数据分析：Hive、Pig和Impala

本文主要分享Hadoop三大分析工具：Hive、Pig和Impala。

Hive和Pig是高级数据语言，基于Mapreduce，底层处理的时候会转换成Mapreduce去提交，Hive和Pig都是开源的，Hive最初由Facebook开发，Pig最初由Yahoo!开发，下面进行分别介绍：

一、什么是Hive？

Hive可以看做是SQL到Mapreduce的一个映射器，就是不用开发Mapreduce，只要懂SQL就可以了，HiveQL是标准SQL92的一个子集，和标准的SQL并不完全一样，HiveQL本身有百分之二十的一个扩展，大概百分之八十的语法和标准的SQL是一致的，像

这种标准的SQL是支持的，所以对于数据分析人员来讲，就可以很方便的切入到Hadoop的平台上去做数据分析。

二、什么是Pig？

Pig是处理大数据集的数据流语言。什么是数据流呢？就是处理数据的流程可以一步步定义，比如第一步加载，第二步转换，第三步再转换，第四步存储，可以一步步定义数据的走向，很类似我们在数据挖掘中进行的系列处理流程。因为pig是数据流的语言，所以很适合做物质的数据探索和ETL阶段数据的非处理，他和Spark的思想很相似，所以也可以说Spark是实现正确的Pig。为什么这样说？因为Pig和Spark都是数据流似的处理,pig有转换，行动操作，在spark里面也是一样。

Pig数据流语言

Pig在ETL阶段还是用的很多的，而且对于一些数据挖掘人员来说，尤其是探知一些未知数据，非常合适。因为不需要指定任何的名称、类型就可以先加载，然后去匹配所有的数据，接下来就可以去观察数据是怎样的，分析怎么去做转换。Pig是一种语义很精准的语言，所以学起来也会很方便的。

hive与pig的对比

三、什么是Impala？

尽管我们有了hive，但是hive是基于mapreduce，它的分析效率并不高，大家都着力去找到一种高性能的SQL的引擎，impala的出现就解决了这一问题。Impala是处理海量数据的高性能SQL引擎，它的查询可以达到秒及，甚至有些数据少的可以达到毫秒级，延迟很低，比Hive、Pig或MapReduce快10到50倍，它的SQL 也是类似于HiveQL的查询语言，他和标准的SQL也是有百分之八十的语法重复，也有自己的扩展一部分。Impala它使用的数据是和Hive一样的，就好比在Hive里面创建一个表，Impala也是可以访问的，反之也是一样的。Impala运行在Hadoop集群上，数据存储在HDFS，不能使用MapReduce，他有自己的架构，也是主存的结构，每一个服务可以直接对数据块进行访问。Impala由Cloudera开发，100%开源，在Apache软件许可下发布。

那么有三种数据分析方案，在实际操作中，我们怎样来使用呢？总体来讲Pig没有Hive和Impala用的多，可是他们各有优势。接下来描述一下他们各自的使用条件：我们知道Impala是近实时的查询，使用数据和Hive一样，那么我们就会去问，为什么还要使用Hive呢？有一些复杂的文本分析只能用Hive，比如一些CSV的文件，一些高频词的分析，统计分析只能用Hive，Impala不支持.还有一些复杂类型的使用，比如用到数组，复杂的结构体这些也都只能用Hive。Impala主要用于及时的，交互式的分析，Hive用于稳定性挖掘比较高，实时性挖掘不高的作业。Pig也可以支持一些复杂的类型，但是pig没有固定的模型，如果做一些做临时的数据探索可以用。

比较Hive、Pig和Impala

那么他们可以替代RDBMS吗？当然不行，关系型数据支持事务，延迟低，随时可以修改，而Hive和Impala做不到，所以代替不了关系型数据库，Pig、Hive和Impala主要适用于大量数据读以及低成本的广泛扩展。

               分析工作流示意

以上就是笔者根据自己的知识体系给大家分享的数据分析内容，主要是针对Hive、Pig和Impala各自的特点、应用、区分，以及与传统数据库的区别来进行阐述，对于深入了解数据分析工具在实际中的运用有着重要作用。我在实际工作和学习中喜欢关注一些大数据实时资讯，如“大数据cn”,对于了解和把握大数据的发展状况有着很大作用，而且也喜欢去看一些别人分享的知识架构，比如“大数据时代学习中心”，来不断丰富和完善自己的知识体系，这些都极大促进了我的发展，推荐给大家。