Greenplum Pivotal HD结合了SQL和Hadoop的优势

EMC Greenplum宣布了一个新的Hadoop发行版本——Pivotal HD，其中包含一个完全运行于HDFS之上的MPP数据库，兼容SQL，而且速度“比Hive快数百倍”。

Pivotal HD支持标准Hadoop发型版本的常用特性（包括HDFS、Pig、Hive、Mahout和Map-Reduce等），但又加入了一些其他的组件，具体如下面结构图所示： 

Pivotal的主要组件是HAWQ，这是一个MPP（Massively Parallel Processing）关系数据库，借助一种动态流水线机制直接运行于Hadoop中的HDFS之上，其特性包括：

• 兼容SQL——支持各个版本的SQL，包括SQL92、SQL99和SQL 2003 OLAP等。百分之百兼容PostgreSQL 8.2。
• 面向行或面向列的数据存储。
• 查询优化器——查询可以运行于成千上万个节点上。
• 完全兼容ODBC/JDBC。
• 交互式查询——大数据集上的复杂查询可以以秒级或次秒级的速度解决。
• 数据管理——提供了表统计和表安全等功能。
• 支持存储在HDFS、Hive、HBase、Avro、ProtoBuf、分隔的文本和序列化文件中的数据。
• 深度分析——包含了数据挖掘和机器学习算法。

Greenplum的高级技术总监Gavin Sherry做了一个演示（见该视频的42分42秒），在60个节点组成的HDFS集群上，有总量达几个TB的10亿行数据，下列SQL语句可以在13秒内执行完，这提供了接近实时的能力：

SELECT gender, count (*)
FROM retail.order JOIN customers ON retail.order.customer_ID = customers.customer_ID
GROUP BY gender;

据EMC Greenplum 的解决方案架构师Donald Miner介绍，“HAWQ比Hive快数百倍”，下图是Greenplum提供的基准测试结果（PDF）：

HAWQ能够在“次秒级别内”解决查询问题，“同时做到了在同一引擎内支持规模更大的数据集和完整的SQL表达能力”。Miner解释了这是如何做到的：

我们有所谓的“分段服务器（segment server）”来管理每个表的一个分片。集群中的每个数据节点上会运行一些分段服务器。不过这种数据分片是完全保存在HDFS内的。有一个“主节点”负责存储顶层元数据、构建查询计划并将节点本地的查询推送到分段服务器上。

在查询启动时，数据将从HDFS中读出并加载到HAWQ执行引擎中。HAWQ遵循MPP架构，不同于将数据溢出到磁盘上和在磁盘上建立检查点（如MapReduce），它会让数据流过流水线的不同阶段。另外，分段服务器是一直运行的，所以不存在启动时间。

Pivotal HD有三个版本（PDF)：企业版、数据库服务版和用于评估的社区版。
查看英文原文：Greenplum Pivotal HD Combines the Strengths of SQL and Hadoop