由于数据量巨大，单机无法存储，所以我们需要将用很多台机器存储数据，HDFS(Hadoop Distributed FileSystem)就应用而生，它是专门负责管理这么多台单机之间的数据，你存取数据都是和单机一样的操作流程，但实际上这些数据都是在多台单机上存储的，相当于HDFS是一个帮你管理大数据的界面，你不用管它后面是怎么的关系，只需要在它这儿操作就可以了。光有数据也不行啊，数据我们是要提取信息的，也就是需要计算的，那怎么实现这么多单机之间的协同计算呢？MapReduce / Tez / Spark 就出来了，它说，这种小事我来做，MapReduce是第一代计算引擎，Tez和Spark是第二代。MapReduce虽然好用，但是其代码就像汇编语言一样，为了解放我们的大脑，一种更简单的语言应用而生，这就是Pig和Hive。Pig是接近脚本方式去描述MapReduce，Hive则用的是SQL。但是MapReduce的计算速度确实是非常慢的，对于一些实时性比较强的数据处理，MapReduce计算速度就有点太差劲，于是Impala，Presto，Drill 三个系统就出来了，三个系统的核心理念是，MapReduce引擎太慢，因为它太通用，太强壮，太保守，我们SQL需要更轻量，更激进地获取资源，更专门地对SQL做优化，而且不需要那么多容错性保证(因为系统出错了大不了重新启动任务，如果整个处理时间更短的话，比如几分钟之内)。这些系统让用户更快速地处理SQL任务。
Hive的特点：
1.Hive不存储数据，Hive需要分析计算的数据，以及计算结果后的数据实际存储在分布式系统上，如HDFS上。
2.Hive某种程度来说也不进行数据计算，只是个解释器，只是将用户需要对数据处理的逻辑，通过SQL编程提交后解释成MapReduce程序，然后将这个MR程序提交给Yarn进行调度执行。所以实际进行分布式运算的是MapReduce程序。
3.因为Hive为了能操作HDFS上的数据集，那么他需要知道数据的切分格式，如行列分隔符，存储类型，是否压缩，数据的存储地址等信息。为了方便以后操作所以他需要将这些信息通过一张表存储起来，然后将这张表（元数据）存储到mysql中。
Spark和hive的区别？
Spark现在发展成了一个生态群：spark sql ,spark core,spark mllib,sparkR,spark Graphx
spark是一个独立自主的家伙，它是一个运算引擎，它可以从各种各样的数据源读取数据，来做运算，然后可以将运算结果写入各种各样的存储系统中，hive是一个资源整合者，它自己并不没有核心的功能，它提供sql语法的解析，然后转成MapReduce或者spark或者tez等程序，去执行。
spark sql和hive是同一性质的
Presto和MySQL的区别？
Presto本身不存储数据，但是可以接入多种数据源，并且支持跨数据源的级联查询。MySQL首先是一个单点关系型数据库，其具有存储和计算分析能力，而Presto只有计算分析能力；在数据量方面，MySQL不能满足当前大数据量的分析需求，Hive是一个数据仓库，只能访问hdfs的数据；Presto是一个交互式查询引擎，可以在很短的时间内返回查询结果，但是Presto是取代不了Hive的，因为Presto全部的数据都是在内存中，限制了在内存中的数据集大小，实际应用中，对于在Presto的查询是有一定规定条件的，比如说一个查询在Presto查询超过30分钟，说明不适合在Presto上使用，主要原因是，查询过大的话，会占用整个集群的资源，这会导致你后续的查询是没有资源进行查询的，这跟Presto的设计理念是冲突的，就像是你进行一个查询，但是要等个5分钟才有资源继续查询，这是很不合理的，交互式就变得弱了很多。当数据量较大时，可用SparkSQL进行建表，查询，关联等；
Hadoop是什么呢？
Hadoop的核心是HDFS和MapReduce，一个提供了存储，一个提供了计算，核心框架如下所示：
Hadoop的生态图
hadoop的详细介绍可以参考：https://www.zhihu.com/question/23036370
参考：https://cloud.tencent.com/developer/article/1042387
https://www.maiyewang.com/archives/19387
https://blog.csdn.net/yilulvxing/article/details/86220888
https://www.zhihu.com/question/329052025/answer/979123167