大数据OLAP引擎

一、OLAP介绍

1. OLAP简介

OLAP（Online AnalyticalProcessing）是一种数据处理技术，专门设计用于支持复杂的分析操作，侧重对决策人员和高层管理人员的决策支持。数据仓库对外数据能力的一种重要的输出方式。

1. OLAP遵循以下准则1. OLAP模型必须提供多维概念视图2. 透明性准则3. 存取能力准则4. 稳定的报表能力5. 客户/服务器体系结构6. 维的等同性准则7. 动态的稀疏矩阵处理准则8. 多用户支持能力准则9. 非受限的跨维操作10. 直观的数据操纵11. 灵活的报表生成12. 不受限的维与聚集层次
2. OLAP场景的关键特征1. 大多数是读请求2. 数据总是以相当大的批(> 1000 rows)进行写入3. 不修改已添加的数据4. 每次查询都从数据库中读取大量的行，但是同时又仅需要少量的列5. 宽表，即每个表包含着大量的列6. 较少的查询(通常每台服务器每秒数百个查询或更少)7. 对于简单查询，允许延迟大约50毫秒8. 列中的数据相对较小：数字和短字符串(例如，每个URL 60个字节)9. 处理单个查询时需要高吞吐量（每个服务器每秒高达数十亿行）10. 事务不是必须的11. 对数据一致性要求低12. 每一个查询除了一个大表外都很小13. 查询结果明显小于源数据，换句话说，数据被过滤或聚合后能够被盛放在单台服务器的内存中

2. OLAP与OLTP

• OLTP系统强调数据库内存效率，强调内存各种指标的命令率，强调绑定变量，强调并发操作，强调事务性。典型作为后端服务的数据来源。
• OLAP系统则强调数据分析，强调SQL执行时长，强调磁盘I/O，强调分区。典型作为数据报表、数据产品的数据来源。
• OLTPOLAP使用场景在线业务服务数据分析，数据挖掘DB设计面向应用面向主题数据存储最新的数据历史的，多数据源的DB大小MB-GBGB-EB时间要求实时响应不严格要求数据模型关系模型(3范式)维度模型主要应用数据库数据仓库代表MySQLSQL on Hadoop、Kylin

3. OLAP常规操作

1. 上卷（Roll Up）/聚合：选定某些维度，根据这些维度来聚合事实，如果用SQL来表达就是select dim_a, aggs_func(fact_b) from fact_table group by dim_a.
2. 下钻（Drill Down）：上卷和下钻是相反的操作。它是选定某些维度（维度之间有层级关系，典型如年、月、日），将这些维度拆解出小的维度（如年拆解为月，省份拆解为城市），之后聚合事实。
3. 切片（Slicing、Dicing）：选定某些维度，并根据特定值过滤这些维度的值，将原来的大Cube切成小cube。如dim_a in (‘CN’, ‘USA’)
4. 旋转（Pivot/Rotate）：维度位置的互换。

二、OLAP引擎分类

目前市面上主流的开源OLAP引擎包含不限于：Hive、Spark SQL、Presto、Kylin、Impala、Druid、Clickhouse、Doris等，可以说目前没有一个引擎能在数据量，灵活程度和性能上做到完美，用户需要根据自己的需求进行选型。

主流的 OLAP 可以分为3类：多维 OLAP ( Multi-dimensional OLAP )、关系型 OLAP ( Relational OLAP ) 和混合 OLAP ( Hybrid OLAP ) 三大类。

1. 多维OLAP

MOLAP的典型代表是：Druid、Kylin，MOLAP一般会根据用户定义的数据维度、度量（也可以叫指标）在数据写入时生成预聚合数据；Query查询到来时，实际上查询的是预聚合的数据而不是原始明细数据。

优点：数据预处理，将原始数据按照指定的计算规则预先做聚合计算，这样避免了查询过程中出现大量的即使计算，提升了查询性能。

缺点：限制后期数据查询的灵活性

2. 关系OALP

ROLAP的典型代表是：Presto，Impala，GreenPlum，Clickhouse，Elasticsearch，Hive，Spark SQL，Flink SQL，Doris。数据写入时，ROLAP并未使用像MOLAP那样的预聚合技术；ROLAP收到Query请求时，会先解析Query，生成执行计划，扫描数据，执行关系型算子，在原始数据上做过滤(Where)、聚合(Sum, Avg, Count)、关联(Join)，分组（Group By)、排序（Order By）等，最后将结算结果返回给用户，整个过程都是即时计算，没有预先聚合好的数据可供优化查询速度，拼的都是资源和算力的大小。

优缺点，与MOLAP恰好相反

3. 混合OLAP

混合 OLAP，是 MOLAP 和 ROLAP 的一种融合。当查询聚合性数据的时候，使用MOLAP 技术；当查询明细数据时，使用 ROLAP 技术。在给定使用场景的前提下，以达到查询性能的最优化。

三、各引擎对比

1. 简单查询对比

简单查询指的是点查、简单聚合查询或者数据查询能够命中索引或物化视图。这样的查询经常出现在【数据产品服务】应用中，如阿里的生意参谋、腾讯的广点通等。这种查询通常有几个特点：对响应时间要求高；查询模型相对固定（可以通过数仓建模进行部分预计算）；并发量大。从下图可以看出，这些场景最合适的是，Elasticsearch、Doris、Druid、Kylin这些。

2. 复杂查询对比

复杂查询指的是复杂聚合查询、大批量数据SCAN、复杂的查询（如JOIN）。在ad-hoc场景中，经常会有这样的查询，往往用户不能预先知道要查询什么，更多的是探索式的。像ES、Druid、Kylin，几乎是不支持这种查询。

3. 执行模型对比

• Scatter-Gather执行模型：相当于MapReduce中的一趟Map和Reduce，没有多轮的迭代，而且中间计算结果往往存储在内存中，通过网络直接交换。Elasticsearch、Druid、Kylin都是此模型。
• MapReduce：Hive是此模型
• MPP：MPP学名是大规模并行计算，其实很难给它一个准确的定义。如果说的宽泛一点，Presto、Impala、Doris、Clickhouse、Spark SQL、Flink SQL这些都算。

四、各引擎介绍

4. Hive

Hive是一个分布式SQL on Hadoop方案，底层依赖MapReduce计算模型执行分布式计算。Hive擅长执行长时间运行的离线批处理，数据量越大，优势越明显。而且Hive需要的几乎仅仅是硬盘资源，节省成本，稳定性高，仍是OLAP引擎的主流选择之一。不过目前有被SparkSQL取代之势。

MapReduce计算模型执行分布式计算。Hive擅长执行长时间运行的离线批处理，数据量越大，优势越明显。而且Hive需要的几乎仅仅是硬盘资源，节省成本，稳定性高，仍是OLAP引擎的主流选择之一。不过目前有被SparkSQL取代之势。

1. 未完待续…