1、執行計劃不同：
Impala:把執行計劃表現為壹棵完整的執行計劃樹，可以更自然地分發執行計劃到各個Impalad執行查詢，而不用像Hive那樣把它組合成管道型的map-reduce模式，以此保證Impala有更好的並發性和避免不必要的中間sort與shuffle。
Hive的執行計劃分成map-shuffle-reduce-map-shuffle-reduce…的模型。如果壹個Query會被編譯成多輪MapReduce，則會有更多的寫中間結果。由於MapReduce執行框架本身的特點，過多的中間過程會增加整個Query的執行時間。
2、數據流不同：
Impala:采用拉的方式，後續節點通過getNext主動向前面節點要數據，以此方式數據可以流式的返回給客戶端，且只要有1條數據被處理完，就可以立即展現出來，而不用等到全部處理完成，更符合SQL交互式查詢使用。
Hive:采用推的方式，每壹個計算節點計算完成後將數據主動推給後續節點。
3、所使用的內存不同：
Impala:在遇到內存放不下數據時，會直接返回錯誤，而不會利用外存，這使用得Impala目前處理Query會受到壹定的限制，最好還是與Hive配合使用。Impala在多個階段之間利用網絡傳輸數據，在執行過程不會有寫磁盤的操作（insert除外）。
Hive:在執行過程中如果內存放不下所有數據，則會使用外存，以保證Query能順序執行完。每壹輪MapReduce結束，中間結果也會寫入HDFS中，同樣由於MapReduce執行架構的特性，shuffle過程也會有寫本地磁盤的操作。
4、調度不同：
Impala:調度由自己完成，目前只有壹種調度器simple-schedule，它會盡量滿足數據的局部性，掃描數據的進程盡量靠近數據本身所在的物理機器。
Hive:任務調度依賴於Hadoop的調度策略。