Hive简介

1.1  hive简介

1.1.1 什么是hive

hive是基于hadoop的一个数据仓库工具，可以将结构化的数据文件映射为一张数据库表，并提供类sql查询功能。

1.1.2 为什么使用hive

• 直接使用hadoop所面临的问题

人员学习成本太高

项目周期要求太短

mapreduce实现复杂查询逻辑开发难度太大

 

• 为什么要使用hive

操作接口采用类sql语法，提供快速开发的能力。

避免了去写mapreduce，减少开发人员的学习成本。

扩展功能很方便。

1.1.3 hive的特点

• 可扩展

hive可以*的扩展集群的规模，一般情况下不需要重启服务。

 

• 延展性

hive支持用户自定义函数，用户可以根据自己的需求来实现自己的函数。

 

• 容错

良好的容错性，节点出现问题sql仍可完成执行。

1.2  hive架构

1.2.1 架构图

 

 

jobtracker是hadoop1.x中的组件，它的功能相当于： resourcemanager+appmaster

 

tasktracker 相当于：  nodemanager  +  yarnchild

 

 

 

 

1.2.2 基本组成

• 用户接口：包括 cli、jdbc/odbc、webgui。
• 元数据存储：通常是存储在关系数据库如 mysql , derby中。
• 解释器、编译器、优化器、执行器。
• 用户接口主要由三个：cli、jdbc/odbc和webgui。其中，cli为shell命令行；jdbc/odbc是hive的java实现，与传统数据库jdbc类似；webgui是通过浏览器访问hive。
• 元数据存储：hive 将元数据存储在数据库中。hive 中的元数据包括表的名字，表的列和分区及其属性，表的属性（是否为外部表等），表的数据所在目录等。
• 解释器、编译器、优化器完成 hql 查询语句从词法分析、语法分析、编译、优化以及查询计划的生成。生成的查询计划存储在 hdfs 中，并在随后有 mapreduce 调用执行。

1.2.3  各组件的基本功能

1.3 hive与hadoop的关系

hive利用hdfs存储数据，利用mapreduce查询数据

 

 

 

 

1.4 hive与传统数据库对比

 

 

 

总结：hive具有sql数据库的外表，但应用场景完全不同，hive只适合用来做批量数据统计分析

1.5 hive的数据存储

1、hive中所有的数据都存储在 hdfs 中，没有专门的数据存储格式（可支持text，sequencefile，parquetfile，rcfile等）

2、只需要在创建表的时候告诉 hive 数据中的列分隔符和行分隔符，hive 就可以解析数据。

3、hive 中包含以下数据模型：db、table，external table，partition，bucket。

²  db：在hdfs中表现为${hive.metastore.warehouse.dir}目录下一个文件夹

²  table：在hdfs中表现所属db目录下一个文件夹

²  external table：与table类似，不过其数据存放位置可以在任意指定路径

²  partition：在hdfs中表现为table目录下的子目录

²  bucket：在hdfs中表现为同一个表目录下根据hash散列之后的多个文件

 

 

1.6 hive的安装部署

1.6.1 安装

单机版：

元数据库mysql版：

 

1.6.2 使用方式

hive交互shell

bin/hive

 

 

hive thrift服务

 

 

启动方式，（假如是在hadoop01上）：

启动为前台：bin/hiveserver2

启动为后台：nohup bin/hiveserver2 1>/var/log/hiveserver.log 2>/var/log/hiveserver.err &

 

启动成功后，可以在别的节点上用beeline去连接

v  方式（1）

hive/bin/beeline  回车，进入beeline的命令界面

输入命令连接hiveserver2

beeline> !connect jdbc:hive2//mini1:10000

（hadoop01是hiveserver2所启动的那台主机名，端口默认是10000）

v  方式（2）

或者启动就连接：

bin/beeline -u jdbc:hive2://mini1:10000 -n hadoop

 

接下来就可以做正常sql查询了

 

 

hive命令

[hadoop@hdp-node-02 ~]$ hive  -e  ‘sql’

 

 

2.   hive基本操作

2.1  ddl操作

2.1.1    创建表

建表语法

create [external] table [if not exists] table_name

   [(col_name data_type [comment col_comment], ...)]

   [comment table_comment]

   [partitioned by (col_name data_type [comment col_comment], ...)]

   [clustered by (col_name, col_name, ...)

