数据仓库的概念：一个面向主题的、集成的、相对稳定的、可反映历史变化的数据集合，用于支持管理决策。
Hive可以理解为是一种用户编程接口，它本身并不直接存储数据也不处理数据，而是通过接口的封装和调用，通过Hadoop的组件进行相关操作的。通过Hive可以很方便的将构建在关系数据库上的数据仓库称赞到Hadoop上，并且通过HiveSQL运行MapReduce进行分布式查询计算。
Hive的特点适合于建立数据仓库：
1.采用批处理方式处理海量数据；
2.提供适合数据仓库操作的工具（ETL操作等）；
在建设数据仓库时，可以使用pig进行ETL操作，将数据加载到数据仓库中，而使用Hive进行海量的数据批处理和分析工作。
Hive在进行数据插入时，只支持批量导入，不支持数据更新，支持索引和分区，执行延迟比较高（一般是分钟级的呼应），扩展性好。
Hive在架构层面分为三个模块：
用户接口模块：包括CLI、HWI（Web接口）、JDBC、ODBC、Thift Server（RPC调用）。通过用户接口由用户对Hive进行访问；
驱动模块：编译器、优化器、执行器等，负责把HiveSQL转换成MapReduce作业；
元数据存储模块：独立的关系数据库，存储元数据（Derby或MySQL）。
Hive将SQL转换为MR作业的过程:
1. Parser-由Hive驱动模块的编译器将SQL语句进行词法和语法解析，转换为语法树；
2. Semantic Analyzer-把语法树转化为查询块；
3. Logical Plan Generator-把查询块转换为逻辑查询计划，包含逻辑操作符；
4. Logical Optimizer-重写逻辑查询计划，并优化，合并多余操作，减少MR任务；
5. Physical Plan Generator-将逻辑操作符转换为具体的MR任务；
6. Physical Optimizer-对MR任务进行优化，生成MR任务执行计划；
7. Execute由Hive驱动模块中的执行器输出“Job执行计划”XML文件，调用Hadoop的MR执行具体操作。
Hive只要能够和JobTracker进行通信，即可初始化MR任务，而不需要和JobTracker部署在同一台服务器上，所以一般大型系统会独立部署Hive服务器。
Hive HA，解决进程丢失或接口无响应等Hive的不稳定问题。
原理是通过HAPorxy去管理一个由多个Hive实例形成的资源池，再由多个Hive实例组成的相对稳定的Hive集群去执行相应的操作。因此外部人员是与HA Proxy进行交互的。HA Proxy与Hive实例进行逻辑可用性测试，通过后使用此Hive执行，不可用则进入黑名单，后续对黑名单中的Hive进行处理（如重启），处理后再进行可用性测试，通过后，排除出黑名单。
Impala
Cloudera开发的实时交互查询分析工具，功能与Hive类似，但延时性低，性能高出Hive3到30倍，可查询HDFS和HBase上PB级的数据。
运行过程需要依赖Hive的元数据（说明Impala是非独立运行的）；
Impala在查询过程中，并未进行MR转换，而是采用与商用并行关系数据库类似的分布式查询引擎，直接与HDFS和HBase进行交互查询，大大提高了查询性能，以做到实时交互查询；
Impala和Hive的SQL语法、ODBC鸡翅和用户接口相同。
Impala的运行和应用，是依赖与Hive、HDFS或HBase，需要在同一集群上部署。Impala有三具主要组件：Impalad、State Store和CLI
Impalad运行在各节点上的进程，负责协调执行客户端提交的查询，包含Query Planner、Query Coordinator和Query Exec Engine三个模块。与DN运行在同一节点上（可对就近的数据进行查询操作），Impalad之间会相互分配任务，所以Impalad也会分配任务以及收回执行结果并汇总；
State Store，会创建一个State Stored进程，负责收集分布在集群中各Impalad进程的资源信息和查询进度监控等。
Impala的执行过程：
1.提交查询前，Impala先创建Impalad进程，并由该进程向State Store提交注册订阅信息，State Store创建statestored进程，statestored创建多线程以处理Impalad的注册订阅信息；
2.用户通过CLI提交查询给impalad的Query Planner对SQL进行解析，生成解析树，Planner将解析树分解为PlanFragment，发送给Coordinator, 由Coordinator进行协调。
3. Coordinator通过元数据库中获取元数据，从HDFS的NN节点获取数据地址；
4. Coordinator初始化相应impalad上的执行任务，即把查询任务分配到有查询数据的DN节点上；
5.Executor通过洗衣工交换中间输出，由Coordinator汇总结果；
6. Coordinator把汇总结果输出给CLI客户端。
Impala在查询时，如果内存放不下查询数据时，也不会像Hive一样使用外存，所以Impala在处理查询时会受到一定内存的限制。
Hive与Impala配合使用效果最好，可以使用Hive进行数据转换处理，而使用Impala进行快速的数据查询和分析。