OLAP引擎

Kylin

1、支持标准SQL，提供JDBC/ODBC接口 2、通过预计算Cube显著降低查询时的计算量。 3、支持精确去重计数， 并且由于预计算，查询去重指标的速度很快。 4、可以支持比较高的查询并发。

1、需大量资源做预计算，数据导入效率低。 2、schema变更需重跑历史，稳定性低。 3、需要学习Cube定义和优化，学习成本较高。 4、不支持AdHoc查询。 5、HBase没有二级索引，过滤的性能稍逊色。 5、支持的维度数量不宜过多（20），否则Cube的计算和存储开销会明显增加。

基于预计算支持固化查询: a.查询模式比较固定。 b.数据规模大、指标数量多、高基数精确去重。 c.对响应时间要求严苛

druid

1、支持实时和离线数据导入。 2、存储格式采用列式存储+位图索引，过滤和聚合的速度快。 3、本地存储数据文件，通过mmap将数据映射到内存中处理，最大化利用内存。

1、只支持部分SQL功能，不能做灵活计算。 2、目前只支持基于HyperLogLog近似去重。 3、只支持单数据源查询，需要将数据提前join。 4、由于只存储轻度汇总数据，不支持明细数据查询 5、对内存依赖较重，超过可用内存性能严重下降。

时序型数据的实时OLAP分析： a.明细数据产生速率快 b.原始数据量大，以简单（sum/count /min/max）为主， c.去重指标不多（1~2个）

doris

1、运维成本低，无外部依赖，部署简单。 2、兼容Mysql协议和语法，支持在线schema变更。 3、同时支持批量导入和近实时mini-batch导入查询。 4、基于MPP的高性能计算

1、多维过滤场景下性能较低 2、同时负责数据导入, compaction, 查询, 这些操作之间会相互影响

基于MPP高性能计算，提供灵活高的分析（主要依靠现场计算）： a.明细查询 b.主键更新的场景 c.百毫秒的高性能灵活d.OLAP查询低基数（千万级内）精确去重。

阿里

查询场景丰富、规模大、服务内部也对外提供云服务

自研OLAP引擎为主、基于MPP架构和自研存储系统支持需求闭源。阿里云商业化典型系统：AnalyticDB/hologres，团队100+

百度

查询场景丰富

自研引擎、通过开源联合社区满足公司内部需求。典型系统：Doris

腾讯

查询场景丰富、大业务线有自己的OLAP团队；

开源和自研OLAP都有不同业务线采用、典型系统：Clickhouse、PivotEngine（广点通自研OLAP引擎）

头条

查询场景集中、大宽表为主、数据量大

基于开源系统二次开发主打灵活查询，团队20+，典型系统：clickhouse

滴滴

查询场景多样

基于开源系统不同场景选用不同引擎，典型系统：kylin/druid/clickhouse