   [sorted by (col_name [asc|desc], ...)] into num_buckets buckets]

   [row format row_format]

   [stored as file_format]

   [location hdfs_path]

 

说明：

1、 create table 创建一个指定名字的表。如果相同名字的表已经存在，则抛出异常；用户可以用 if not exists 选项来忽略这个异常。

2、 external关键字可以让用户创建一个外部表，在建表的同时指定一个指向实际数据的路径（location），hive 创建内部表时，会将数据移动到数据仓库指向的路径；若创建外部表，仅记录数据所在的路径，不对数据的位置做任何改变。在删除表的时候，内部表的元数据和数据会被一起删除，而外部表只删除元数据，不删除数据。

3、 like 允许用户复制现有的表结构，但是不复制数据。

4、 row format

delimited [fields terminated by char] [collection items terminated by char]

        [map keys terminated by char] [lines terminated by char]

   | serde serde_name [with serdeproperties (property_name=property_value, property_name=property_value, ...)]

用户在建表的时候可以自定义 serde 或者使用自带的 serde。如果没有指定 row format 或者 row format delimited，将会使用自带的 serde。在建表的时候，用户还需要为表指定列，用户在指定表的列的同时也会指定自定义的 serde，hive通过 serde 确定表的具体的列的数据。

5、 stored as

sequencefile|textfile|rcfile

如果文件数据是纯文本，可以使用 stored as textfile。如果数据需要压缩，使用 stored as sequencefile。

 

6、clustered by

对于每一个表（table）或者分区， hive可以进一步组织成桶，也就是说桶是更为细粒度的数据范围划分。hive也是 针对某一列进行桶的组织。hive采用对列值哈希，然后除以桶的个数求余的方式决定该条记录存放在哪个桶当中。

把表（或者分区）组织成桶（bucket）有两个理由：

（1）获得更高的查询处理效率。桶为表加上了额外的结构，hive 在处理有些查询时能利用这个结构。具体而言，连接两个在（包含连接列的）相同列上划分了桶的表，可以使用 map 端连接 （map-side join）高效的实现。比如join操作。对于join操作两个表有一个相同的列，如果对这两个表都进行了桶操作。那么将保存相同列值的桶进行join操作就可以，可以大大较少join的数据量。

（2）使取样（sampling）更高效。在处理大规模数据集时，在开发和修改查询的阶段，如果能在数据集的一小部分数据上试运行查询，会带来很多方便。

 

 

具体实例

1、  创建内部表mytable。

 

 

 

2、  创建外部表pageview。

 

 

 

3、  创建分区表invites。

create table student_p(sno int,sname string,sex string,sage int,sdept string) partitioned by(part string) row format delimited fields terminated by ','stored as textfile;

 

 

 

 

4、  创建带桶的表student。

 

 

2.1.2 修改表

增加/删除分区

ü  语法结构

alter table table_name add [if not exists] partition_spec [ location 'location1' ] partition_spec [ location 'location2' ] ...

partition_spec:

: partition (partition_col = partition_col_value, partition_col = partiton_col_value, ...)

 

alter table table_name drop partition_spec, partition_spec,...

ü  具体实例

alter table student_p add partition(part='a') partition(part='b');

 

 

 

重命名表

ü  语法结构

alter table table_name rename to new_table_name

ü  具体实例

 

 

增加/更新列

ü  语法结构

alter table table_name add|replace columns (col_name data_type [comment col_comment], ...)

 

注：add是代表新增一字段，字段位置在所有列后面(partition列前)，replace则是表示替换表中所有字段。

 

alter table table_name change [column] col_old_name col_new_name column_type [comment col_comment] [first|after column_name]

ü  具体实例

 

 

2.1.3 显示命令

show tables

show databases

show partitions

show functions

desc extended t_name;

desc formatted table_name;

2.2  dml操作

2.2.1 load

  语法结构

load data [local] inpath 'filepath' [overwrite] into

table tablename [partition (partcol1=val1, partcol2=val2 ...)]

 

说明：

1、  load 操作只是单纯的复制/移动操作，将数据文件移动到 hive 表对应的位置。

2、  filepath：

相对路径，例如：project/data1

绝对路径，例如：/user/hive/project/data1

包含模式的完整 uri，列如：

hdfs://namenode:9000/user/hive/project/data1

3、  local关键字

如果指定了 local， load 命令会去查找本地文件系统中的 filepath。

如果没有指定 local 关键字，则根据inpath中的uri

 

如果指定了 local，那么：

load 命令会去查找本地文件系统中的 filepath。如果发现是相对路径，则路径会被解释为相对于当前用户的当前路径。

load 命令会将 filepath中的文件复制到目标文件系统中。目标文件系统由表的位置属性决定。被复制的数据文件移动到表的数据对应的位置。

 

