Phoenix：在Apache HBase上执行SQL查询

sofh7777

　　本文来源于我在InfoQ中文站翻译的文章，原文地址是：http://www.infoq.com/cn/news/2013/02/Phoenix-HBase-SQL
　　

　　近日，Salesforce.com开源了Phoenix，这是一个Java中间层，可以让开发者在Apache HBase上执行SQL查询。InfoQ有幸采访到了Salesforce.com的主开发者James Taylor以了解关于Phoenix的更多信息。
　　除了无数的SQL、NoSQL与NewSQL数据库，Salesforce.com又宣布了Phoenix项目，这是构建在Apache HBase（列式大数据存储）之上的一个SQL中间层。Phoenix完全使用Java编写，代码位于GitHub上，并且提供了一个客户端可嵌入的JDBC驱动。
　　根据项目所述，Phoenix被Salesforce.com内部使用，对于简单的低延迟查询，其量级为毫秒；对于百万级别的行数来说，其量级为秒。Phoenix并不是像HBase那样用于map-reduce job的，而是通过标准化的语言来访问HBase数据的。
　　根据项目创建者所述，对于10M到100M的行的简单查询来说，Phoenix要胜过Hive。对于使用了HBase API、协同处理器及自定义过滤器的Impala与OpenTSDB来说，进行相似的查询Phoenix的速度也会更快一些。

Phoenix查询引擎会将SQL查询转换为一个或多个HBase scan，并编排执行以生成标准的JDBC结果集。直接使用HBase API、协同处理器与自定义过滤器，对于简单查询来说，其性能量级是毫秒，对于百万级别的行数来说，其性能量级是秒。

　　Phoenix最值得关注的一些特性有：

• 嵌入式的JDBC驱动，实现了大部分的java.sql接口，包括元数据API
  
• 可以通过多部行键或是键/值单元对列进行建模
  
• 完善的查询支持，可以使用多个谓词以及优化的扫描键
  
• DDL支持：通过CREATE TABLE、DROP TABLE及ALTER TABLE来添加/删除列
  
• 版本化的模式仓库：当写入数据时，快照查询会使用恰当的模式
  
• DML支持：用于逐行插入的UPSERT VALUES、用于相同或不同表之间大量数据传输的UPSERT SELECT、用于删除行的DELETE
  
• 通过客户端的批处理实现的有限的事务支持
  
• 单表——还没有连接，同时二级索引也在开发当中
  
• 紧跟ANSI SQL标准
  

　　Phoenix代码基于BSD许可开源。
　　下面是InfoQ采访Phoenix主开发者James Taylor的访谈内容。
　　InfoQ：为何要为Non-SQL数据存储提供SQL接口？现在已经有很多其他的SQL解决方案了。
　　JT：现有的SQL解决方案通常都不是水平可伸缩的，因此当数据量变大时会遇到阻碍。至于我们为何在NoSQL数据存储HBase上提供SQL接口，有如下几个原因：

• 使用诸如SQL这样易于理解的语言可以使人们能够更加轻松地使用HBase。相对于学习另一套私有API，人们可以使用熟悉的语言来读写数据。
  
• 使用诸如SQL这样更高层次的语言来编写减少了你所需编写的代码量。比如说，使用Phoenix，你可以编写下面这样的查询来获取Web的统计数据（我不想说使用原生的HBase API会有多少行代码，但肯定少不了）：
  
  
  
  • SELECT
    
    
    
    • TRUNC(DATE,'DAY') DAY,            
      
    • SUM(CORE) TOTAL_CPU_Usage,            
      
    • MIN(CORE) MIN_CPU_Usage,            
      
    • MAX(CORE) MAX_CPU_Usage        
      
            
    
  • FROM WEB_STAT        
    
  • WHERE DOMAIN LIKE 'Salesforce%'        
    
  • GROUP BY TRUNC(DATE,'DAY');   
    
  
  
• 执行查询时，在数据访问与运行时执行之间加上SQL这样一层抽象可以进行大量优化。比如说，对于GROUP BY查询来说，我们可以利用HBase中协同处理器这样的特性。借助于该特性，我们可以在HBase服务器上执行Phoenix代码。因此，聚合可以在服务端执行，而不必在客户端，这么做会极大减少客户端与服务端之间传输的数据量。此外，Phoenix还会在客户端并行执行GROUP BY，这是根据行键的范围来截断扫描而实现的。通过并行执行，结果会更快地返回。所有这些优化都无需用户参与，用户只需发出查询即可。
  
• 通过使用业界标准的API（如JDBC），我们可以利用现有的工具来使用这些API。比如说，你可以使用现成的SQL客户端（如SQuirrel，http://squirrel-sql.sourceforge.net/）连接HBase服务器并执行SQL。感兴趣的读者可以参见入门指南以了解更多信息：https://github.com/forcedotcom/phoenix/blob/master/README.md。
  

　　InfoQ：有没有性能评估呢？响应时间是否变快了？可伸缩性是否更好了？
　　JT：可以在这里https://github.com/forcedotcom/phoenix/wiki/Performance了解Phoenix与其他NoSQL产品/项目的性能对比。我们并没有发布Phoenix与现有的关系型技术之间的基准比较（网上已经有了HBase与他们之间的比较），但当行数与行宽增加时，NoSQL解决方案会更出众。这也取决于你是“如何”使用关系数据库的：是像Salesforce.com那样的多租模式抑或单租模式。HBase非常善于协同定位关系数据，这取决于行键是如何构成的，因此对于某些多租场景来说，其优势是很明显的。
　　InfoQ：何时才会增加连接支持呢？
　　JT：连接支持已经在我们的路线图上了，参见https://github.com/forcedotcom/phoenix/wiki#wiki-roadmap。我们已经在做一些基础工作了，现在还不能给出准确的时间点，因为有太多事情要做，但我们会尽快的。
　　查看英文原文：Phoenix: Running SQL Queries on Apache HBase