PowerDrill，Google又一个大数据分析大杀器

将近十年前，Google放出的两篇论文催生了Hadoop。最近，Google又有两篇论文放出，描述了他们用来处理大数据的利器。其中一篇提到的是Dremel。前不久，他们在正在举行的VLDB 2012大会上发布了一篇论文《Processing a Trillion Cells per Mouse Click》，其中提到了Google内部使用的一个工具——PowerDrill，只需要点一次鼠标，PowerDrill就可以处理上万亿条信息。论文中说：相比提供类似信息分析功能的传统数据库，该工具要快10倍到100倍。

Google从2008年开始使用PowerDrill，将其作为Dremel的变通方案。Google数据中心的头头之一Urs Hölzle在《连线》杂志的一篇文章中说：Dremel可以在3秒钟内查询一个P的数据。PowerDrill虽不能处理这么多数据，可能应对的量也不小了，而且它的处理速度更快。论文中的数据指出：PowerDrill可以在30到40秒内处理7820亿个单元的数据。Google说，这比Dremel的方式“高好几个数量级”。

网易杭州研究院副总监汪源发布了一篇博客，对PowerDrill和Dremel作出了分析和对比。他首先指出二者的相似之处：

PowerDrill与Dremel的类似之处在于都用了列存，都为SQL接口。

接下来，他分析了二者的不同：

• 两者的设计目标不同，Dremel设计用来管理非常大量的大数据集（指数据集的数量和每数据集的规模都大），而PowerDrill设计用来分析少量的大数据集（指数据集的规模大，但数据集的数量不多）时提供更强劲的分析性能。
• 设计思路不同，包括：
  1. Dremel数据存于外存；PowerDrill数据存于内存。
  2. Dremel没做数据分区，分析时要扫瞄所有需要的列；PowerDrill做了组合范围分区，分析时可以跳过很多不需要的分区（真实应用统计可以跳过92.41%的分区）。
  3. Dremel用层次数据模型；PowerDrill用普通关系模型。
  4. Dremel数据通常不需要load，增加数据很方便；PowerDrill数据要load，增加数据（估计）不太方便。

然后，他提到PowerDrill最鲜明的特点：

一个是已经提到的组合范围分区，另一个是空间效率非常高的内存数据结构。

首先，各列的数据使用基于字典的压缩技术，并且是双层字典。全局字典编码列中所有不同值，每个分区还有个小字典，映射分区内不同值的编码到全局编码，这样各分区内的值的编码取值范围比较小，从而可以用较少的比特来编码一个值。

在这个基本方法之上，还通过一下方式进一步优化空间效率：全局字典用trie结构；属性值Zippy压缩（热点数据不压缩，LRU替换）；reorder纪录。这些优化通常能带来2-10+倍的空间效率提升。

对于使用内存做分析的做法，汪源认为：

PowerDrill设计用来分析少量的核心数据集，一般应用场景下数据量并不大，因此通过内存架构来提高分析效率我觉得是个相当合理的选择。

不过他对其组合范围分区的方式有自己的看法：

虽然论文中说领域专家通常很容易确定分区属性，但这个方式总是不通用，并且会导致load之后append数据不方便。如果用类似于InfoBright的Knowledge Grid的方式，可能分区过滤的效果会差一些，但可以规避上述两个问题。

Mike Olson是Cloudera的CEO，他曾说：“如果你想知道未来的大规模、高性能数据处理基础设施是什么样子，我的建议是去阅读Google目前刚刚放出的研究论文。”

MapReduce和BigTable的论文催生了大数据处理的事实标准Hadoop，这让我们不禁好奇：Dremel和PowerDrill又会催生什么项目呢？