如果没有指定 local 关键字，如果 filepath 指向的是一个完整的 uri，hive 会直接使用这个 uri。 否则：如果没有指定 schema 或者 authority，hive 会使用在 hadoop 配置文件中定义的 schema 和 authority，fs.default.name 指定了 namenode 的 uri。

如果路径不是绝对的，hive 相对于/user/进行解释。

hive 会将 filepath 中指定的文件内容移动到 table （或者 partition）所指定的路径中。

 

4、  overwrite 关键字

如果使用了 overwrite 关键字，则目标表（或者分区）中的内容会被删除，然后再将 filepath 指向的文件/目录中的内容添加到表/分区中。

如果目标表（分区）已经有一个文件，并且文件名和 filepath 中的文件名冲突，那么现有的文件会被新文件所替代。

 

  具体实例

1、 加载相对路径数据。

 

 

 

2、 加载绝对路径数据。

 

 

 

3、 加载包含模式数据。

 

 

 

4、 overwrite关键字使用。

 

 

2.2.2     insert

  将查询结果插入hive表

ü  语法结构

insert overwrite table tablename1 [partition (partcol1=val1, partcol2=val2 ...)] select_statement1 from from_statement

 

multiple inserts:

from from_statement

insert overwrite table tablename1 [partition (partcol1=val1, partcol2=val2 ...)] select_statement1

[insert overwrite table tablename2 [partition ...] select_statement2] ...

 

dynamic partition inserts:

insert overwrite table tablename partition (partcol1[=val1], partcol2[=val2] ...) select_statement from from_statement

 

ü  具体实例

1、基本模式插入。

 

 

 

 

2、多插入模式。

 

 

 

3、自动分区模式。

 

 

 

v  导出表数据

ü  语法结构

insert overwrite [local] directory directory1 select ... from ...

 

 

multiple inserts:

from from_statement

insert overwrite [local] directory directory1 select_statement1

[insert overwrite [local] directory directory2 select_statement2] ...

 

ü  具体实例

1、导出文件到本地。

 

 

 

说明：

数据写入到文件系统时进行文本序列化，且每列用^a来区分，\n为换行符。用more命令查看时不容易看出分割符，可以使用: sed -e 's/\x01/|/g' filename[dht3] 来查看。

 

2、导出数据到hdfs。

 

 

2.2.3     select

  基本的select操作

ü  语法结构

select [all | distinct] select_expr, select_expr, ...

from table_reference

[where where_condition]

[group by col_list [having condition]]

[cluster by col_list

  | [distribute by col_list] [sort by| order by col_list]

]

[limit number]

 

注：1、order by 会对输入做全局排序，因此只有一个reducer，会导致当输入规模较大时，需要较长的计算时间。

2、sort by不是全局排序，其在数据进入reducer前完成排序。因此，如果用sort by进行排序，并且设置mapred.reduce.tasks>1，则sort by只保证每个reducer的输出有序，不保证全局有序。

3、distribute by(字段)根据指定的字段将数据分到不同的reducer，且分发算法是hash散列。

4、cluster by(字段)除了具有distribute by的功能外，还会对该字段进行排序。

 

 

因此，如果分桶和sort字段是同一个时，此时，cluster by = distribute by + sort by

 

分桶表的作用：最大的作用是用来提高join操作的效率；

（思考这个问题：

select a.id,a.name,b.addr from a join b on a.id = b.id;

如果a表和b表已经是分桶表，而且分桶的字段是id字段

做这个join操作时，还需要全表做笛卡尔积吗？）

 

 

 

 

ü  具体实例

1、获取年龄大的3个学生。

 

 

 

2、查询学生信息按年龄，降序排序。

 

 

 

 

 

 

 

3、按学生名称汇总学生年龄。

 

 

 

 

2.3 hive join

  语法结构

join_table:

  table_reference join table_factor [join_condition]

  | table_reference {left|right|full} [outer] join table_reference join_condition

  | table_reference left semi join table_reference join_condition

hive 支持等值连接（equality joins）、外连接（outer joins）和（left/right joins）。hive 不支持非等值的连接，因为非等值连接非常难转化到 map/reduce 任务。

另外，hive 支持多于 2 个表的连接。

写 join 查询时，需要注意几个关键点：

1. 只支持等值join

例如：

  select a.* from a join b on (a.id = b.id)

  select a.* from a join b

    on (a.id = b.id and a.department = b.department)

是正确的，然而:

  select a.* from a join b on (a.id>b.id)

是错误的。

 

2. 可以 join 多于 2 个表。

例如

  select a.val, b.val, c.val from a join b

    on (a.key = b.key1) join c on (c.key = b.key2)

