Hive与Mysql数据库比较

墨蓝 2022-05-19 13:47 285阅读 0赞

经常会被一些不懂大数据的开发问：  
**Hive是什么？Hive与传统型数据库有什么区别？**

Hive是一个基于Hadoop的数据仓库平台。  
Hive定义了一个类似于SQL的查询语言：HQL，能够将用户编写的QL转化为相应的Mapreduce程序基于Hadoop执行。

今天就以Mysql为例，简单比较一下两者区别。

<table> 
 <thead> 
  <tr> 
   <th>查询语言</th> 
   <th align="center">HQL</th> 
   <th align="right">SQL</th> 
  </tr> 
 </thead> 
 <tbody> 
  <tr> 
   <td>数据存储位置</td> 
   <td align="center">HDFS</td> 
   <td align="right">Local FS</td> 
  </tr> 
  <tr> 
   <td>数据格式</td> 
   <td align="center">用户自定</td> 
   <td align="right">系统决定</td> 
  </tr> 
  <tr> 
   <td>数据更新</td> 
   <td align="center">hive(0.14) 后支持</td> 
   <td align="right">支持</td> 
  </tr> 
  <tr> 
   <td>索引</td> 
   <td align="center">无</td> 
   <td align="right">有</td> 
  </tr> 
  <tr> 
   <td>执行</td> 
   <td align="center">MapReduce</td> 
   <td align="right">Executor</td> 
  </tr> 
  <tr> 
   <td>执行延迟</td> 
   <td align="center">高</td> 
   <td align="right">低</td> 
  </tr> 
  <tr> 
   <td>可扩展性</td> 
   <td align="center">高</td> 
   <td align="right">低</td> 
  </tr> 
  <tr> 
   <td>数据规模</td> 
   <td align="center">大</td> 
   <td align="right">小</td> 
  </tr> 
 </tbody> 
</table>

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。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 中的。而数据库 则可以将数据保存在本地文件系统中。

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。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。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。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。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（类似 select \* from tbl 的查询不需要 MapReduce）。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。

7、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。

8、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。

数据仓库与数据库的区别

> 数据库是面向事务的设计，数据仓库是面向主题设计的。 数据库一般存储在线交易数据，数据仓库存储的一般是历史数据。  
> 数据库设计是尽量避免冗余，一般采用符合范式的规则来设计，数据仓库在设计是有意引入冗余，采用反范式的方式来设计。  
> 数据库是为捕获数据而设计，数据仓库是为分析数据而设计，它的两个基本的元素是维表和事实表。（维是看问题的角度，比如时间，部门，维表放的就是这些东西的定义，事实表里放着要查询的数据，同时有维的ID）

以上部分内容来自网络，侵权删。