Select tolowercase(name) fromt_text;

l  Json数据解析UDF开发

 

 

 

 

4.3.3 Transform实现

Hive的 TRANSFORM 关键字提供了在SQL中调用自写脚本的功能

适合实现Hive中没有的功能又不想写UDF的状况

 

使用示例1：下面这句sql就是借用了weekday_mapper.py对数据进行了处理.

CREATE TABLE u_data_new (   movieid INT,   rating INT,   weekday INT,   userid INT) ROW FORMAT DELIMITED FIELDS TERMINATED BY '\t';   add FILE weekday_mapper.py;   INSERT OVERWRITE TABLE u_data_new SELECT   TRANSFORM (movieid , rate, timestring,uid)   USING 'python weekday_mapper.py'   AS (movieid, rating, weekday,userid) FROM t_rating;

 

其中weekday_mapper.py内容以下

#!/bin/python import sys import datetime   for line in sys.stdin:   line = line.strip()   movieid, rating, unixtime,userid = line.split('\t')   weekday = datetime.datetime.fromtimestamp(float(unixtime)).isoweekday()   print '\t'.join([movieid, rating, str(weekday),userid])

 

 

 

1. 查询语言。因为 SQL 被普遍的应用在数据仓库中，所以，专门针对 Hive 的特性设计了类 SQL 的查询语言 HQL。熟悉 SQL 开发的开发者能够很方便的使用 Hive 进行开发。
2. 数据存储位置。Hive 是创建在 Hadoop 之上的，全部 Hive 的数据都是存储在 HDFS 中的。而数据库则能够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，数据格式能够由用户指定，用户定义数据格式须要指定三个属性：列分隔符（一般为空格、”\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）。因为在加载数据的过程当中，不须要从用户数据格式到 Hive 定义的数据格式的转换，所以，Hive 在加载的过程当中不会对数据自己进行任何修改，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，不一样的数据库有不一样的存储引擎，定义了本身的数据格式。全部数据都会按照必定的组织存储，所以，数据库加载数据的过程会比较耗时。
4. 数据更新。因为 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。所以，Hive 中不支持对数据的改写和添加，全部的数据都是在加载的时候中肯定好的。而数据库中的数据一般是须要常常进行修改的，所以可使用 INSERT INTO ...  VALUES 添加数据，使用 UPDATE ... SET 修改数据。
5. 索引。以前已经说过，Hive 在加载数据的过程当中不会对数据进行任何处理，甚至不会对数据进行扫描，所以也没有对数据中的某些 Key 创建索引。Hive 要访问数据中知足条件的特定值时，须要暴力扫描整个数据，所以访问延迟较高。因为 MapReduce 的引入， Hive 能够并行访问数据，所以即便没有索引，对于大数据量的访问，Hive 仍然能够体现出优点。数据库中，一般会针对一个或者几个列创建索引，所以对于少许的特定条件的数据的访问，数据库能够有很高的效率，较低的延迟。因为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经过 Hadoop 提供的 MapReduce 来实现的，而数据库一般有本身的执行引擎。
7. 执行延迟。以前提到，Hive 在查询数据的时候，因为没有索引，须要扫描整个表，所以延迟较高。另一个致使 Hive 执行延迟高的因素是 MapReduce 框架。因为 MapReduce 自己具备较高的延迟，所以在利用 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。固然，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点。
8. 可扩展性。因为 Hive 是创建在 Hadoop 之上的，所以 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）。而数据库因为 ACID 语义的严格限制，扩展行很是有限。目前最早进的并行数据库 Oracle 在理论上的扩展能力也只有 100 台左右。
9. 数据规模。因为 Hive 创建在集群上并能够利用 MapReduce 进行并行计算，所以能够支持很大规模的数据；对应的，数据库能够支持的数据规模较小。