Spark，Hive，Impala和Presto是基于SQL的引擎，Impala由Cloudera开发和交付。在选择这些数据库来管理数据库时，许多Hadoop用户会感到困惑。Presto是一个开放源代码的分布式SQL查询引擎，旨在运行甚至PB级的SQL查询，它是由Facebook人设计的。

Spark SQL是一个分布式内存计算引擎，它的内存处理能力很高。Hive也由Apache作为查询引擎引入，这使数据库工程师的工作更加轻松，他们可以轻松地在结构化数据上编写ETL作业。在发布Spark之前，Hive被认为是最快速的数据库之一。

现在，Spark还支持Hive，也可以通过Spike对其进行访问。就Impala而言，它也是一个基于Hadoop设计的SQL查询引擎。Impala查询不会转换为mapreduce作业，而是本地执行。

这是对Hive，Spark，Impala和Presto的简要介绍。在本文中，我们会讲解这些SQL查询引擎的功能描述，并根据它们的属性介绍这些引擎之间的差异。

Hive，Spark，Impala和Presto之间的区别

让我们看一下所有这些功能特性的描述：

什么是Hive？

用于查询和管理大型数据集的Apache Hive数据仓库软件设施将分布式存储用作其后端存储系统。它建立在Apache之上。该工具是在Hadoop文件系统或HDFS的顶部开发的。Hadoop可简化以下任务：

• 临时查询
• 数据封装
• 庞大的数据集和分析

Hive特征

• 在Hive中，首先创建数据库表，然后将数据加载到这些表中
• Hive旨在管理和查询存储表中的结构化数据
• Map Reduce没有可用性和优化功能，但是Hive具有这些功能。查询优化可以高效地执行查询
• Hive的灵感语言降低了Map Reduce编程的复杂性，并重用了其他数据库概念，例如行、列、模式等。
• Hive使用目录结构进行数据分区并提高性能。
• Hive的大多数交互都是通过CLI或命令行界面进行的，并且HQL或Hive查询语言用于查询数据库
• Hive支持四种文件格式，即TEXTFILE，ORC，RCFILE和SEQUENCEFILE

Hive的三个核心部分

• Hive客户
• Hive服务
• Hive存储和计算

通过不同的驱动程序，Hive与各种应用程序进行通信。与基于Java的应用程序一样，它使用JDBC驱动程序，对于其他应用程序，它使用ODBC驱动程序。Hive客户端和驱动程序然后再次与Hive服务和Hive服务器通信。Hive客户端可以通过Hive服务解决其查询。

CLI或命令行界面在这里就像Hive服务一样，用于数据定义语言操作。来自不同应用程序的请求由驱动程序处理，并转发到不同的Meta商店和现场系统进行进一步处理。

Hive服务（如作业客户端，文件系统和元存储）与Hive存储进行通信，并用于执行以下操作：

• 在Hive中创建并存储了表的元数据信息，也称为“元存储数据库”
• 数据和查询结果加载到表中，这些表以后存储在HDFS上的Hadoop集群中

配置单元在本地模式或地图缩小模式下执行。如果数据大小较小或处于伪模式下，则使用Hive的本地模式可以提高处理速度。而对于大量数据或用于多节点处理，则使用Hive的Map Reduce模式，以提供更好的性能。

什么是Impala？

Impala是一个大规模并行处理引擎，是一个开源引擎。它要求将数据库存储在运行Apache Hadoop的计算机群集中。这是一个SQL引擎，由Cloudera在2012年推出。

Hadoop程序员可以以出色的方式在Impala上运行其SQL查询，它被认为是一种高效的引擎，因为它在处理之前不会移动或转换数据，该引擎可以轻松实现。Impala的数据格式、元数据、文件安全性和资源管理与MapReduce相同。

它具有Hadoop的所有特质，还可以支持多用户环境。以下列出了使Impala非常有用的两个最有用的品质：

1）列存储

2）树结构

Impala的一些流行功能：

• 支持Apache HBase存储和HDFS或Hadoop分布式文件系统
• 支持Kerberos身份验证或Hadoop安全性
• 它可以轻松读取Apache Hive的元数据，SQL语法和ODBC驱动程序
• 它可以识别Hadoop文件格式，RCFile，Parquet，LZO和SequenceFile
• Apache Sentry基于角色的授权。

