在互聯(lián)網(wǎng)企業(yè)和有大數(shù)據(jù)處理需求的傳統(tǒng)企業(yè)中，基于Hadoop構(gòu)建的數(shù)據(jù)倉庫的數(shù)據(jù)來源主要有以下幾個：

·通過Flume/Scribe/Chukwa這樣的日志收集和分析系統(tǒng)把來自Apache/Nginx的日志收集到HDFS上，然后通過Hive查詢。

·通過Sqoop這樣的工具把用戶和業(yè)務(wù)維度數(shù)據(jù)(一般存儲在Oracle/MySQL中)定期導入Hive，那么OLTP數(shù)據(jù)就有了一個用于OLAP的副本了。

·通過ETL工具從其他外部DW數(shù)據(jù)源里導入的數(shù)據(jù)。

目前所有的SQL on Hadoop產(chǎn)品其實都是在某個或者某些特定領(lǐng)域內(nèi)適合的，沒有silver bullet。像當年Oracle/Teradata這樣的滿足幾乎所有企業(yè)級應(yīng)用的產(chǎn)品在大數(shù)據(jù)時代是不現(xiàn)實的。所以每一種SQL on Hadoop產(chǎn)品都在盡量滿足某一類應(yīng)用的特征。典型需求：

·interactive query (ms~3min)

·data analyst，reporting query (3min~20min)

·data mining，modeling and large ETL (20 min ~ hr ~ day)

機器學習需求(通過MapReduce/MPI/Spark等計算模型來滿足)

Hive

Hive是目前互聯(lián)網(wǎng)企業(yè)中處理大數(shù)據(jù)、構(gòu)建數(shù)據(jù)倉庫最常用的解決方案，甚至在很多公司部署了Hadoop集群不是為了跑原生MapReduce程序，而全用來跑Hive SQL的查詢?nèi)蝿?wù)。

對于有很多data scientist和analyst的公司，會有很多相同表的查詢需求。那么顯然每個人都從Hive中查數(shù)據(jù)速度既慢又浪費資源。如果能把經(jīng)常訪問的數(shù)據(jù)放到內(nèi)存組成的集群中供用戶查詢那樣效率就會高很多。Facebook針對這一需求開發(fā)了Presto，一個把熱數(shù)據(jù)放到內(nèi)存中供SQL查詢的系統(tǒng)。這個設(shè)計思路跟Impala和Stinger非常類似了。使用Presto進行簡單查詢只需要幾百毫秒，即使是非常復(fù)雜的查詢，也只需數(shù)分鐘即可完成，它在內(nèi)存中運行，并且不會向磁盤寫入。Facebook有超過850名工程師每天用它來掃描超過320TB的數(shù)據(jù)，滿足了80%的ad-hoc查詢需求。

目前Hive的主要缺點：

·data shuffle時網(wǎng)絡(luò)瓶頸，Reduce要等Map結(jié)束才能開始，不能高效利用網(wǎng)絡(luò)帶寬。

·一般一個SQL都會解析成多個MR job，Hadoop每次Job輸出都直接寫HDFS，大量磁盤IO導致性能比較差。

·每次執(zhí)行Job都要啟動Task，花費很多時間，無法做到實時。

·由于把SQL轉(zhuǎn)化成MapReduce job時，map、shuffle和reduce所負責執(zhí)行的SQL解析出得功能不同。那么就有Map->MapReduce或者MapReduce->Reduce這樣的需求，這樣可以降低寫HDFS的IO數(shù)量，從而提高性能。但是目前MapReduce框架還不支持M->MR或者MR->R這樣的任務(wù)執(zhí)行。

目前Hive主要的改進(主要是體現(xiàn)在 Hive 0.11版本上)：

1. 同一條hive SQL解析出的多個MR任務(wù)的合并。由Hive解析出來的MR jobs中有非常多的Map->MapReduce類型的job，可以考慮把這個過程合并成一個MRjob。

2. Hive query optimizer(查詢優(yōu)化器是Hive需要持續(xù)不斷優(yōu)化的一個topic)

例如JOIN順序的優(yōu)化，就是原來一個大表和多個小表在不同column匹配的條件下JOIN需要解析成多個Map join + MR job，現(xiàn)在可以合并成一個MR job。

這個改進方向要做的就是用戶不用給太多的hint，hive可以自己根據(jù)表的大小、行數(shù)等，自動選擇最快的join的方法(小表能裝進內(nèi)存的話就用Map join，Map join能和其他MR job合并的就合并)。這個思路跟cost-based query optimizer有點類似了，用戶寫出來的SQL在翻譯成執(zhí)行計劃之前要計算那種執(zhí)行方式和JOIN順序效率更高。

3. ORCFile

ORCFile是一種列式存儲的文件，對于分析型應(yīng)用來說列存有非常大的優(yōu)勢。

原來的RCFile中把每一列看成binary blob，沒有任何語義，所以只能用通用的zlib,LZO,Snappy等壓縮方法。ORCFile能夠獲取每一列的類型(int還是string)，那么就可以使用諸如dictionary encoding, bit packing, delta encoding, run-length encoding等輕量級的壓縮技術(shù)。這種壓縮技術(shù)的優(yōu)勢有兩點：一是提高壓縮率;二是能夠起到過濾無關(guān)數(shù)據(jù)的效果。

Predicate Pushdown:原來的Hive是把所有的數(shù)據(jù)都讀到