Hive和HBase的區別
Hive是為了簡化編寫MapReduce程序而生的，使用MapReduce做過數據分析的人都知道，很多分析程序除業務邏輯不同外，程序流程基本一樣。在這種情況下，就需要Hive這樣的用戶編程接口。Hive本身不存儲和計算數據，它完全依賴於HDFS和MapReduce，Hive中的表純邏輯，就是些表的定義等，也就是表的元數據。使用SQL實現Hive是因為SQL大家都熟悉，轉換成本低，類似作用的Pig就不是SQL。
HBase為查詢而生的，它通過組織起節點內所有機器的內存，提供一個超大的內存Hash表，它需要組織自己的數據結構，包括磁盤和內存中的，而Hive是不做這個的，表在HBase中是物理表，而不是邏輯表，搜索引擎使用它來存儲索引，以滿足查詢的實時性需求。
hive類似CloudBase，也是基於hadoop分布式計算平台上的提供data warehouse的sql功能的一套軟件。使得存儲在hadoop里面的海量數據的匯總，即席查詢簡單化。hive提供了一套QL的查詢語言，以sql為基礎，使用起來很方便。
HBase是一個分布式的基於列存儲的非關系型數據庫。HBase的查詢效率很高，主要由於查詢和展示結果。
hive是分布式的關系型數據庫。主要用來並行分布式處理大量數據。hive中的所有查詢除了"select * from table;"都是需要通過Map\Reduce的方式來執行的。由於要走Map\Reduce，即使一個只有1行1列的表，如果不是通過select * from table;方式來查詢的，可能也需要8、9秒。但hive比較擅長處理大量數據。當要處理的數據很多，並且Hadoop集群有足夠的規模，這時就能體現出它的優勢。
通過hive的存儲接口，hive和Hbase可以整合使用。
1、hive是sql語言，通過數據庫的方式來操作hdfs文件系統，為了簡化編程，底層計算方式為mapreduce。
2、hive是面向行存儲的數據庫。
3、Hive本身不存儲和計算數據，它完全依賴於HDFS和MapReduce，Hive中的表純邏輯。
4、HBase為查詢而生的，它通過組織起節點內所有機器的內存，提供一個超大的內存Hash表 。
5、hbase不是關系型數據庫，而是一個在hdfs上開發的面向列的分布式數據庫，不支持sql。
6、hbase是物理表，不是邏輯表，提供一個超大的內存hash表，搜索引擎通過它來存儲索引，方便查詢操作。
7、hbase是列存儲。
Hive和Hbase有各自不同的特征：hive是高延遲、結構化和面向分析的，hbase是低延遲、非結構化和面向編程的。Hive數據倉庫在hadoop上是高延遲的。
其中HBase位於結構化存儲層，Hadoop HDFS為HBase提供了高可靠性的底層存儲支持，Hadoop MapReduce為HBase提供了高性能的計算能力，Zookeeper為HBase提供了穩定服務和failover機制。
總結：
覺得在問區別之前，我應該顯示說相同點，這么一想，又糊塗了，hive和hbase哪里像了，好像哪里都不像，既然哪里都不像，又何來的“區別是什么”這一問題，他倆所有的都算區別。
那么，hive是什么？
白話一點再加不嚴格一點，hive可以認為是map-reduce的一個包裝。hive的意義就是把好寫的hive的sql轉換為復雜難寫的map-reduce程序。
於是，hbase是什么？
同樣白話一點加不嚴格一點，hbase可以認為是hdfs的一個包裝。他的本質是數據存儲，是個NoSql數據庫；hbase部署於hdfs之上，並且克服了hdfs在隨機讀寫方面的缺點。
所以要問hive和hbase的區別，就應該問問map-reduce和hdfs之間的區別，問區別，就要先說說他倆哪里像。
HIVE和傳統數據庫的比較
