1.spark

• spark是一个数据分析、计算引擎，本身不负责存储；
• 可以对接多种数据源，包括：结构化、半结构化、非结构化的数据；
• 其分析处理数据的方式有多种发，包括：sql、Java、Scala、python、R等；其中spark-sql用来对结构化数据分析处理，它将数据的计算任务通过SQL的形式转换成了RDD的计算。

2.hive

数据仓库，主要负责数据存储和管理，看作MapReduce计算引擎+HDFS分布式文件系统,直观理解就是Hive的SQL通过很多层解析成了MR程序，然后存储是放在了HDFS上，并且只能用SQL这种方式来处理结构化数据，因此spark和hive是互不依赖的。

3.spark和hive的结合

实际应用两者结合，有三种方式：hive on spark、spark on hive、spark+spark hive catalog,常见的是第一种，是因为hive底层现在支持三种计算计算引擎：mr\tez\spark。

• 第一种：使用hive的语法规范即hive sql，执行时编译解析成spark作业运行（当然此时底层的计算引擎是spark）；

• 第二种：因为spark本身只负责数据处理而不是存储，支撑多种数据源，当我们使用spark来处理分析存储在hive中的数据时（把hive看作一种数据源，常见的其他数据源包括：JDBC、文件等），这种模式就称为为 spark on hive。这个时候可以使用spark的各种语言的API，也可以使用hive的hql
• 第三种：我感觉有点难，了解即可，只是现在好像发展挺快的，用的人挺多的

4.Hive VS Spark

• Hive：数据存储和清洗，处理海量数据，比如一个月、一个季度、一年的数据量，依然可以处理，虽然很慢；
• Spark SQL：数据清洗和流式计算，上述情况下 Spark SQL 不支持，无法处理，因为其基于内存，量级过大承受不住，并且性价比不如hive高；
• 结合来说，hive的强项在于：1、大数据存储，2、通过sql方式进行MapReduce操作，降低大数据使用门槛。spark强项在于1、基于内存的MapReduce操作，速度快2、流式计算（对标产品flink,storm)。运用上大多两者集合，hive负责廉价的数据仓库存储，spark-sql负责告诉计算，并结合DataFrame进行复杂的数据挖掘（包括机器学习、图计算等复杂算法）。

5.Spark on hive VS Spark-sql

• 在同时安装了Hive和spark时，我使用hive下的beeline执行HQL,执行引擎是MapReduce;使用spark下的spark-beeline执行HQL，执行引擎是spark；后者执行速度会更快;
• Hive On Spark大体与Spark SQL结构类似，只是SQL引擎不同，但是计算引擎都是Spark。

6.Hive VS Hbase

• Hive中的表是纯逻辑表，就只是表的定义等，即表的元数据；其本身不存储数据，它完全依赖HDFS和MapReduce。将结构化的数据文件映射为为一张数据库表，并提供完整的SQL查询功能，并将SQL语句最终转换为MapReduce任务进行运行。
• 而HBase表是Hadoop database的简称，是一种NoSql数据库，适合存放非结构化的数据，是物理表，适用于海量明细数据的随机实时查询
• 在大数据架构中，Hive和HBase是协作关系，流程如下：
  1. 通过ETL工具将数据源抽取到HDFS存储；
  2. 通过Hive清洗、处理和计算原始数据；
  3. HIve清洗处理后的结果，如果是面向海量数据随机查询场景的可存入Hbase
  4. 数据应用从HBase查询数据；

参考引用说明：

(17 封私信 / 80 条消息) 请问spark和hive是什么关系？ - 知乎 (zhihu.com)

(17 封私信 / 80 条消息) HBase 和 Hive 的差别是什么，各自适用在什么场景中？ - 知乎 (zhihu.com)

---

---

2021.12.25更新 SparkSQL历史：

1.shark

Hive on Spark，为了实现与Hive兼容，Shark在 HiveQL方面重用了Hive中HiveQL的解析、逻辑执行计划翻译、 执行计划优化等逻辑，可以近似认为仅将物理执行计划从 MapReduce作业替换成了Spark作业，通过Hive的HiveQL解 析，把HiveQL翻译成Spark上的RDD操作。

Shark的出现，使得SQL-on-Hadoop的性能比Hive有了 10-100倍的提高。但是它的设计有两个问题:

• 执行计划完全依赖于Hive，不方便添加新的优化策略
• spark是线程级并行，而MapReduce是进程级并行，故而存在线程安全问题

2014年6月1日Shark项目和Spark SQL项目的主持人Reynold Xin宣布： 停止对Shark的开发，团队将所有资源放在Spark SQL项目上，至此， Shark的发展画上了句号，但也因此发展出两个分支：Spark SQL和 Hive on Spark。前者推翻之前的那套另起炉灶，不再受限Hive而是兼容Hive，后者成了一个发展计划即Hive不再局限于一个引擎，而是采用MapReduce、Tez、Spark等引擎。

2.Spark SQL设计

Spark SQL在Hive兼容层面仅依赖HiveQL解析、Hive元数据，也就是 说，从HQL被解析成抽象语法树（AST）起，就全部由Spark SQL接管了。

Spark SQL增加了DataFrame（即带有Schema信息的RDD），使用户可以 在Spark SQL中执行SQL语句，数据既可以来自RDD，也可以是Hive、 HDFS、Cassandra等外部数据源，还可以是JSON格式的数据。

3.为什么推出SparkSQL？

背景：

• 关系数据库已经很流行
• 关系数据库在大数据时代已经不能够满足要求（各种的数据源包括：结构化、半结构化、非结构化）；其次，用户执行需要高级分析，如：机器学习和图像处理
• 实际应用中，经常需要融合关系查询和复杂分析算法（机器学习），但是缺少这样的系统

Spark SQL的出现填补了这个鸿沟

• DataFrame API可以对内外部数据源执行各种关系型操作
• 支持大数据中的大量数据源和数据分析算法，融合传统的结构化数据管理和机器学习算法的数据处理

4.RDD与DataFrame对比

DataFrame的推出，让Spark具备了处理大规模结构化数据的能力，不仅比原有的RDD转化方式更加简单易用，而且获得了更高的计算性能。Spark能够轻松实现从MySQL到DataFrame的转化，并且支持SQL查询

RDD是分布式的 Java对象的集合，但是，对象内部结构对于RDD而言却是不可知的

DataFrame是一种以RDD为基础的分布式数据集，提供了详细的结构信息

 

(20条消息) DataFrame_好啊啊啊啊的博客-CSDN博客