Hive、Spark SQL、Impala比较

        Hive、Spark SQL和Impala三种分布式SQL查询引擎都是SQL-on-Hadoop解决方案,但又各有特点。前面已经讨论了Hive和Impala,本节先介绍一下SparkSQL,然后从功能、架构、使用场景几个角度比较这三款产品的异同,最后附上分别由cloudera公司和SAS公司出示的关于这三款产品的性能对比报告。
Spark SQL简介
        Spark SQL是Spark的一个处理结构化数据的程序模块。与其它基本的Spark RDD API不同,Spark SQL提供的接口包含更多关于数据和计算的结构信息,Spark SQL会利用这些额外信息执行优化。可以通过SQL和数据集API与Spark SQL交互,但无论使用何种语言或API向Spark SQL发出请求,其内部都使用相同的执行引擎,这种统一性方便开发者在不同的API间进行切换。
        Spark SQL具有如下特性:
  • 集成——将SQL查询与Spark程序无缝集成。Spark SQL可以将结构化数据作为Spark的RDD(Resilient Distributed Datasets,弹性分布式数据集)进行查询,并整合了Scala、Java、Python、R等语言的API。这种集成可以使开发者只需运行SQL查询就能完成复杂的分析算法。
  • 统一数据访问——通过Schema-RDDs为高效处理结构化数据而提供的单一接口,Spark SQL可以从Hive表、parquet或JSON文件等多种数据源查询数据,也可以向这些数据源装载数据。
  • 与Hive兼容——已有数据仓库上的Hive查询无需修改即可运行。Spark SQL复用Hive前端和元数据存储,与已存的Hive数据、查询和UDFs完全兼容。
  • 标准的连接层——使用JDBC或ODBC连接。Spark SQL提供标准的JDBC、ODBC连接方式。
  • 可扩展性——交互式查询与批处理查询使用相同的执行引擎。Spark SQL利用RDD模型提供容错和扩展性。
        Spark SQL架构如下图所示。
Hive、Spark SQL、Impala比较

        此架构包括Language API、Schema RDD、Data Sources三层。
  • Language API——Spark SQL与多种语言兼容,并提供这些语言的API。
  • Schema RDD——Schema RDD是存放列Row对象的RDD,每个Row对象代表一行记录。Schema RDD还包含记录的结构信息(即数据字段),它可以利用结构信息高效地存储数据。Schema RDD支持SQL查询操作。
  • Data Sources——一般Spark的数据源是文本文件或Avro文件,而Spark SQL的数据源却有所不同。其数据源可能是Parquet文件、JSON文档、Hive表或Cassandra数据库。
2. Hive、Spark SQL、Impala比较
(1)功能
        Hive:
  • 是简化数据抽取、转换、装载的工具
  • 提供一种机制,给不同格式的数据加上结构
  • 可以直接访问HDFS上存储的文件,也可以访问HBase的数据
  • 通过MapReduce执行查询
  • Hive定义了一种叫做HiveQL的简单的类SQL查询语言,用户只要熟悉SQL,就可以使用它查询数据。同时,HiveQL语言也允许熟悉MapReduce计算框架的程序员添加定制的mapper和reducer插件,执行该语言内建功能不支持的复杂分析。
  • 用户可以定义自己的标量函数(UDF)、聚合函数(UDAF)和表函数(UDTF)
  • 支持索引压缩和位图索引
  • 支持文本、RCFile、HBase、ORC等多种文件格式或存储类型
  • 使用RDBMS存储元数据,大大减少了查询执行时语义检查所需的时间
  • 支持DEFLATE、BWT或snappy等算法操作Hadoop生态系统内存储的数据
  • 大量内建的日期、数字、字符串、聚合、分析函数,并且支持UDF扩展内建函数。
  • HiveQL隐式转换成MapReduce或Spark作业
        Spark SQL:
  • 支持Parquet、Avro、Text、JSON、ORC等多种文件格式
  • 支持存储在HDFS、HBase、Amazon S3上的数据操作
  • 支持snappy、lzo、gzip等典型的Hadoop压缩编码方式
  • 通过使用“shared secret”提供安全认证
  • 支持Akka和HTTP协议的SSL加密
  • 保存事件日志
  • 支持UDF
  • 支持并发查询和作业的内存分配管理(可以指定RDD只存内存中、或只存磁盘上、或内存和磁盘都存)
  • 支持把数据缓存在内存中
  • 支持嵌套结构
        Impala:
  • 支持Parquet、Avro、Text、RCFile、SequenceFile等多种文件格式
  • 支持存储在HDFS、HBase、Amazon S3上的数据操作
  • 支持多种压缩编码方式:Snappy(有效平衡压缩率和解压缩速度)、Gzip(最高压缩率的归档数据压缩)、Deflate(不支持文本文件)、Bzip2、LZO(只支持文本文件)
  • 支持UDF和UDAF
  • 自动以最有效的顺序进行表连接
  • 允许定义查询的优先级排队策略
  • 支持多用户并发查询
  • 支持数据缓存
  • 提供计算统计信息(COMPUTE STATS)
  • 提供窗口函数(聚合 OVER PARTITION, RANK, LEAD, LAG, NTILE等等)以支持高级分析功能
  • 支持使用磁盘进行连接和聚合,当操作使用的内存溢出时转为磁盘操作
  • 允许在where子句中使用子查询
  • 允许增量统计——只在新数据或改变的数据上执行统计计算
  • 支持maps、structs、arrays上的复杂嵌套查询
  • 可以使用impala插入或更新HBase
(2)架构
        Hive:
        构建在Hadoop之上,查询管理分布式存储上的大数据集的数据仓库组件。底层使用MapReduce计算框架,Hive查询被转化为MapReduce代码并执行。生产环境建议使用RDBMS存储元数据。支持JDBC、ODBC、CLI等连接方式。

