hive和关系型数据库RDBMS的异同

摘要：因为 Hive 采用了 SQL 的查询语言 HQL，所以很容易将 Hive 理解为数据库。其实
从结构上来看，Hive 和数据库除了拥有相似的查询语言，再无相似之处。本文将
从多个方面来阐述 Hive 和数据库的差别。数据库能够用在 Online 的应用中，可是
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。

Hive 和数据库的比较

查询语言	HQL	SQL
数据存储位置	HDFS	Raw Device 或者 Local FS
数据格式	用户定义	系统决定
数据更新	不支持	支持
索引	无	有
执行	MapRedcue	Executor
执行延迟	高	低
可扩展性	高	低
数据规模	大	小

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，RDBMS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（相似 select * from tbl 的查询不须要 MapReduce）。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。hive执行延迟高，只有在数据规模达到必定程度后，其查询的高效才能弥补其高延迟的劣势。
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。