如何评价kudu存储引擎？ 举报 理由 举报 取消 据说Cloudera秘密开发了3年，兼顾数据更新实时性和分析速度的存储引擎，目前和impala配合的比较不错。国内目前小米在用这个东西。http://getkudu.io 2017年5月20日 8 条回复 1554 次浏览 Kudu,分布式,技术,数据,数据存储
回复 ( 8 )
只说下我了解的部分，如有错误欢迎指出……
Kudu最初由Cloudera开发，但现在已经开始作为Apache的项目孵化。Kudu – ASF JIRA
定位是OLAP数据库，说白了就是可以随机读但主要是针对顺序读做优化。所以在小米也是计算组搞而非存储组。数据的模型个人觉得很像Cassandra的伪SQL——结构化的数据、SQL类似的语法但本质上还是NoSQL，可以设定是Hash还是range或者两者结合来做partition分配到若干个tablet，每个tablet用raft协议写在多个节点上。之前扫了眼论文似乎是没写如何做tablet的split/merge，也许现在还不支持也许我看漏了。
从数据库的角度讲，比较重要的两个点是C++和raft。
C++的性能比较有保障，还没有gc的停顿导致的.99响应时间不可控等问题，raft的心跳也因为没有gc可以设的敏感一些，可用性更好，而这些都是HBase的痛点。当然这是题外话，毕竟Kudu不是用来代替HBase的。
用raft协议搞replication意味着不需要比较蛋疼的HDFS了，表面上似乎还在说Kudu属于“Hadoop生态系统”，但我觉得他们的心思肯定不止于此。而且Raft的一致性也比较自由，追求性能可以最终一致性地读。
此外可以看下Apache Kudu as a More Flexible And Reliable Kafka-style Queue ，这篇文章说，因为他顺序读吞吐比较好，并且raft协议自身提供了递增id，所以可以用来代替kafka搞消息队列，简单测试性能差不多（ “in the same realm”），还没GC。而且因为是数据库，可以随机写，相当于可以修改队列，灵活很多。
读过 paper 和代码，在生产环境中使用过，来答一波。
先说性能。对比 Hive，性能高了一个数量级，原本需要数分钟的查询，用 Kudu 可能只需要数秒；做过 TPC-DS benchmark，结果还不错，不过有一部分 query 计算时间太长，没有完成；对于随机写入来说，性能相当赞，SDD 硬盘，写入 ops 能到 100W 左右，几乎不需要特别的 bulk load 支持了。
再说 feature。支持数据更新，这是 Hive 的一大痛点，使用 Hive 通常来说会用 Sqoop 定期导入数据，一来，定期导入数据意味着会有延迟，数小时到数天，对于实时查询来说这点就很难接受，二来，定期导入对线上数据库也会有一定压力。而 Kudu 直接支持数据更新，意味着可以实时同步线上数据，可以实时查询到线上数据，对于数据驱动的增长来说，这无疑是很好的消息。
Kudu 作为一个存储引擎，提供的 API 其实跟 HBase 很像，增删改以及 scan 的接口。在上层，可以用 Impala 查询，Kudu 能提供 locality 信息以及谓词下推；也可以使用其他的 SQL on Hadoop 进行查询，SparkSQL 之类的，能很好地融入 Hadoop 生态。
所以 Kudu 的特点正如它的 slogan 所说，Fast Analytics on Fast Data。如果你需要对实时数据做查询，如果需要快速地查询，那么 Kudu 无疑是一个好的选择。
至于实现，未完待续。
我司 tangliu 同学的一篇文章可以看看 Kudu：一个融合低延迟写入和高性能分析的存储系统
没有数据分析流式计算的经验，根据对kv存储系统的理解，简单答一发，轻拍。。
数据存储的选择上，HBASE和HADOOP在吞吐率、延迟上各有侧重，如果做数据分析，要从HBase导出到hadoop平台再用Hive查询，这就要求系统要混布HBASE和hadoop。
KADU的目标就是要兼顾前两个存储系统，实现对外数据的存储和后台计算的本地化，减少数据传输成本已经部署运维成本。
架构方面，还是延用BIGTABLE的基本架构，元数据和数据分开存储的，但做了一些比较有挑战的优化操作，提升查询和插入的性能
另外的亮点是，多副本间使用了raft保证数据的高可靠性。
性能方面，目前beta版本要略差与HBASE,这也是意料之中的事情。。。
Kudu产品的几个要点：
关于小米如何使用Kudu，这里有更详细的介绍：Apache Kudu 加速对频繁更新数据的分析 – 知乎专栏
首先是一个分布式的列式存储，大家都说到了主要是用于分析计算的存储系统。但是也是可以用于存的存储系统。kudu是一个现代的列式存储系统，需要最新的硬件支持，充分发挥现在高性能硬件和cpu指令集。在存储方面做了很多性能优化，数据一致性和容灾主要还是靠raft。
1：支持增、删、改
2：一套存储，即支持较快速查询(对标HBase)，也支持较快速分析(对标impala)。而不必像之前，想查询，用HBase得一套存储，相分析，用impala得一套存储
一个项目负责人来公司做过seminar，是HBase那帮人搞的，出发点是把数据分析放进存储里，这样达到一个在某些query的优化。本来如果做数据分析，要从HBase导出到hadoop平台再用Hive查询，太慢了，而且是offline的。搞Kudu就是要弄成结构化数据，支持online直接修改数据，支持加index，Kudu目前支持Dremel语句，用C++写的。Performance是和Hive和另一个什么比较的，用的是一些大型的benchmark，结果表明在某些方面比较有优势，具体忘了。
对，他在slides最后还提到小米了，好像是和小米合作开发的。Kudu几个月前开源了，看文档和源代码应该更准确吧。