Apache Hadoop: Shark与Impala相比(翻译)

2980315

内容来自Reynold Xin
Berkeley的博士，此人领导了Shark的开发(在加州伯克利分校AMP实验室)。
本文只做翻译，不对两个系统的优劣做评价。

总体上
Shark扩展了Apache Hive，大大加快在内存和磁盘上的查询。而Impala是企业级数据仓库系统, 可以很好地使用Hive/ HDFS，从架构层来说，类似于传统的并行数据库。这两个系统有着很多共同的目标，但也有很大差异。

与现有系统的兼容性
Shark直接建立在Apache/Hive代码库上，所以它自然支持几乎所有Hive特点。它支持现有的Hive SQL语言，Hive数据格式（SerDes），用户自定义函数（UDF），调用外部脚本查询。因为Impala使用自定义的C++运行，它不支持Hive UDF。这两个系统将会与许多BI工具整合，这一直是Impala的主要目标。Shark正在被用于一些BI工具，如Tableau，不过这并没有被探索更多。

内存中的数据处理
Shark允许用户显式地加载在内存中的数据，以加快查询处理，其内存使用有效率的，压缩的面向列的格式。Impala还没有提供在内存中的存储。

容错
Shark被设计为支持短期和长时间运行的查询。它可以从查询故障恢复(感谢底层Spark引擎)。Impala目前是更侧重于短查询，不容错（如果节点发生故障，查询必须重新启动，对短查询来说这无疑是可以接受的）。

性能
做全面的比较太早了点。Shark和Impala都报告比Hive快10-100倍，但这都依赖具体情况和系统负载。两个项目也都在未来6个月内会做重要优化。以我们的经验来看，Sharkr当前版本，如果是内存的数据一般比Hive快100倍，如果是磁盘上的数据一般快5-10倍，这取决于查询（带关联连接的查询，能比Hive快很多）。

目标用户
在我们的理解中，Impala是相当专注于传统企业客户和OLAP和数据仓库工作负载。Shark支持传统OLAP，但也投入了精力，以支持更复杂的Hive使用（如UDF），非结构化数据处理（如ETL），机器学习等先进的分析（通过集成Spark）。Shark的长期目标是有一个统一的系统，既支持SQL也支持高级分析（机器学习，统计等等）。

开发语言
Shark是用Java和Scala写的，运行在JVM上。Impala是用c++写的。Impala会将查询编译成LLVM(底层虚拟机)中间表示法，它可以由即时编译器做进一步优化。Shark查询被编译成JVM字节码。

开放源码
这两个系统都是开源（Apache许可）。Shark开始于加州大学伯克利分校，已经从公司如雅虎接受了重大贡献资助。Impala是在Cloudera开发的，并于最近发布。