Apache Tajo 介绍
数据仓库是为查询和分析而不是事务处理而设计的关系数据库。它是面向主题的、集成的、时变的、非易失性的数据集合。这些数据有助于分析师在组织中做出明智的决策,但关系数据量每天都在增加。
为了克服这些挑战,分布式数据仓库系统跨多个数据存储库共享数据,以实现在线分析处理(OLAP)。每个数据仓库可能属于一个或多个组织。它执行负载平衡和可扩展性。元数据被复制并集中分布。
Apache Tajo 是一个分布式数据仓库系统,它使用 Hadoop 分布式文件系统 (HDFS) 作为存储层,并拥有自己的查询执行引擎,而不是 MapReduce 框架。
Hadoop 上的 SQL 概述
Hadoop 是一个开源框架,允许在分布式环境中存储和处理大数据。它非常快速和强大。但是,Hadoop 的查询能力有限,因此在 SQL on Hadoop 的帮助下可以提高其性能。这允许用户通过简单的 SQL 命令与 Hadoop 进行交互。
SQL on Hadoop 应用程序的一些示例包括 Hive、Impala、Drill、Presto、Spark、HAWQ 和 Apache Tajo。
什么是 Apache Tajo
Apache Tajo 是一个关系和分布式数据处理框架。它专为低延迟和可扩展的临时查询分析而设计。
-
Tajo 支持标准 SQL 和各种数据格式。大多数 Tajo 查询无需任何修改即可执行。
-
Tajo has 容错 通过失败任务的重启机制和可扩展的查询重写引擎。
-
Tajo 执行必要的操作 ETL(提取转换和加载过程) 用于汇总存储在 HDFS 上的大型数据集的操作。它是 Hive/Pig 的替代选择。
最新版本的 Tajo 与 Java 程序和第三方数据库(如 Oracle 和 PostGreSQL)的连接性更强。
Apache Tajo 的特点
Apache Tajo 具有以下特点:
- 卓越的可扩展性和优化的性能
- 低延迟
- 用户自定义函数
- 行/列存储处理框架。
- 与 HiveQL 和 Hive MetaStore 的兼容性
- 简单的数据流和易于维护。
Apache Tajo 的好处
Apache Tajo 提供以下好处:
- 便于使用
- 简化架构
- 基于成本的查询优化
- 矢量化查询执行计划
- 交货快
- 简单的 I/O 机制,支持多种类型的存储。
- 容错
Apache Tajo 的用例
以下是 Apache Tajo 的一些用例:
数据仓库和分析
韩国 SK Telecom 公司对 1.7 TB 的数据运行 Tajo,发现它可以比 Hive 或 Impala 更快地完成查询。
数据发现
韩国音乐流媒体服务 Melon 使用 Tajo 进行分析处理。 Tajo 执行 ETL(提取-转换-加载过程)作业的速度比 Hive 快 1.5 到 10 倍。
日志分析
韩国公司 Bluehole Studio 开发了 TERA——一款奇幻多人在线游戏。该公司使用 Tajo 进行游戏日志分析和查找服务质量中断的主要原因。
存储和数据格式
Apache Tajo 支持以下数据格式:
- JSON
- 文本文件(CSV)
- Parquet
- 序列文件
- AVRO
- 协议缓冲区
- Apache 兽人
Tajo支持以下存储格式:
- HDFS
- JDBC
- 亚马逊 S3
- Apache HBase
- 弹性搜索