传统数仓的3大缺陷

本文将对传统数仓的缺陷进行总结。

一、效率低 

传统的数仓大多构建在Hadoop之上。这位传统的数仓带来了近乎无限的横向扩展能力，同时也造成了传统的数仓技术效率低的缺陷。效率低主要体现在以下几个方面。

• 部署效率低：在部署Hive/HBase/Kylin之前，必须部署好Hadoop集群。和传统数据库相比，这个部署效率是非常低效的。

• 运维效率低：Hive/HBase/Kylin基于Hadoop，Hadoop生态会带来一个非常严重的单点故障问题，即Hadoop体系中任何一个组件出现问题，都可能引起整个系统的不可用。使用传统的数仓对运维的要求非常高。

• 计算效率低：主要体现在Hive和Kylin上，这两个数仓没有自己的存储引擎和计算引擎，这导致Hive和Kylin只能依靠堆机器实现复杂查询，而无法从数据本身下手。在大数据后期，一些以数据快速查询为目标而特殊设计的数据存储格式成为标准，这个现象才有所改观。而HBase的优化核心就是重新设计的存储引擎，使得HBase可以对数据本身进行查询速度的优化。

二、延迟高

构建在Hadoop之上的数仓引擎，除了效率低的缺点之外，还面临着高延迟的挑战。高延迟主要体现在以下几个方面。

• 查询延迟高：使用Hive作为数仓，受限于HDFS的性能瓶颈，Hive的查询速度比较慢，难以支撑低延迟场景，无法应用在实时计算的场景中。

• 写入数据延迟高：同样受限于HDFS，Hive的数据写入延迟也很高，这意味着数据无法实时写入Hive，从而无法支撑实时分析场景。

三、成本高

传统的数仓数仓引擎还会带来成本高的挑战，主要体现在以下几个方面.

• 部署成本高：由于Hadoop的计算逻辑是通过堆计算资源的方式来摊销复杂查询的时间，因此如果需要达到一个比较理想的性能，必须要求集群中节点的数量达到一定的规模，否则因为计算效率低的特点，单机很容易成为性能瓶颈。这导致了Hive等基于Hadoop的数仓部署成本高的缺陷。

• 运维成本高：集群服务器达到一定规模后，运维成本会指数级上升。同时，由于Hadoop中组件太多，任何一个组件的失效都有可能导致整个服务的不可用，因此运维团队必须包含所有组件的运维人员，否则运维团队有可能很好地执行任务。这也极大地提高了运维团队的人力成本。

• 存储成本高：Hadoop的HDFS为了避免集群中服务器故障从而导致的不可用的情况，默认使用三副本策略存储数据，即数据会保存三份。这会极大地提高存储成本。即使是新一代的Hadoop采用了EC纠删码技术降低了副本数量，但使用场景有限只适合在冷数据存储中使用，对于经常需要查询的热数据，并不适合采用该方案。

• 决策成本高：传统的大数据由于部署成本高，导致企业在做决策时面临比较大的决策成本，一方面是前期投入太大，短期内看不到效果，长期以来效果如何也很难说清楚。另一方面是即使企业下定决心来建设数仓，昂贵的基础设施和专业技术人员的缺乏也会造成很长的建设周期，长的建设周期又会带来很多不可预知的变数，最终影响企业的决策。

参考资料：

1.《ClickHouse性能之巅》：从架构设计解读性能之谜