Spark 对战 OushuDB ！究竟是谁快出几十倍？

随着互联网技术的不断发展，各行各业的数据处理量与日俱增，Hadoop 作为一项革命性的技术提供了处理海量数据的能力，随之而来的Spark又大大提升了 Hadoop 的计算能力，解决了Hadoop 的性能问题，受到了大数据行业的热捧。但到了2022年，Spark依然是大数据行业的最佳选择吗？

Hadoop 生态系统经过多年的发展，已经在世界范围内广泛的采用，许多企业已经搭建了基于Hadoop生态圈的大数据平台，并且尝试更加深入的应用，比如数据仓库迁入的尝试，作为分析型场景的主要组件Hive与Spark扮演了主要的角色。

Hadoop上的SQL支持一开始是Apache Hive，Hive自带的计算引擎是面向磁盘的MapReduce，受限于磁盘读/写性能和网络I/O性能的约束，在处理迭代计算、实时计算、交互式数据查询等方面并不高效，其主要适用场景是批处理模式。针对这一不足，Spark将数据存储在内存中并基于内存进行计算是一个有效的解决途径。Spark 允许将中间输出和结果存储在内存中，节省了大量的磁盘 IO。并且使用 DAG 调度程序，查询优化程序和物理执行引擎，实现批量和流式数据的高性能。同时 Spark 自身的 DAG 执行引擎也支持数据在内存中的计算。

偶数科技研发的数据仓库OushuDB, 主要依托云原生特性、计算存储分离架构、强事务特性、完整SQL标准支持、高性能并行执行能力等一系列底层技术的变革，从而实现高弹性、高性能、强扩展性、强兼容性等上层技术的变革，最终帮助企业有效应对大规模、强敏态、高时效、智能化的趋势。

这次我们将对OushuDB 与Spark 3.0的性能做一次对比。

数据查询哪家强？

为了更直观的比较Spark与OushuDB的查询能力，我们用TPC-H（商业智能计算测试）来对OushuDB和Spark进行测试，TPC-H是美国交易处理效能委员会(TPC,Transaction Processing Performance Council) 组织制定的用来模拟决策支持类应用的一个测试集，目前在学术界和工业界普遍采用它来评价数据查询处理能力。

国际通用的数据库测试标准TPC-H包括 22 个查询(Q1~Q22)，我们主要的评价指标是各个查询的响应时间，即从提交查询到结果返回所需时间，我们分别对两个平台进行单节点使用Scale为100的数据集进行测试。

测试环境

服务器配置

CPU：2颗10核Intel(R) Xeon(R) CPU E5-2630 v4 @ 2.20GHz，超线程40
内存：256GB
硬盘：4*1000GB SSD
操作系统：Centos 7.4

对比软件版本

OushuDB 4.0
Spark 3.0

数据库参数

Spark

OushuDB

注：为测试在同一资源水平上，并且更接近生产实际,core与内存设置相同，分别是16 core与1gb

表属性

注：数据分布，OushuDB可以表级设置及控制数据分布“桶数”，直接影响资源使用

数据生成方式

提前用dbgen生成TPCH测试用文本数据；OushuDB采用外部表并行导入，并进行Analyze。OushuDB采用可写外部表将导入的数据写入指定的HDFS目录，供Spark导入数据。

Spark建立外部表，指向OushuDB写出HDFS文件，将数据导入。

运行结果比较

总结

Spark新的自适应查询执行（AQE）框架只在某些场景提升了Spark性能，基于这次TPC-H测试由于新SIMD执行器的优势，OushuDB全面性能超过Spark最大相差55倍，总体(22查询个)性能8倍以上。在各行业实际应用场景进行大规模数据查询的过程中， OushuDB的优势就相当明显了。

OushuDB作为一款高性能云数据库，支持访问标准的ORC文件，并且具备高可扩展，遵循ANSI-SQL标准，具有极速执行器，提供PB级数据交互式查询能力，比传统数仓/MPP快5-10倍，比Hadoop SQL引擎要快5-30倍。OushuDB同时通过计算存储分离架构解决了传统数据仓库高成本、高门槛、难维护、难扩展的问题，可以让企业用户轻松构建核心数仓、数据集市、实时数仓以及湖仓一体数据平台，是当今的企业构建数据湖仓的不二选择。