如果join中多个表的 join key 是同一个，则 join 会被转化为单个 map/reduce 任务，例如：

  select a.val, b.val, c.val from a join b

    on (a.key = b.key1) join c

    on (c.key = b.key1)

被转化为单个 map/reduce 任务，因为 join 中只使用了 b.key1 作为 join key。

select a.val, b.val, c.val from a join b on (a.key = b.key1)

  join c on (c.key = b.key2)

而这一 join 被转化为 2 个 map/reduce 任务。因为 b.key1 用于第一次 join 条件，而 b.key2 用于第二次 join。

  

3．join 时，每次 map/reduce 任务的逻辑：

    reducer 会缓存 join 序列中除了最后一个表的所有表的记录，再通过最后一个表将结果序列化到文件系统。这一实现有助于在 reduce 端减少内存的使用量。实践中，应该把最大的那个表写在最后（否则会因为缓存浪费大量内存）。例如：

 select a.val, b.val, c.val from a

    join b on (a.key = b.key1) join c on (c.key = b.key1)

所有表都使用同一个 join key（使用 1 次 map/reduce 任务计算）。reduce 端会缓存 a 表和 b 表的记录，然后每次取得一个 c 表的记录就计算一次 join 结果，类似的还有：

  select a.val, b.val, c.val from a

    join b on (a.key = b.key1) join c on (c.key = b.key2)

这里用了 2 次 map/reduce 任务。第一次缓存 a 表，用 b 表序列化；第二次缓存第一次 map/reduce 任务的结果，然后用 c 表序列化。

 

4．left，right 和 full outer 关键字用于处理 join 中空记录的情况

例如：

  select a.val, b.val from

a left outer  join b on (a.key=b.key)

对应所有 a 表中的记录都有一条记录输出。输出的结果应该是 a.val, b.val，当 a.key=b.key 时，而当 b.key 中找不到等值的 a.key 记录时也会输出:

a.val, null

所以 a 表中的所有记录都被保留了；

“a right outer join b”会保留所有 b 表的记录。

 

join 发生在 where 子句之前。如果你想限制 join 的输出，应该在 where 子句中写过滤条件——或是在 join 子句中写。这里面一个容易混淆的问题是表分区的情况：

  select a.val, b.val from a

  left outer join b on (a.key=b.key)

  where a.ds='2009-07-07' and b.ds='2009-07-07'

会 join a 表到 b 表（outer join），列出 a.val 和 b.val 的记录。where 从句中可以使用其他列作为过滤条件。但是，如前所述，如果 b 表中找不到对应 a 表的记录，b 表的所有列都会列出 null，包括 ds 列。也就是说，join 会过滤 b 表中不能找到匹配 a 表 join key 的所有记录。这样的话，left outer 就使得查询结果与 where 子句无关了。解决的办法是在 outer join 时使用以下语法：

  select a.val, b.val from a left outer join b

  on (a.key=b.key and

      b.ds='2009-07-07' and

      a.ds='2009-07-07')

这一查询的结果是预先在 join 阶段过滤过的，所以不会存在上述问题。这一逻辑也可以应用于 right 和 full 类型的 join 中。

 

join 是不能交换位置的。无论是 left 还是 right join，都是左连接的。

  select a.val1, a.val2, b.val, c.val

  from a

  join b on (a.key = b.key)

  left outer join c on (a.key = c.key)

先 join a 表到 b 表，丢弃掉所有 join key 中不匹配的记录，然后用这一中间结果和 c 表做 join。这一表述有一个不太明显的问题，就是当一个 key 在 a 表和 c 表都存在，但是 b 表中不存在的时候：整个记录在第一次 join，即 a join b 的时候都被丢掉了（包括a.val1，a.val2和a.key），然后我们再和 c 表 join 的时候，如果 c.key 与 a.key 或 b.key 相等，就会得到这样的结果：null, null, null, c.val

 

  具体实例

1、  获取已经分配班级的学生姓名。

 

 

 

2、  获取尚未分配班级的学生姓名。

 

 

 

3、  left  semi  join是in/exists的高效实现。

 

 

 

 

3 hive shell参数

3.1 hive命令行

  语法结构

hive [-hiveconf x=y]* [<-i filename>]* [<-f filename>|<-e query-string>] [-s]

说明：

1、  -i 从文件初始化hql。

2、  -e从命令行执行指定的hql

3、  -f 执行hql脚本

4、  -v 输出执行的hql语句到控制台

5、  -p <port> connect to hive server on port number

6、  -hiveconf x=y use this to set hive/hadoop configuration variables.

