HAWQ适应场景总结

个人研究了近半个月的hawq，也做个模拟测试，推荐学习资料链接（比较完整）：http://blog.csdn.net/wzy0623

大概从一到十八篇文章，这是第一篇：http://blog.csdn.net/wzy0623/article/details/55047696

最后总结如下：

1、OLAP（联机分析处理(On-Line Analytical Processing）领域，请选择HAWQ

原因：HAWQ和Hive及Impala性能相比，标准化TPCDS性能测试要快数倍。而且Hive和Impala支持SQL标准有限，很多TPCDS查询执行不了。

（注明：a、HAWQ官网宣传的TPCDS性能测试比较图，平均比Hive快4-50倍，比Impala快4.55倍，因未列出软硬件环境、数据模型和数据量，个人觉得这点真实性有待验证，觉得可能是某些sql查询上比Impala有优势，并非全部。

b、在99 个标准的TPC-DS queries测试中，Impala能完成62个，Hive完成60个，HAWQ能全部完成）

 

2、OLTP（联机事务处理(on-line transaction processing)）领域，官网团队不推荐使用。

原因：hawq是针对OLAP进行优化的，是一个偏分析型的数据库，本质上更像一个query engine。此领域个人推荐TiDB，是一个可以用来做 OLTP的分布式关系型数据库，擅长海量并发的查询和事务写入（毫秒级别）

 

3、如有整合外部数据需求，推荐使用HAWQ（PXF模块）

原因：能提供了访问HDFS上的Json文件、Hive、HBase外部数据的能力

 

4、如有过程语言编程需求（特别是习惯了编写存储过程的DBA人员），推荐使用HAWQ

原因：HAWQ是使用过的SQL-on-Hadoop解决方案中唯一支持过程化编程的（编写UDF的语言可以是SQL、C、Java、Perl、Python、R和pgSQL），Hive、SparkSQL、Impala都没有此功能。

 

5、 用HAWQ构建数据仓库比传统数仓有什么优势？

答复：

a、ETL：数据经过抽取、转换和装载（ETL）过程进入数据仓库系统，而HAWQ可以直接Register表当原生的内部表使用，省去了数据ETL的工作。HAWQ在Hadoop中支持AVRO、Parquet和本地HDFS文件格式。这在最大程度上减少了数据摄取期间对ETL的需求。

b、深度分析：以SQL需要的统计分析，因为它100%符合ANSI SQL规范，支持包含关联子查询、窗口函数、汇总与数据库、广泛的标量函数与聚合函数的功能。

c、机器学习：（支持开源MADLib机器学习库，如数据挖掘中的常用的矩阵、向量、聚类、回归、决策树等）

 

6、有关集群规模和数据性能

答复：官网用来测试的数据规模：30T，20个节点进行测试的；

1、线性可扩展：Hawq 2.0系统能够支持的并发查询数量，跟集群的计算节点数量呈线性关系：计算节点越多，系统能够支持的并发查询数量越多。为PB级SQL on Hadoop操作专门设计。

2、可弹性执行查询引擎和动态按需扩容。

使用tcp协议则hawq不能超过1000个segment节点，默认使用udp协议无此限制；能够快速为涉及超过50个关联表的高要求查询找到理想查询计划，可秒级添加节点。

 

7、比其他类似产品还有哪些主要特性？

答复：个人用到觉得可能重要的特性：

a、支持分区和多级分区；。分区表对性能有很大帮助，比如你只想访问最近一个月的数据，查询只需要扫描最近一个月数据所在分区。

b、支持多种压缩方法：snappy，gzip，quicklz，RLE等。

c、资源管理可以与外部资源管理器YARN集成；