hive仓库和关系型数据库的对比

刺骨的言语ヽ痛彻心扉 2022-06-14 10:24 103阅读 0赞

1. 查询语言。由于 SQL 被广泛的应用在数据仓库中，因此专门针对 Hive 的特性设计了类 SQL的查询语言 HQL（发音“海口”）。熟悉 SQL 开发的开发者可以很方便的使用Hive 进行开发。

2. 数据存储位置。Hive 是建立在Hadoop 之上的，所有 Hive 的数据都是存储在 HDFS 中。而数据库则可以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，数据格式可以由用户来指定，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，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。而在数据库中，不同的数据库有不同的存储引擎，定义了自己的数据格式(结构化)。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hive耗时。

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。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。不过为了提升查询性能，通常会在建表时创建分区，那么就会在HDFS上创建对应的目录，查询时直接查这个目录即可(而不需暴力扫描整个数据)。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，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，扩展性非常有限。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。