随着 Facebook 开源了最近发布的 Presto ,已经非常拥挤的 SQL in Hadoop 市场变得更加错综复杂。一些开源工具正在努力获得开发者的注意:Hortonworks 围绕着 Hive 创建的 Stinger 、 Apache Drill 、 Apache Tajo 、Cloudera 的 Impala 、Salesforce 的 Phoenix (用于 HBase)以及现在的 Facebook Presto。
已经在产品环境中使用 Hadoop 的组织需要交互式的 SQL 查询支持,同时能够与已有的 BI 工具进行平滑的集成。来自于 eBay 的 Vijay Madhavan 在他的博客 Hadoop 场景中的 SQL 一文中声称:
现在大部分基于 Map-Reduce 的分析系统能够在非交互式和批量 SLA 领域良好地工作,包括当前版本的 Hive、Pig、Cascading。许多产品正在努力通过提供交互式“SQL in Hadoop”解决方案支持实时交互式 SLA。
SQL in Hadoop 解决方案的用例包括支持交互式 ad-hoc 查询;支持使用 MicroStrategy 或者 Tableau 这样的 BI 系统进行报表 / 可视化;支持多来源(multi-source)数据,例如 HDFS 中的行为型数据必须被连接到 RDBMS 或者其他来源中的人口统计数据。
很多这样的 SQL in Hadoop 解决方案在某些方面有共同点:
- 在元数据层面上,好像 HCatalog /Hive Metastore 将它们自己制定成了跨不同数据源管理模式事实上(de-facto)的标准。
- 然后有某些数据格式,例如 Parquet 和 ORC ,它们对于选择的工作负载而言正在变得越来越流行,同时在自然环境中使用的也越来越广泛。
- 大部分解决方案好像都支持各种各样的 ANSI SQL(不同的版本: 1992 、 1999 、 2003 )。
上面几点可以帮助用户在不同的 SQL in Hadoop 解决方案之间迁移,不会有很多令人头痛的问题。
但是也有一些值得注意的区别,如下所示:
- 解决方案中的一部分是由 Apache 支持的,同时也伴随着社区的支持(Stinger、Drill、Tajo);其他的则是由单独的实体组织拥有(Impala、Phoenix、Presto)。
- 另外,有一部分解决方案在数据源方面有一些限制,它们能够查询 Hadoop 生态系统;而另一些从架构的角度看更加灵活,可以查询关系型数据库和 NoSQL 数据存储(Presto、Drill)。
- 另一点是允许在数据上执行的操作不同:有一些是纯(分布式)查询引擎,而另一些则允许执行更新操作。
在过去的 10 到 18 个月中,有越来越多的人和商业实体已经决定尝试一下,对存储在Hadoop 中的数据实现低延迟、 ad-hoc SQL 访问。无论怎样,从长远来看由于重叠的用例和环境喜好的不同有适合多种 SQL in Hadoop 解决方案生存的空间。
评论