1、離線數(shù)據(jù)：hive
Hive 查詢操作過程嚴(yán)格遵守Hadoop MapReduce 的作業(yè)執(zhí)行模型，Hive 將用戶的Hive SQL 語句通過解釋器轉(zhuǎn)換為MapReduce 作業(yè)提交到Hadoop 集群上，Hadoop 監(jiān)控作業(yè)執(zhí)行過程，然后返回作業(yè)執(zhí)行結(jié)果給用戶。
Hive 并非為聯(lián)機(jī)事務(wù)處理而設(shè)計(jì)，Hive 并不提供實(shí)時(shí)的查詢和基于行級(jí)的數(shù)據(jù)更新操作。Hive 的最佳使用場(chǎng)合是大數(shù)據(jù)集的批處理作業(yè)。
使用hive sql 時(shí)，其語言將被轉(zhuǎn)化為mapreduce過程執(zhí)行。
2、準(zhǔn)實(shí)時(shí)數(shù)據(jù)：spark
Spark之所以能成為準(zhǔn)實(shí)時(shí)數(shù)據(jù)查詢主要基于兩點(diǎn)：
1）spark stream將數(shù)據(jù)分成小的時(shí)間片段，以類batch批量處理的方式來處理這部分?jǐn)?shù)據(jù)
2）能基于內(nèi)存進(jìn)行迭代，以RDD的形式實(shí)現(xiàn)（記錄操作而非數(shù)據(jù)本身），因此也存在容錯(cuò)能力。
使用spark sql時(shí)，其語言將被轉(zhuǎn)化為RDD，然后將會(huì)交到集群執(zhí)行。
3、實(shí)時(shí)數(shù)據(jù)：flink
Flink本身是個(gè)計(jì)算引擎，不存儲(chǔ)數(shù)據(jù)，因此使用前需要確定其數(shù)據(jù)的輸入（SOURCE）/輸出（SINK）系統(tǒng)。實(shí)時(shí)計(jì)算/Flink中所謂的建表，都是邏輯表，目的僅是讓Flink作業(yè)知道上下游的數(shù)據(jù)結(jié)構(gòu)。并不會(huì)真的在上下游系統(tǒng)建表。
簡(jiǎn)單來說，flink sql是一個(gè)常駐進(jìn)程，一個(gè)sql文件，就對(duì)應(yīng)于一個(gè)flink作業(yè)。如果不殺死這個(gè)進(jìn)程，一旦由新的數(shù)據(jù)輸入，就會(huì)產(chǎn)生新的數(shù)據(jù)結(jié)果。