Spark SQL真的远远超越了MPP SQL吗

　　为什么说Spark SQL远远超越了MPP SQL

　　前言

　　这里说的并不是性能，因为我没尝试对比过(下文会有简单的说明)，而是尝试从某种更高一层次的的角度去看，为什么Spark SQL 是远远超越MPP SQL的。

　　Spark SQL 和 MPP SQL 其实不在一个维度上。简而言之，

　　MPP SQL 是 Spark SQL 的一个子集

　　Spark SQL 成为了一种跨越领域的交互形态

　　MPP SQL 是 Spark SQL 的一个子集

　　MPP SQL 要解决的技术问题是海量数据的查询问题。这里根据实际场景，你还可以加上一些修饰词汇，譬如秒级，Ad-hoc 之类。

　　在实际业务中

　　探索类业务，比如KPI多维分析，用户画像查询，数据科学家摸底数据等

　　运营类业务，比如报表(现在很多BI系统基本上完全基于SQL来构建)，各种运营临时统计需求

　　分析类业务，不过这个会比较浅显。显然，真实的的分析应该主要依托一些统计类，机器学习等技术的支持

　　运维类业务，比如实时查询查看海量的系统日志等

　　MPP SQL 是有一定的性能优势的，从HAWQ,Impala 等都是基于MPP架构的。然而仅限于此。这些功能Spark SQL 目前都已经涵盖了，MPP SQL能做的事情，Spark SQL都完成的很漂亮。

　　依托于Spark 自身的全平台性(漂亮的DataSource API以及各个厂商的努力适配),Spark SQL 基本上可以对接任意多个异构数据源进行分析和查询。

　　关于性能可以再多说两句：

　　得益于一些具有复杂存储格式的文件的诞生，譬如CarbonData, Spark SQL 已经实现海量数据的秒级查询

　　Spark 自身通过Tungsten等项目的优化(尤其是代码自动生成)，速度越来越生猛，而JVM譬如GC带来的问题则可以进一步通过off-heap的方式减少。

　　所以 Spark SQL 和 MPP SQL在性能上的差距也会越来越小。

　　Spark SQL 成为了一种跨越领域的交互形态

　　Spark 通过使用DS(2.0统一了DF 和 DS，使用一套SQL引擎)极大的增强了交互语意，意味着你可以用SQL(DS)作为统一的交互语言完成流式，批处理，交互式查询，机器学习等大数据领域常见场景。这在任何一个系统都是不多见的，也可见Spark团队的抽象能力。

　　引言中的那篇文章其实是作者吐槽Spark 团队对Spark core(RDD)那层关注太少了，所以开始发牢骚。

　　现在我们再回过头来看我们常见的一些业务：

　　实时分析类业务

　　探索类业务

　　分析预测类业务

　　运营报表类业务

　　首先这些业务都可以使用Spark 来实现。其次统一的交互接口都是DS(DF/SQL),并且DS/SQL 是一套极度易用并且广泛普及和接受的。

　　当然Spark 也不是一步就做到这点的，原来流式计算和批量计算就是两套API, DF 和 DS 也是两套API,后面经过发展，Databricks 团队也在积极思考和慢慢成长，经过先前已经有的积累，才做到现在的这一步。

　　所以本质上DS/SQL 已经成为除了RDD API 以外，另外一套通用的，统一的交互式API，涵盖了流式，批处理，交互式查询，机器学习等大数据领域。这也是我们第一次达成这样的统一，目前来看也仅在Spark平台上得以实现，它是的大数据的使用和学习门槛进一步降低，功在千秋。

　　RDD VS DS/SQL

　　DS/SQL 是一套数据类型首先，操作种类受限的表达语言，意味着Spark 团队可以做更好的性能优化，也意味着门槛更低，在易用性和性能上都能取得良好的平衡。

　　【财富热线：400-189-0298】北京美源星（）石油化工管理投资有限公司是一家致力于为投资者提供专业的交易平台、交易开户服务,同时提供投资咨询、市场行情分析、原油价格查询、投资策略、石油政策等服务的公司。北京美源星石油化工投资管理有限公司以现货重油产品交易为主要经营业务，以及现货重油投资咨询和经济信息咨询等业务。