Apache Hive是一个位于Hadoop之上的框架，用于对Hadoop中的数据进行临时查询。 Hive支持与SQL类似的HiveQL，但不支持SQL的完整构造。
Hive将HiveQL查询隐藏到Java MapReduce程序中，然后将其提交到Hadoop集群。 使用HiveQL和Java MapReduce可以实现相同的结果，但是与HiveQL相比，使用Java MapReduce将需要编写/调试许多代码。 因此，HiveQL可以提高开发人员的生产力。
总而言之，Hive通过HiveQL语言提供了比Java MapReduce编程更高层次的抽象。 与其他任何高级抽象一样，与Java MapReduce相比，使用HiveQL会有一些性能开销，但是Hive社区正在努力缩小大多数常用场景的差距。
同样，Pig提供了比MapReduce更高级别的抽象。 Pig支持PigLatin构造，将其转换为Java MapReduce程序，然后提交给Hadoop集群。
虽然HiveQL是像SQL一样的声明性语言，但是PigLatin是数据流语言。 一个PigLatin构造的输出可以作为输入发送到另一个PigLatin构造，依此类推。
一段时间以前，Cloudera发布了有关典型Hadoop集群中工作负载特征的统计信息，可以很容易地观察到Pig和Hive作业在Hadoop集群中占很大一部分。 由于更高的开发人员生产力，许多公司选择了Pig和Hive等更高级别的摘要。 因此，我们可以肯定，与MapReduce开发相比，Hive和Pig周围会有很多职位空缺。
尽管2011年10月出版了《 Programming Pig》一书，但2012年10月出版了《 Hive编程》书。对于那些有使用RDBMS经验的人，开始使用Hive比开始使用Pig更好。 还要注意，PigLatin语言并不是很容易入门。
对于基础的Hadoop集群，通过Hive和Pig提交Java MapReduce作业还是MapReduce作业是透明的。 由于MapReduce作业的面向批处理性质，因此通过Hive和Pig提交的作业本质上也是面向批处理的。
对于实时响应要求，Hive和Pig不满足要求，因为前面提到的MapReduce作业的面向批处理性质。 Cloudera开发了Impala，它基于Dremel（来自Google的出版物），用于基于Hadoop的交互式即席查询。 Impala支持类似SQL的查询，并且与HiveQL兼容。 因此，任何在Hive之上构建的应用程序都可以通过Impala进行最少的更改。 Hive和Impala之间的主要区别在于，虽然HiveQL转换为Java MapReduce作业，但Impala不会将SQL查询转换为Java MapReduce作业。
您是否应该对Pig或Hive提出特定要求？ 这是另一个博客的主题。
经Praveen Sripati许可重新发布。 原始文章可以在这里找到：http://www.thecloudavenue.com/2012/12/introduction-to-apache-hive-and-pig.html
