Hive是一个数据仓库基础工具在Hadoop中用来处理结构化数据。它架构在Hadoop之上，总归为大数据，并使得查询和分析方便。并提供简单的sql查询功能，可以将sql语句转换为MapReduce任务进行运行。
Hive 构建在基于静态批处理的Hadoop 之上，Hadoop 通常都有较高的延迟并且在作业提交和调度的时候需要大量的开销。因此，Hive 并不能够在大规模数据集上实现低延迟快速的查询，例如，Hive 在几百MB 的数据集上执行查询一般有分钟级的时间延迟。因此，
Hive 并不适合那些需要低延迟的应用，例如，联机事务处理（OLTP）。Hive 查询操作过程严格遵守Hadoop MapReduce 的作业执行模型，Hive 将用户的HiveQL 语句通过解释器转换为MapReduce 作业提交到Hadoop 集群上，Hadoop 监控作业执行过程，然后返回作业执行结果给用户。Hive 并非为联机事务处理而设计，Hive 并不提供实时的查询和基于行级的数据更新操作。Hive 的最佳使用场合是大数据集的批处理作业，例如，网络日志分析。
二：hive工作原理
（一）Hive和Hadoop之间的工作流程图
（二）Hive和Hadoop框架的交互方式：
-
Execute Query：Hive接口，如命令行或Web UI发送查询驱动程序（任何数据库驱动程序，如JDBC，ODBC等）来执行。
-
Get Plan：在驱动程序帮助下查询编译器，分析查询检查语法和查询计划或查询的要求。
-
Get Metadata：编译器发送元数据请求到Metastore（任何数据库）。
-
Send Metadata：Metastore发送元数据，以编译器的响应。
-
Send Plan：编译器检查要求，并重新发送计划给驱动程序。到此为止，查询解析和编译完成。
-
Execute Plan：驱动程序发送的执行计划到执行引擎。
-
Execute Job：在内部，执行作业的过程是一个MapReduce工作。执行引擎发送作业给JobTracker，在名称节点并把它分配作业到TaskTracker，这是在数据节点。在这里，查询执行MapReduce工作。(7.1 Metadata Ops:与此同时，在执行时，执行引擎可以通过Metastore执行元数据操作。)
-
Fetch Result.：执行引擎接收来自数据节点的结果。
-
Send Results：执行引擎发送这些结果值给驱动程序。
-
Send Results：驱动程序将结果发送给Hive接口。
三：hive工作流程案例讲解（简单理解）
（一）建表---将信息存放入元数据库中
（二）进行数据查询
四：hive的安装
（一）安装mysql数据库
如果不设置hive与mysql关联，则hive使用默认数据库，在不同目录下使用hive命令，则会创建不同数据库文件放入当前目录。而使用mysql则可以对数据进行统一管理
链接：https://pan.baidu.com/s/1CsKlOJZnmHZqJWb_daG3fg 提取码：89om