內(nèi)存中，然后再判斷哪些是符合查詢需求的。在ORCFile中數(shù)據(jù)以Stripe為單元讀取到內(nèi)存，那么ORCFile的RecordReader會(huì)根據(jù)Stripe的元數(shù)據(jù)(Index Data，常駐內(nèi)存)判斷該Stripe是否滿足這個(gè)查詢的需求，如果不滿足直接略過不讀，從而節(jié)省了IO。

通過對(duì)ORCFile的上述分析，我想大家已經(jīng)看到了brighthouse的影子了吧。都是把列數(shù)據(jù)相應(yīng)的索引、統(tǒng)計(jì)數(shù)據(jù)、詞典等放到內(nèi)存中參與查詢條件的過濾，如果不符合直接略過不讀，大量節(jié)省IO。

4. HiveServer2的Security和Concurrency特性

HiveServer2能夠支持并發(fā)客戶端(JDBC/ODBC)的訪問。

Cloudera還搞了個(gè)Sentry用于Hadoop生態(tài)系統(tǒng)的的安全性和授權(quán)管理方面的工作。這兩個(gè)特點(diǎn)是企業(yè)級(jí)應(yīng)用Hadoop/Hive主要關(guān)心的。

5. HCatalog Hadoop的統(tǒng)一元數(shù)據(jù)管理平臺(tái)

目前Hive存儲(chǔ)的表格元數(shù)據(jù)和HDFS存儲(chǔ)的表格數(shù)據(jù)之間在schema上沒有一致性保證，也就是得靠管理員來(lái)保證。目前Hive對(duì)列的改變只會(huì)修改 Hive 的元數(shù)據(jù)，而不會(huì)改變實(shí)際數(shù)據(jù)。比如你要添加一個(gè)column，那么你用Hive命令行只是修改了了Hive元數(shù)據(jù)，沒有修改HDFS上存儲(chǔ)的格式。還得通過修改導(dǎo)入HDFS的程序來(lái)改變HDFS上存儲(chǔ)的文件的格式。Hadoop系統(tǒng)目前對(duì)表的處理是’schema on read’，有了HCatlog就可以做到EDW的’schema on write’。

6. Windowing and Analytics Functions的支持。

Tez/Stinger

Tez是一種新的基于YARN的DAG計(jì)算模型，主要是為了優(yōu)化Hive而設(shè)計(jì)的。目前Tez/Stinger主要是Hortonworks在搞，他們希望以后把Hive SQL解析成能夠在Tez上跑的DAG而不是MapReduce，從而解決計(jì)算實(shí)時(shí)性的問題。Tez的主要特點(diǎn)有：

·底層執(zhí)行引擎不再使用MR，而是使用基于YARN的更加通用的DAG執(zhí)行引擎

·MR是高度抽象的Map和Reduce兩個(gè)操作，而Tez則是在這兩個(gè)操作的基礎(chǔ)上提供了更豐富的接口。把Map具體到Input、Processor、 Sort、Merge、Output，而Reduce也具體化成Input、Shuffle、Sort、Merge、Processor、 Output。其實(shí)這個(gè)跟Spark有點(diǎn)類似了，都是提供更豐富的可操作單元給用戶。

·傳統(tǒng)的Reduce只能輸出到HDFS，而Tez的Reduce Processor能夠輸出給下一個(gè)Reduce Processor作為輸入。

·Hot table也放到內(nèi)存中cache起來(lái)

·Tez service：預(yù)啟動(dòng)container和container重用，降低了每次Query執(zhí)行計(jì)劃生成之后Task啟動(dòng)的時(shí)間，從而提高實(shí)時(shí)性。

·Tez本身只是YARN框架下得一個(gè)library，無(wú)需部署。只需指定mapreduce.framework.name=yarn-tez

·Tez/Stinger還有一個(gè)最重要的feature : Vectorized Query __execution ( 該feature在HDP 2.0 GA中會(huì)提供)。

目前Hive中一行一行的處理數(shù)據(jù)，然后調(diào)用lazy deserialization解析出該列的Java對(duì)象，顯然會(huì)嚴(yán)重影響效率。Vectorized Query __execution把多行數(shù)據(jù)同時(shí)讀取并處理(基本的比較或者數(shù)值計(jì)算)，降低了函數(shù)調(diào)用的次數(shù)，提高了CPU利用率和cache命中率。

Hive->Tez/Stinger未來(lái)工作的主要方向：Cost-based optimizer，基于統(tǒng)計(jì)選擇執(zhí)行策略，例如多表JOIN時(shí)按照怎樣的順序執(zhí)行效率最高。統(tǒng)計(jì)執(zhí)行過程中每個(gè)中間表的Row/Column等數(shù)目，從而決定啟動(dòng)多少個(gè)MR執(zhí)行。