        Spark SQL:
        底层使用Spark计算框架,提供有向无环图,比MapReduce更灵活。Spark SQL以Schema RDD为核心,模糊了RDD与关系表之间的界线。Schema RDD是一个由Row对象组成的RDD,附带包含每列数据类型的结构信息。Spark SQL复用Hive的元数据存储。支持JDBC、ODBC、CLI等连接方式,并提供多种语言的API。

        Impala:
        底层采用MPP技术,支持快速交互式SQL查询。与Hive共享元数据存储。Impalad是核心进程,负责接收查询请求并向多个数据节点分发任务。statestored进程负责监控所有Impalad进程,并向集群中的节点报告各个Impalad进程的状态。catalogd进程负责广播通知元数据的最新信息。

(3)场景
        Hive:
        适用场景:
  • 周期性转换大量数据,例如:每天晚上导入OLTP数据并转换为星型模式;每小时批量转换数据等。
  • 整合遗留的数据格式,例如:将CSV数据转换为Avro;将一个用户自定义的内部格式转换为Parquet等。
        不适用场景:
  • 商业智能,例如:与Tableau结合进行数据探查;与Micro Strategy一个出报表等。
  • 交互式查询,例如:OLAP查询。
        Spark SQL:
        适用场景:
  • 从Hive数据仓库中抽取部分数据,使用Spark进行分析。
        不适用场景:
  • 商业智能和交互式查询。
        Impala:
        适用场景:
  • 秒级的响应时间
  • OLAP
  • 交互式查询
        不适用场景:
  • ETL
  • UDAF
3. Hive、SparkSQL、Impala性能对比
(1)cloudera公司2014年做的性能基准对比测试,原文链接:http://blog.cloudera.com/blog/2014/09/new-benchmarks-for-sql-on-hadoop-impala-1-4-widens-the-performance-gap/
        先看一下测试结果:
  • 对于单用户查询,Impala比其它方案最多快13倍,平均快6.7倍。
  • 对于多用户查询,差距进一步拉大:Impala比其它方案最多快27.4倍,平均快18倍。
        下面看看这个测试是怎么做的。
        配置:
        所有测试都运行在一个完全相同的21节点集群上,每个节点只配有64G内存。之所以内存不配大,就是为了消除人们对于Impala只有在非常大的内存上才有好性能的错误认识:
  • 双物理CPU,每个12核,Intel Xeon CPU E5-2630L 0 at 2.00GHz
  • 12个磁盘驱动器,每个磁盘932G,1个用作OS,其它用作HDFS
  • 每节点64G内存
        对比产品:
  • Impala 1.4.0
  • Hive-on-Tez 0.13
  • Spark SQL 1.1
  • Presto 0.74
        查询:
  • 21个节点上的数据量为15T
  • 测试场景取自TPC-DS,一个开放的决策支持基准(包括交互式、报表、分析式查询)
  • 由于除Impala外,其它引擎都没有基于成本的优化器,本测试使用的查询都使用SQL-92标准的连接
  • 采用统一的Snappy压缩编码方式,各个引擎使用各自最优的文件格式,Impala和Spark SQL使用Parquet,Hive-on-Tez使用ORC,Presto使用RCFile。
  • 对每种引擎多次运行和调优
        结果:
        单用户如下图所示。
Hive、Spark SQL、Impala比较

