Hive在Hadoop中扮演數據倉庫的角色。Hive添加數據的結構在HDFS（hive superimposes structure on data in HDFS），並允許使用類似於SQL語法進行數據查詢。與Pig壹樣，Hive的核心功能是可擴展的。
Hive更適合於數據倉庫的任務，Hive主要用於靜態的結構以及需要經常分析的工作。Hive與SQL相似促使其成為Hadoop與其他BI工具結合的理想交集。Pig賦予開發人員在大數據集領域更多的靈活性，並允許開發簡潔的腳本用於轉換數據流以便嵌入到較大的應用程序。Pig相比Hive相對輕量，它主要的優勢是相比於直接使用Hadoop Java APIs可大幅削減代碼量。
本質上說說Pig與Hive。
經過Pig Latin的轉換後變成了壹道MapReduce的作業，通過MapReduce多個線程，進程或者獨立系統並行執行處理的結果集進行分類和歸納。Map() 和 Reduce() 兩個函數會並行運行，即使不是在同壹的系統的同壹時刻也在同時運行壹套任務，當所有的處理都完成之後，結果將被排序，格式化，並且保存到壹個文件。Pig利用MapReduce將計算分成兩個階段，第壹個階段分解成為小塊並且分布到每壹個存儲數據的節點上進行執行，對計算的壓力進行分散，第二個階段聚合第壹個階段執行的這些結果，這樣可以達到非常高的吞吐量，通過不多的代碼和工作量就能夠驅動上千臺機器並行計算，充分的利用計算機的資源，打消運行中的瓶頸。
也就是說，Pig最大的作用就是對mapreduce算法(框架)實現了壹套shell腳本 ，類似我們通常熟悉的SQL語句，在Pig中稱之為Pig Latin，在這套腳本中我們可以對加載出來的數據進行排序、過濾、求和、分組(group by)、關聯(Joining)，Pig也可以由用戶自定義壹些函數對數據集進行操作，也就是傳說中的UDF(user-defined functions)。
結論性的閱讀感覺是：Pig用來寫壹些即時腳本吧，比如領導問妳要份數據，半個小時要出來之類；Hive嘛，就是壹個產品經理過來，問這個啥回事?於是妳Hive壹下，壹個簡潔的類SQL語句...Done！
來源：商業智能和數據倉庫愛好者
有hadoop。。。。，，，陪，，，訓。。。