Impala在2年内崛起，已成为最重要的SQL引擎之一。现在，甚至Amazon Web Services和MapR都已列出了对Impala的支持。

什么是Spark？

Apache Spark是最受欢迎的QL引擎之一，它是通用数据处理引擎，在核心火花数据处理的顶部还有很多其他库，例如图形计算、机器学习和流处理，这些库可以在应用程序中一起使用。Spark支持以下语言，例如Spark、Java和R应用程序开发。

Spark应用程序运行几个独立的进程，这些进程由驱动程序中的SparkSession对象协调，簇或资源管理器也将该任务分配给工作人员。任务将其工作单位应用于数据集、结果，创建了一个新的数据集分区，最终结果可以存储并保存在磁盘上，也可以发送回驱动程序。

Spark可以处理PB级的数据，并以分布式方式在成千上万个群集中进行处理，这些群集分布在几个物理和虚拟群集之间。Spark被用于多种应用，例如：

• 流处理
• 机器学习
• 互动分析
• 资料整合

由于其有益的功能（例如速度，简单性和支持），Spark被许多用户选择。可以通过一组丰富的API来访问Spark的功能，这些API专门用于快速，轻松地与数据进行交互。Apache Spark社区庞大且支持您快速，快速地获得查询的答案。

什么是Presto？

Presto是一个分布式的开源SQL查询引擎，用于运行交互式分析查询。它可以处理从GB到PB的任何大小的查询。Presto是由Facebook人设计的。它旨在加速商业数据仓库查询处理。它可以扩大与Facebook相匹配的组织规模。

Presto在一组机器上运行。Presto设置包括多个工作人员和协调员。Presto查询由其客户提交给协调器。然后，Presto协调器分析查询并创建其执行计划。稍后，处理过程将分配给工人。

在处理PB级或TB级数据时，用户将不得不使用大量工具与HDFS和Hadoop进行交互。Presto可以帮助用户通过Hive和Pig等MapReduce作业管道查询数据库。Presto可以帮助用户处理不同类型的数据源，例如Cassandra和许多其他传统数据源。

Presto的功能

• 可以帮助从其驻留位置查询数据，例如Hive，Cassandra，专有数据存储或关系数据库。
• 可以合并来自多个数据源的单个查询的数据
• Presto的响应时间非常快，通过昂贵的商业解决方案，他们可以快速解决查询
• 它使用矢量化的柱状处理
• Presto具有流水线执行
• 其架构简单而广泛

Facebook每天都使用Presto在一天中运行PB级数据。这可能包括几个内部数据存储。它还支持为查询提供数据的可插拔连接器。Presto支持以下连接器：

• TPC-H
• Cassandra
• Hadoop /Hive

就Presto应用程序而言，它支持Facebook，Teradata和Airbnb等许多工业应用程序。Presto支持标准的ANSI SQL，这对于数据分析人员和开发人员而言非常容易。Presto是用Java开发和编写的，但没有与Java代码相关的问题，例如：

内存分配和垃圾回收。Presto具有Hadoop友好的连接器体系结构。

推荐用法

就这些查询引擎的用途而言，您可以考虑以下几点：

对于任何类似BI的交互式工作负载，Impala可能是您的最佳选择。由于Impala查询的延迟最低，如果是为了减少查询延迟，您可以果断选择Impala，尤其是对于并发执行。

但对于低延迟和多用户支持要求，Hive也是不错的选择。选择Hive，仅出于您的ETL或批处理要求。但Hive不会减少太多查询处理所需的时间，因此它可以成为BI的合适选择。

Spark SQL，用户可以有选择地使用SQL构造为Spark管道编写查询。Spark SQL重用Hive元存储和前端，与现有的Hive查询，数据和UDF完全兼容。通过基于成本的查询优化器，代码生成器和列式存储Spark查询的执行速度得以提高。

Presto在BI类型查询中处于领先地位，与主要用于性能丰富查询的Spark不同，Presto对并发查询工作负载的支持至关重要。因此从并发查询执行和增加的工作量的角度出发，您可以使用它。

选择合适的数据库或SQL引擎完全取决于您的要求。在这里，我们列出了所有SQL引擎的一些常用和有益的功能。您可以选择Presto或Spark或Hive或Impala。数据库的选择取决于技术规格和功能的可用性。

写在最后

如果你不确定数据库或SQL查询引擎的选择，那只需进行详细比较它们特定的属性和登记功能，你就能更轻松地选择合适的数据库或SQL引擎了。

青牛：Hadoop与 Spark —选择正确的大数据框架