业内有这样一种说法，SQL虽然在大数据分析领域久经考验，但是无奈长江后浪推前浪，和炙手可热的Hadoop相比，SQL已经过时了。这个说法有点言过其实，现在很多的项目都是将Hadoop作为数据存储，然后利用SQL进行前端查询。这说明Hadoop需要一种高级查询语言的支持。 Hadoop MapReduce虽然能够进行数据分析，但是太复杂了。于是，开发人员开发出了类似SQL的Pig和Hive。
大数据时代，我们有很多的查询工具可以选择。虽然SQL占据着绝对优势，但是随着大数据的持续升温，也给了Apache Pig和Hive很大的发挥空间。工欲善其事必先利其器，如果选择了合适的平台和语言，会让数据的提取，处理和分析达到事半功倍的效果。未来，数据会越来越大，数据分析必须要更易操作。处理速度快和操作简单必定成为大数据分析的主流趋势。 Apache Pig，Apache Hive和SQL是当今主流的大数据工具。它们各有优势，下面我们就先来简单介绍Apache Pig、Apache Hive和SQL。
SQL
结构化查询语言(SQL)是程序员的最佳伴侣，主要用于处理和提取数据。大数据改变了数据处理和可视化的方式。但是SQL严格的关系数据库模式和声明特性依然是数据分析的标杆。尽管SQL市场广阔，但是大数据也对SQL的功能和性能提出了挑战。
Pig
Apache Pig适合有SQL背景的程序员学习，其有以下两个特点：
1.放宽了对数据存储的要求
2.可以操作大型数据集
Apache Pig是雅虎在2006年开发，除了上述特点，它还有很好的可扩展性和性能优化。 Apache Pig允许开发人员跟踪多个查询方法，从而降低了数据的重复检索。它支持复合数据类型(Map、Tuple、Bag)，支持常见的数据操作，例如筛选、排序和Join。Apache Pig的这些特性得到了世界各地用户的认可，就连雅虎和推特也采用了Apache Pig。
Hive
尽管Apache Pig性能优异，但是它要求程序员要掌握SQL之外的知识。Hive和SQL非常相似，虽然Hive查询语言(HQL)有一定的局限性，但它仍然是非常好用的。Hive为MapReduce提供了很好的开源实现。它在分布式处理数据方面表现很好，不像SQL需要严格遵守模式。
数据的提取、处理和分析没有一个万全之策，需要综合多种因素来选择，例如数据存储方法，编程语言结构以及预期的结果。下面我们就来对比一下Pig、Hive和SQL，看看它们各自都适合什么样的场景。
Pig VS SQL
SQL在DBMS系统的运行速度要比MapReduce(Pig运行在PigLatin平台)快。然而，RDBMS的数据加载很具挑战，设置困难。 PigLatin在声明式执行计划、ETL流程和管道修改方面更有优势。
在很大程度上，SQL是声明式语言，而PigLatin是过程语言。SQL主要是指定完成的对象，即要完成“什么”，而Pig主要是制定完成的方式，即“如何”执行一个任务。在执行之前，Pig脚本要转化成MapReduce任务。不过，Pig脚本比相应的MapReduce任务要短，显着缩短了开发时间。