详细总结 Hive VS 传统关系型数据库

重点区别：

（1）hive是数据仓库，传统数据库是关系型数据库。

（2）读时模式vs写时模式

在传统数据库里，表的模式是在数据加载的时候强制确定的。如果在数据加载时发现数据不符合模式，则拒绝加载。因为数据是在写入数据库时对照模式进行检查，因此这一设计有时被称为“写时模式”。（它需要读取数据，然后进行“解析”，再进行序列化以数据库内部格式存入磁盘）

另一方面，Hive对数据的验证并不在加载数据是进行，而在查询时进行，这称为“读时模式”。

注：写时模式有利于提升查询性能，因为数据库可以对列进行索引，并对数据进行压缩。但是作为权衡，数据加载会花更多时间。

（3）更新、事物和索引

更新、事物和索引都是传统数据库最重要的特性。但是，直到最近，HIve也没能很好的支持这些特性。

下面对图中的各条做详细总结

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 中没有定义专门的数据格式，数据格式可以由用户指定，用户定义数据格式需要指定三个属性：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）。

由于在加载数据的过程中，不需要从用户数据格式到 Hive 定义的数据格式的转换，因此，Hive 在加载的过程中不会对数据本身进行任何修改，而只是将数据内容复制或者移动到相应的 HDFS 目录中。

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。所有数据都会按照一定的组织存储，因此，数据库加载数据的过程会比较耗时。

4、数据更新

Hive：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中不支持对数据的改写和添加，所有的数据都是在加载的时候就已经确定好的。

数据库：数据库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

Hive：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：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：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）。

数据库：数据库通常有自己的执行引擎。

7、  执行延迟

Hive：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。

数据库：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

Hive：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）。

数据库：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

Hive：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。

数据库：对应的，数据库可以支持的数据规模较小。