Sequoiadb该如何选择合适的SQL引擎

Sequoiadb作为一个文档型NoSQL数据既可以存储结构化数据也可以存储非结构化数据，对于非结构化数据只能使用原生的API进行查询，对结构化数据我们可以选择使用原生的API和开源SQL引擎，目前PostgresSQL,Hive,SparkSQL都可以作为Sequoiadb的SQL引擎，应用中该如何选择？

 

首先需要了解这些SQL引擎是怎么工作的，下图是Sequoiadb的接口图，所有的SQL查询都是通过SQL引擎把SQL解析成原生API的调用,PG依赖c++驱动，SparkSQL和HIVE依赖Java驱动

 

 

 

首先我们谈一谈PG，PG通过创建外部表的形式用来读写Sequoiadb中的数据，支持标准SQL和存储引擎，目前由于PG是单点，这就造成如果做多表关联，多个表的数据通过网络传输到PG所在的节点上进行关联计算，对IO和CPU的压力很大，SQL执行是很慢的，如果是对单表做操作性能是很快的，建议千万级别一下的数据使用PG做SQL引擎。

 

SparkSQL是构建在spark上面的一个SQL引擎，spark是一个分布式计算框架，sql通过sparksql的解析为执行任务在spark集群上执行，它没有单点的问题，充分利用数据所在节点上的计算资源，同时  sparkSQL的表数据在内存中存储不是采用原生态的JVM对象存储方式，而是采用内存列存储，该存储方式无论在空间占用量和读取吞吐率上都占有很大优势，更重要的是spark是多线程模型，Spark同节点上的任务以多线程的方式运行在一个JVM进程中，启动了thriftserver以后，一个sql对用spark的一个job，只需要在thriftserver所拥有的executor进程中生成线程来执行。

上面都是SparkSQL的优点，但是确定也有很多缺点，SparkSQL当一个SQL执行时间过长的话，后面的SQL都会卡住，这个资源问题后来虽然解决了，但是依然觉得不够完美，thriftserver --master 只能指定单个url，有单点的问题

目前项目中使用spark sql做数据的分析和查询，遇到很多问题，不过最终都解决了。

 

Hive把sql解析成mr任务，也是分布式计算，但是mr是进程级别的，没有sql都要启动JVM进程去执行，速度慢，在和sequoiadb对接过程中发现一个问题,在hive 0.13版本中会自行进行mapjoin .当数据量大的时候，笔者在做2kw数据和1kw数据做join时，报oom错误。所有需要set hive.auto.convert.join = false, 但是这带来一个问题就是速度非常的慢， 但是hive相对成熟，对于速度要求不高，节点内存比较小,同时机器上部署hadoop的用户可以使用hive

 

 

笔者最终选择了spark sql。