由於 Hive 采用了 SQL 的查詢語言 HQL，因此很容易將 Hive 理解為數據庫。其實從結構上來看，Hive 和數據庫除了擁有類似的查詢語言，再無類似之處。本文將從多個方面來闡述 Hive 和數據庫的差異。數據庫可以用在 Online 的應用中，但是Hive 是為數據倉庫而設計的，清楚這一點，有助於從應用角度理解 Hive 的特性。
查詢語言
由於SQL被廣泛的應用在數據倉庫中，因此，專門針對Hive的特性設計了類SQL的查詢語言HQL。熟悉SQL開發的開發者可以很方便的使用Hive進行開發。
數據存儲位置
Hive 是建立在 Hadoop 之上的，所有 Hive 的數據都是存儲在 HDFS 中的。而數據庫則可以將數據保存在塊設備或者本地文件系統中。
數據格式
Hive 中沒有定義專門的數據格式，數據格式可以由用戶指定，用戶定義數據格式需要指定三個屬性：列分隔符（通常為空格、”\t”、”\x001″）、行分隔符（”\n”）以及讀取文件數據的方法（Hive 中默認有三個文件格式TextFile，SequenceFile以及RCFile）。由於在加載數據的過程中，不需要從用戶數據格式到 Hive 定義的數據格式的轉換，因此，Hive在加載的過程中不會對數據本身進行任何修改，而只是將數據內容復制或者移動到相應的HDFS目錄中。而在數據庫中，不同的數據庫有不同的存儲引擎，定義了自己的數據格式。所有數據都會按照一定的組織存儲，因此，數據庫加載數據的過程會比較耗時。
數據更新
由於Hive是針對數據倉庫應用設計的，而數據倉庫的內容是讀多寫少的。因此，Hive中不支持對數據的改寫和添加，所有的數據都是在加載的時候中確定好的。而數據庫中的數據通常是需要經常進行修改的，因此可以使用 INSERT INTO … VALUES 添加數據，使用 UPDATE … SET修改數據。
索引
之前已經說過，Hive在加載數據的過程中不會對數據進行任何處理，甚至不會對數據進行掃描，因此也沒有對數據中的某些Key建立索引。Hive要訪問數據中滿足條件的特定值時，需要暴力掃描整個數據，因此訪問延遲較高。由於 MapReduce 的引入， Hive 可以並行訪問數據，因此即使沒有索引，對於大數據量的訪問，Hive 仍然可以體現出優勢。數據庫中，通常會針對一個或者幾個列建立索引，因此對於少量的特定條件的數據的訪問，數據庫可以有很高的效率，較低的延遲。由於數據的訪問延遲較高，決定了 Hive 不適合在線數據查詢。
執行
Hive中大多數查詢的執行是通過 Hadoop 提供的 MapReduce 來實現的（類似 select * from tbl的查詢不需要MapReduce）。而數據庫通常有自己的執行引擎。
執行延遲
之前提到，Hive 在查詢數據的時候，由於沒有索引，需要掃描整個表，因此延遲較高。另外一個導致 Hive 執行延遲高的因素是 MapReduce框架。由於MapReduce 本身具有較高的延遲，因此在利用MapReduce 執行Hive查詢時，也會有較高的延遲。相對的，數據庫的執行延遲較低。當然，這個低是有條件的，即數據規模較小，當數據規模大到超過數據庫的處理能力的時 候，Hive的並行計算顯然能體現出優勢。
可擴展性
由於Hive是建立在Hadoop之上的，因此Hive的可擴展性是和Hadoop的可擴展性是一致的（世界上最大的Hadoop 集群在 Yahoo!，2009年的規模在4000 台節點左右）。而數據庫由於 ACID 語義的嚴格限制，擴展行非常有限。目前最先進的並行數據庫 Oracle 在理論上的擴展能力也只有100台左右。
數據規模
由於Hive建立在集群上並可以利用MapReduce進行並行計算，因此可以支持很大規模的數據；對應的，數據庫可以支持的數據規模較小。
原文鏈接：https://blog.csdn.net/vipyeshuai/article/details/50847281