10亿数据量的即席查询 spark 和 kylin的对比

    数据量大约在10亿+，需要做一个即席查询，用户可以主动输入搜索条件，如时间。可提供一定的预处理时间。每天还有新数据加入。

    10亿+的数据对于普通的rdbms还是有些压力的，而且数据每天还在不停的增长，所以我们运用了我们的spark技术来做一个计算加速。关于增量更新的相关，我会在后续的博客中介绍。

语句如下

select count(*) a,b from table_a where c = '20170101' group by a,b order by a

首先用我们的spark-local模式进行测试数据量成倍上涨。

数据量	table_a的倍数	spark-local i3 ddr3 8g	spark-local i7 ddr4 32g	spark-yarn 5g,3core 3instance
800w	1	0.512s	0.4	0.771
1600w	2	0.512s	0.5	0.552
3200w	4	0.794s	0.68	0.579
6400w	8	1.126s	0.945	0.652
1亿2800w	16	1.968s	1.4	0.922
2亿5600w	32	3.579s	2.574	1.475
5亿1200w	64	6.928s	5.001	3.384
10亿2400w	128	13.395s	9.528	5.372

    我们可以看到单核cpu的性能也会影响spark的性能，所以在衡量一个spark集群的计算性能时，不光要看有几个core，几个instance，还要看单个core的计算能力，而且数据量越大，差距也越大。

    spark-sql有一个特点，同样的语句，第二，第三次计算会比之前快，如果不停地运行同一个语句，你会发现时间会成下降趋势直到一个稳定值，一般为2-3次后会达到最小值，在10亿这个级别上，在yarn模式下，运行3次左右后，性能可以达到3s左右，对于一个测试用的小集群已经很让人满意了，如果是正规的spark集群，相信性能还会好很多，做即席查询完全够用了。个人理解是spark会有一定的缓存机制，但是不会缓存在多的东西，这个和之后要讲的Kylin还是不同的。kylin如果是同样的语句，第二次绝对是秒出。

下面我们尝试了用Kylin，效果很让人震撼。

Kylin官网如下

http://kylin.apache.org/

Apache Kylin是一个开源的分布式分析引擎，提供Hadoop之上的SQL查询接口及多维分析（OLAP）能力以支持超大规模数据，最初由eBay Inc. 开发并贡献至开源社区。它能在亚秒内查询巨大的Hive表。

Kylin中国唯一Apache顶级项目。支持下哦

Kylin是基于Hive表的，所以我们还是要将我们的数据先导入到hive中去。

Kylin的安装在这里就不将了，很简单，官网有介绍，启动下服务就可以了。然后打开7070端口

要使用Kylin计算，我们要先建立Model，一个model需要对应一张hive表，然后再model的基础上建立cube，这里我们创建一个默认的cube即可。

在Model页面我们可以看我们创建的cube如下图所示。

在列表中我们可以看到cube大小，记录数，上次构建时间等信息。

build好cube后就可以查询了，如果build成功cube的状态会变为READY，这时就可以查询了。

还是用之前的3节点的集群做性能测试

如上图所示，我们在查询界面可以看到这个语句走了哪个project，cubes，耗时等信息

测试结果如下

数据量	构建时间（全量）	sql时间
800w	6.5min	0.15s
1亿2800w	48min	0.15s
2亿5600w	90.17min	0.15s
5亿1200w	142.40min	执行错误

    这里到5亿的时候构建cube可以成功，但是运行sql会报错。应该是我没配置好。

    可以看到，kylin的查询性能还是非常可观的，而且查询时的资源消耗非常少，这点和spark不一样，由于这样的特性相对于spark，同样性能的集群上kylin就可以支持高得多的并发，并且提供高得多的查询性能，但是kylin的代价是很长的构建cube的时间和更多的磁盘占用，而且据我的经验来看，kylin对sql的支持不如spark-sql支持的好。如果要把原来rdbms的查询迁移到大数据集群中来，spark-sql的适应性会更好。

    虽然kylin也支持增量构建，但是相对于spark来说，数据准备的时间还是会长很多，因为spark也支持增量更新。如果允许有数据预处理时间的，例如把构建放到晚上12:00过后进行，在这种场景下，kylin也许更适合.但是如果需要数据实时变化，而且维度很多，sql完全不确定的情况，也许spark-sql更合适一些，具体怎么选择，还要看应用场景。