diff --git a/README.md b/README.md
index 7f16623..c71f98c 100644
--- a/README.md
+++ b/README.md
@@ -51,6 +51,9 @@
 3. [集群资源管理器——YARN](https://github.com/heibaiying/BigData-Notes/blob/master/notes/Hadoop-YARN.md)
 
 ## 二、Hive
+
+1. [数据仓库——Hive](https://github.com/heibaiying/BigData-Notes/blob/master/notes/Hive.md)
+
 ## 三、Spark
 ## 四、Flume
 ## 五、Oozie
diff --git a/notes/Hive.md b/notes/Hive.md
index 33687f0..5c696c0 100644
--- a/notes/Hive.md
+++ b/notes/Hive.md
@@ -39,14 +39,14 @@ Hive构建在Hadoop之上的，可以将结构化的数据文件映射成表，
 
 hive里的表名、表结构、字段名、字段类型、表的分隔符等信息就叫做元数据。Metastore是用来存储Hive的元数据，默认元数据是存储在derby关系型数据库中，但是derby是能同时只有一个实例，也就是说不能多个命令行接口同时使用，所以可以替换mysql等。
 
-这里还需要说明的是hive进行的是同一的元数据管理，就是说你在hive上创建了一张表，然后在presto／impala／sparksql 都是可以直接使用的，同样的你在presto／impala／sparksql中创建一张表，在hive中也是可以使用的。
+这里还需要说明的是hive进行的是同一的元数据管理，就是说你在hive上创建了一张表，然后在presto／impala／sparksql 中都是可以直接使用的，同样的你在presto／impala／sparksql中创建一张表，在hive中也是可以使用的。
 
 ### 2.3 执行流程
 
-1. 客户端提交的sql后首先会通过Driver,然后通过SQL Parser进行sql解析，首先把语句解析成***抽象语法树***之后才能转换成***逻辑性执行计划***；
-2. 接着查询优化工具Query Optimizer对我们***逻辑性执行计划***进行优化，最终再生成***物理性执行计划***（physical plan）；
+1. 客户端提交的sql后首先会通过Driver,然后通过SQL Parser进行sql解析，首先把语句解析成**抽象语法树**之后才能转换成**逻辑性执行计划**；
+2. 接着查询优化工具Query Optimizer对我们**逻辑性执行计划**进行优化，最终再生成**物理性执行计划**（physical plan）；
 3. 在物理性执行计划中还包括序列化和反序列化（SerDes），用户自定义函数（User Defined Functions，UTFs）；
-4. 把最终的物理执行计划生成***执行引擎***（Execution）提交到mapreduce上去执行；
+4. 把最终的物理执行计划生成**执行引擎**（Execution）提交到mapreduce上去执行；
 5. mapreduce的执行肯定有输入和输出，那么这个输入输出可以是hadoop文件系统上的（Hadoop Storage）比如hdfs，hbase包括本地的文件也都是可以的。