【发布时间】：2016-10-25 09:37:38
【问题描述】：
我需要在我们的服务器上部署大数据集群。但是我只知道Apache Spark的知识。现在我需要知道 Spark SQL 是否可以完全替代 Apache Impala 或 Apache Hive。
我需要你的帮助。谢谢。
【问题讨论】：
标签： sql hadoop apache-spark hive impala
【发布时间】：2016-10-25 09:37:38
【问题描述】：
我想用实时场景来解释这个
实时生产项目：
Hive 主要用于存储数据/表和运行临时查询，如果组织每天都在增加数据并且他们使用 RDBMS 数据进行查询，那么他们可以使用 HIVE。
Impala 用于商业智能项目，通过一些前端工具（如 tableau、pentaho 等）完成报告。
Spark 主要用于分析目的，开发人员更倾向于统计，因为他们也可以使用带有 spark 的 R 语言来制作他们的初始数据帧。
所以对您的问题的回答是“否”火花不会取代蜂巢或黑斑羚。因为这三个都有自己的用例和优势，这些查询引擎的实施难易程度取决于您的 hadoop 集群设置。
这里有一些链接可以帮助您更清楚地理解：
http://db-engines.com/en/system/Hive%3BImpala%3BSpark+SQL
https://www.dezyre.com/article/impala-vs-hive-difference-between-sql-on-hadoop-components/180
【讨论】：
没有。 Apache Spark 是用于大数据处理的快速通用引擎，内置用于流式处理、SQL、机器学习和图形处理的模块。
Impala - 用于 Apache Hadoop 的开源分布式 SQL 查询引擎。
Hive - 一种类似 SQL 的界面，用于查询存储在与 Hadoop 集成的各种数据库和文件系统中的数据。
参考：Differences between Hive and impala
Apache Spark 具有连接到各种数据源的连接器，并且它对数据进行处理。 Hive 提供了一个查询引擎，与 Spark 集成后有助于加快查询速度。
SparkSQL 可以使用 HiveMetastore 来获取存储在 HDFS 中的数据的元数据。此元数据使 SparkSQL 能够更好地优化它执行的查询。这里 Spark 是查询处理器。
【讨论】：
Apache Impala 提供对数据的低延迟访问，通常与前端商业智能应用程序一起使用。
Apache Hive 更适用于查询延迟不是问题的批处理。例如基于日终属性的金融应用程序的数据处理（如收盘时的股票价值）
虽然 Apache Spark 具有从流式传输到机器学习的各种应用程序，但它也被用于批处理 ETL 处理。 Spark 2+ 中提供的基于数据集的增强型 Spark SQL API 改进了 Catalyst Query Optimizer 和 WholeStageCodeGen 形式的组件。我观察到一些 Hive 脚本在 Spark 上从 HiveQL 转换为 Scala 的执行时间提高了 50-90%。
从 HiveQL 迁移到基于数据集的 Spark API 的一些挑战：
- Hive 中缺少类似 SQL 的优美语法。
- 数据集 API 与 Scala 语言结构的不完全集成
- 在某些数据集操作中缺少编译时错误报告
【讨论】：
这是个好问题。我认为不会。尽管 Spark 比其他两个更快，但它们每个都有自己的目的和工作方式。例如，对于熟悉 Query 语言的人来说，Hive 和 Impala 会更容易使用，Spark 可以使用 Hive Metastore 进行更好的优化。所以，我认为它不会替换。
【讨论】：