Video: Hive Tutorial | Hive Architecture | Hive Tutorial For Beginners | Hive In Hadoop | Simplilearn 2024
Terdapat sebab-sebab yang menarik bahawa SQL telah terbukti berdaya tahan. Industri IT mempunyai pengalaman selama 40 tahun dengan SQL, sejak ia pertama kali dibangunkan oleh IBM pada awal 1970-an. Dengan peningkatan penggunaan pangkalan data hubungan pada 1980-an, SQL telah menjadi kemahiran standard untuk kebanyakan profesional IT.
Anda boleh melihat dengan mudah mengapa SQL telah berjaya: Ia agak mudah dipelajari, dan pertanyaan SQL cukup mudah dibaca. Kemudahan ini dapat dikesan kembali ke titik reka bentuk teras dalam SQL - fakta bahawa ia adalah bahasa deklaratif , yang bertentangan dengan bahasa imperatif .
Untuk bahasa yang boleh diperakui bermakna pertanyaan anda hanya berkaitan dengan sifat data yang diminta - idealnya, tidak ada apa pun dalam pertanyaan anda yang menentukan cara pemprosesan perlu dilaksanakan. Dengan kata lain, apa yang anda nyatakan dalam SQL adalah maklumat yang anda mahu kembali dari sistem - bukan cara untuk mendapatkannya.
Sebaliknya, dengan bahasa yang penting (C, misalnya, atau Java, atau Python) kod anda terdiri daripada arahan di mana anda menentukan tindakan yang anda perlukan sistem untuk dilaksanakan.
Sebagai tambahan kepada kemahiran (mudah dimanfaatkan) profesional SQL yang mesra SQL anda, aplikasi pangkalan data bernilai puluhan juga telah dibina dengan antara muka SQL. Apabila bercakap tentang bagaimana Hadoop dapat melengkapi gudang data, jelas bahawa organisasi akan menyimpan data berstruktur di Hadoop. Dan sebagai hasilnya, mereka akan menjalankan beberapa logik aplikasi yang sedia ada terhadap Hadoop.
Tiada siapa yang mahu membayar untuk aplikasi ditulis semula, jadi antara muka SQL sangat wajar.
Dengan perkembangan antara muka SQL ke data Hadoop, satu trend yang menarik ialah analisis perniagaan komersial dan alat pengurusan data hampir semua melompat pada kereta muzik Hadoop, termasuk laporan risikan perniagaan; pakej statistik; Ekstrak, Transformasi dan Muatkan rangka kerja (ETL); dan pelbagai alat lain. Dalam kebanyakan kes, antara muka ke data Hadoop adalah Hive.
