具体总结 Hive VS 传统关系型数据库

本文思路，看图说话，一张图，清晰总结二者差别

以下对图中的各条做具体总结

1、查询语言

不做赘述

2、数据存储位置

不做赘述

3、数据格式

Hive：Hive 中未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（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）。

因为在载入数据的过程中，不须要从用户数据格式到 Hive 定义的数据格式的转换，因此，Hive 在载入的过程中不会对数据本身进行不论什么改动，而仅仅是将数据内容复制或者移动到对应的 HDFS 文件夹中。

数据库：不同的数据库有不同的存储引擎，定义了自己的数据格式。全部数据都会依照一定的组织存储，因此，数据库载入数据的过程会比較耗时。

4、数据更新

Hive：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。因此，Hive中不支持对数据的改写和加入�，全部的数据都是在载入的时候就已经确定好的。

数据库：数据库数据一般是须要常常进行改动的，因此能够使用 INSERT INTO ... VALUES 加入�数据，使用UPDATE ... SET 改动数据。

5、索引

Hive：之前已经说过，Hive 在载入数据的过程中不会对数据进行不论什么处理，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 要訪问数据中满足条件的特定值时，须要暴力扫描整个数据，因此訪问延迟较高。因为 MapReduce 的引入， Hive 能够并行訪问数据，因此即使没有索引，对于大数据量的訪问，Hive 仍然能够体现出优势。

数据库：数据库中，一般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訪问，数据库能够有非常高的效率，较低的延迟。因为数据的訪问延迟较高，决定了Hive不适合在线数据查询。

6、运行

Hive：Hive 中大多数查询的运行是通过 Hadoop 提供的 MapReduce 来实现的（类似 select *from tbl 的查询不须要MapReduce）。

数据库：数据库通常有自己的运行引擎。

7、  运行延迟

Hive：之前提到，Hive 在查询数据的时候，因为没有索引，须要扫描整个表，因此延迟较高。另外一个导致 Hive 运行延迟高的因素是 MapReduce 框架。因为 MapReduce 本身具有较高的延迟，因此在利用 MapReduce 运行 Hive 查询时，也会有较高的延迟。

数据库：相对的，数据库的运行延迟较低。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

Hive：因为 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）。

数据库：而数据库因为ACID 语义的严格限制，扩展行很有限。眼下最先进的并行数据库 Oracle 在理论上的扩展能力也仅仅有 100 台左右。

9、数据规模

Hive：因为 Hive 建立在集群上并能够利用 MapReduce 进行并行计算，因此能够支持非常大规模的数据。

数据库：相应的，数据库能够支持的数据规模较小。