        多用户如下图所示。
Hive、Spark SQL、Impala比较

        查询吞吐率如下图所示。
Hive、Spark SQL、Impala比较

        Impala本身就是cloudera公司的主打产品,因此只听其一面之词未免有失偏颇,下面就再看一个SAS公司的测试。

(2)SAS2013年做的Impala和Hive的对比测试
        硬件:
  • Dell M1000e server rack
  • 10 Dell M610 blades
  • Juniper EX4500 10 GbE switch
        刀片服务器配置
  • Intel Xeon X5667 3.07GHz processor
  • Dell PERC H700 Integrated RAID controller
  • Disk size: 543 GB
  • FreeBSD iSCSI Initiator driver
  • HP P2000 G3 iSCSI dual controller
  • Memory: 94.4 GB
        软件:
  • Linux 2.6.32
  • Apache Hadoop 2.0.0
  • Apache Hive 0.10.0
  • Impala 1.0
  • Apache MapReduce 0.20.2
        数据:
        数据模型如下图所示。
Hive、Spark SQL、Impala比较

        各表的数据量如下图所示。
Hive、Spark SQL、Impala比较

        PAGE_CLICK_FLAT表使用Compressed Sequence文件格式,大小124.59 GB。
        查询:
        使用了以下5条查询语句
[sql] view plain copy
 
 Hive、Spark SQL、Impala比较Hive、Spark SQL、Impala比较
  1. -- What are the most visited top-level directories on the customer support website for a given week and year?  
  2. select top_directory, count(*) as unique_visits     
  3.   from (select distinct visitor_id, split(requested_file, ‘[\\/]‘)[1] as top_directory  
  4.           from page_click_flat  
  5.          where domain_nm = ‘support.sas.com‘   
  6.            and flash_enabled=‘1‘   
  7.            and weekofyear(detail_tm) = 48   
  8.            and year(detail_tm) = 2012  
  9.        ) directory_summary  
  10.  group by top_directory  
  11.  order by unique_visits;  
  12.   
  13. -- What are the most visited pages that are referred from a Google search for a given month?  
  14. select domain_nm, requested_file, count(*) as unique_visitors, month  
  15.   from (select distinct domain_nm, requested_file, visitor_id, month(detail_tm) as month  
  16.           from page_click_flat  
  17.          where domain_nm = ‘support.sas.com‘   
  18.            and referrer_domain_nm = ‘www.google.com‘  
  19.        ) visits_pp_ph_summary  
  20.  group by domain_nm, requested_file, month  
  21.  order by domain_nm, requested_file, unique_visitors descmonth asc;  
  22.   
  23. -- What are the most common search terms used on the customer support website for a given year?  
  24. select query_string_txt, count(*) as count  
  25.   from page_click_flat  
  26.  where query_string_txt <> ‘‘   
  27.    and domain_nm=‘support.sas.com‘   
  28.    and year(detail_tm) = ‘2012‘  
  29.  group by query_string_txt  
  30.  order by count desc;  
  31.   
  32. -- What is the total number of visitors per page using the Safari browser?  
  33. select domain_nm, requested_file, count(*) as unique_visitors  
  34.   from (select distinct domain_nm, requested_file, visitor_id  
  35.           from page_click_flat  
  36.          where domain_nm=‘support.sas.com‘   
  37.            and browser_nm like ‘%Safari%‘   
  38.            and weekofyear(detail_tm) = 48   
  39.            and year(detail_tm) = 2012  
  40.        ) uv_summary  
  41.  group by domain_nm, requested_file  
  42.  order by unique_visitors desc;  
  43.   
  44. -- How many visitors spend more than 10 seconds viewing each page for a given week and year?  
  45. select domain_nm, requested_file, count(*) as unique_visits  
  46.   from (select distinct domain_nm, requested_file, visitor_id  
  47.           from page_click_flat  
  48.          where domain_nm=‘support.sas.com‘   
  49.            and weekofyear(detail_tm) = 48   
  50.            and year(detail_tm) = 2012   
  51.            and seconds_spent_on_page_cnt > 10;  
  52.        ) visits_summary  
  53.  group by domain_nm, requested_file  
  54.  order by unique_visits desc;  
        结果:
        Hive与Impala查询时间对比如下图所示。
Hive、Spark SQL、Impala比较

        可以看到,查询1、2、4Impala比Hive快的多,而查询3、5Impala却比Hive慢很多。这个测试可能更客观一些,而且也从侧面说明了一个问题,不要轻信厂商宣传的数据,还是要根据自己的实际测试情况得出结论。