本文主要分享Hadoop三大分析工具：Hive、Pig和Impala。
Hive和Pig是高級數據語言，基於Mapreduce，底層處理的時候會轉換成Mapreduce去提交，Hive和Pig都是開源的，Hive最初由Facebook開發，Pig最初由Yahoo!開發，下面進行分別介紹：
Hive可以看做是SQL到Mapreduce的一個映射器，就是不用開發Mapreduce，只要懂SQL就可以了，HiveQL是標準SQL92的一個子集，和標準的SQL並不完全一樣，HiveQL本身有百分之二十的一個擴展，大概百分之八十的語法和標準的SQL是一致的，像
這種標準的SQL是支持的，所以對於數據分析人員來講，就可以很方便的切入到Hadoop的平臺上去做數據分析。
Pig是處理大數據集的數據流語言。什麼是數據流呢？就是處理數據的流程可以一步步定義，比如第一步加載，第二步轉換，第三步再轉換，第四步存儲，可以一步步定義數據的走向，很類似我們在數據挖掘中進行的系列處理流程。因爲pig是數據流的語言，所以很適合做物質的數據探索和ETL階段數據的非處理，他和Spark的思想很相似，所以也可以說Spark是實現正確的Pig。爲什麼這樣說？因爲Pig和Spark都是數據流似的處理,pig有轉換，行動操作，在spark裏面也是一樣。
Pig在ETL階段還是用的很多的，而且對於一些數據挖掘人員來說，尤其是探知一些未知數據，非常合適。因爲不需要指定任何的名稱、類型就可以先加載，然後去匹配所有的數據，接下來就可以去觀察數據是怎樣的，分析怎麼去做轉換。Pig是一種語義很精準的語言，所以學起來也會很方便的。
儘管我們有了hive，但是hive是基於mapreduce，它的分析效率並不高，大家都着力去找到一種高性能的SQL的引擎，impala的出現就解決了這一問題。Impala是處理海量數據的高性能SQL引擎，它的查詢可以達到秒及，甚至有些數據少的可以達到毫秒級，延遲很低，比Hive、Pig或MapReduce快10到50倍，它的SQL 也是類似於HiveQL的查詢語言，他和標準的SQL也是有百分之八十的語法重複，也有自己的擴展一部分。Impala它使用的數據是和Hive一樣的，就好比在Hive裏面創建一個表，Impala也是可以訪問的，反之也是一樣的。Impala運行在Hadoop集羣上，數據存儲在HDFS，不能使用MapReduce，他有自己的架構，也是主存的結構，每一個服務可以直接對數據塊進行訪問。Impala由Cloudera開發，100%開源，在Apache軟件許可下發布。
那麼有三種數據分析方案，在實際操作中，我們怎樣來使用呢？總體來講Pig沒有Hive和Impala用的多，可是他們各有優勢。接下來描述一下他們各自的使用條件：我們知道Impala是近實時的查詢，使用數據和Hive一樣，那麼我們就會去問，爲什麼還要使用Hive呢？有一些複雜的文本分析只能用Hive，比如一些CSV的文件，一些高頻詞的分析，統計分析只能用Hive，Impala不支持.還有一些複雜類型的使用，比如用到數組，複雜的結構體這些也都只能用Hive。Impala主要用於及時的，交互式的分析，Hive用於穩定性挖掘比較高，實時性挖掘不高的作業。Pig也可以支持一些複雜的類型，但是pig沒有固定的模型，如果做一些做臨時的數據探索可以用。
那麼他們可以替代RDBMS嗎？當然不行，關係型數據支持事務，延遲低，隨時可以修改，而Hive和Impala做不到，所以代替不了關係型數據庫，Pig、Hive和Impala主要適用於大量數據讀以及低成本的廣泛擴展。
以上就是筆者根據自己的知識體系給大家分享的數據分析內容，主要是針對Hive、Pig和Impala各自的特點、應用、區分，以及與傳統數據庫的區別來進行闡述，對於深入瞭解數據分析工具在實際中的運用有着重要作用。我在實際工作和學習中喜歡關注一些大數據實時資訊，如“大數據cn”,對於瞭解和把握大數據的發展狀況有着很大作用，而且也喜歡去看一些別人分享的知識架構，比如“大數據時代學習中心”，來不斷豐富和完善自己的知識體系，這些都極大促進了我的發展，推薦給大家。