开源 SQL in Hadoop 解决方案:我们处于什么位置?

  • Michael Hausenblas
  • 孙镜涛

2013 年 12 月 11 日

话题:DevOps大数据语言 & 开发架构AI

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StingerApache DrillApache 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:

  1. 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。
  2. 然后有某些数据格式,例如ParquetORC,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。
  3. 大部分解决方案好像都支持各种各样的 ANSI SQL(不同的版本:199219992003)。

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。

查看英文原文Open Source SQL-in-Hadoop Solutions: Where Are We?

DevOps大数据语言 & 开发架构AI