  具体实例

1、运行一个查询。

 

 

 

2、运行一个文件。

 

 

 

3、运行参数文件。

 

 

 

 

3.2 hive参数配置方式

hive参数大全：

https://cwiki.apache.org/confluence/display/hive/configuration+properties

 

开发hive应用时，不可避免地需要设定hive的参数。设定hive的参数可以调优hql代码的执行效率，或帮助定位问题。然而实践中经常遇到的一个问题是，为什么设定的参数没有起作用？这通常是错误的设定方式导致的。

 

对于一般参数，有以下三种设定方式：

l  配置文件

l  命令行参数

l  参数声明

 

配置文件：hive的配置文件包括

l  用户自定义配置文件：$hive_conf_dir/hive-site.xml

l  默认配置文件：$hive_conf_dir/hive-default.xml

用户自定义配置会覆盖默认配置。

另外，hive也会读入hadoop的配置，因为hive是作为hadoop的客户端启动的，hive的配置会覆盖hadoop的配置。

配置文件的设定对本机启动的所有hive进程都有效。

 

命令行参数：启动hive（客户端或server方式）时，可以在命令行添加-hiveconf param=value来设定参数，例如：

bin/hive -hiveconf hive.root.logger=info,console

这一设定对本次启动的session（对于server方式启动，则是所有请求的sessions）有效。

 

参数声明：可以在hql中使用set关键字设定参数，例如：

set mapred.reduce.tasks=100;

这一设定的作用域也是session级的。

 

上述三种设定方式的优先级依次递增。即参数声明覆盖命令行参数，命令行参数覆盖配置文件设定。注意某些系统级的参数，例如log4j相关的设定，必须用前两种方式设定，因为那些参数的读取在session建立以前已经完成了。

 

 

 

4. hive函数

4.1 内置运算符

内容较多，见《hive官方文档》

 

4.2 内置函数

内容较多，见《hive官方文档》   (比如string 的 length  substring  replace 等)

https://cwiki.apache.org/confluence/display/hive/languagemanual+udf

 

测试各种内置函数的快捷方法：

1、创建一个dual表

create table dual(id string);

2、load一个文件（一行，一个空格）到dual表

3、select substr('angelababy',2,3) from dual;

 

 

 

4.3 hive自定义函数和transform

当hive提供的内置函数无法满足你的业务处理需要时，此时就可以考虑使用用户自定义函数（udf：user-defined function）。

4.3.1 自定义函数类别

udf  作用于单个数据行，产生一个数据行作为输出。（数学函数，字符串函数）

udaf（用户定义聚集函数）：接收多个输入数据行，并产生一个输出数据行。（count，max）

 

4.3.2 udf开发实例

l  简单udf示例

1、先开发一个java类，继承udf，并重载evaluate方法

package cn.hadoop.bigdata.udf

import org.apache.hadoop.hive.ql.exec.udf;

import org.apache.hadoop.io.text;

 

public final class lower extends udf{

    public text evaluate(final text s){

        if(s==null){return null;}

        return new text(s.tostring().tolowercase());

    }

}

 

2、打成jar包上传到服务器

3、将jar包添加到hive的classpath

hive>add jar /home/hadoop/udf.jar;

4、创建临时函数与开发好的java class关联

hive>create temporary function tolowercase as 'cn.hadoop.bigdata.udf.toprovince';

 

5、即可在hql中使用自定义的函数tolowercase

select tolowercase(name) fromt_text;

l  json数据解析udf开发

 

 

 

 

4.3.3 transform实现

hive的 transform 关键字提供了在sql中调用自写脚本的功能

适合实现hive中没有的功能又不想写udf的情况

 

使用示例1：下面这句sql就是借用了weekday_mapper.py对数据进行了处理.

create table u_data_new (

  movieid int,

  rating int,

  weekday int,

  userid int)

row format delimited

fields terminated by '\t';

 

add file weekday_mapper.py;

 

insert overwrite table u_data_new

select

  transform (movieid , rate, timestring,uid)

  using 'python weekday_mapper.py'

  as (movieid, rating, weekday,userid)

from t_rating;

 

其中weekday_mapper.py内容如下

#!/bin/python

import sys

import datetime

 

for line in sys.stdin:

  line = line.strip()

  movieid, rating, unixtime,userid = line.split('\t')

  weekday = datetime.datetime.fromtimestamp(float(unixtime)).isoweekday()

  print '\t'.join([movieid, rating, str(weekday),userid])

 

 

 

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，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。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。