118_尚硅谷_即席数仓_Druid对比其他框架

好，接下来呢，我们来看一下德鲁伊跟之前我们学过的P，嗯，Specialle kidding electric，其实还有一个是in color这么几个框架之间的一个对比，因为咱们学了这么多框架，那大家我什么时候用什么框架？啊，直接去了是吧，啊直接去了。那我们来看啊，解决这个问题啊，选型问题。画这张图画了一下啊，我们来看一下，首先对比的项目，包括德鲁伊kal ES，这都是当前非常主流的大数据分析框架啊，非常非常主流，那来看第一个，首先从这个亚秒级响应。也就说这个速度上，那德鲁伊支持麒麟，支持反系统这些它们的速度。

比不上这个啊，虽然说很快，但是跟这个德鲁一和麒麟还有一定的差距，因为麒麟是预计算对不对，我提前已经算好了，那我去了就拿结果了，你这个你再快诶也是基于内存，是不是也得算一下啊，也得算一下啊，那麒麟呢，呃，这个德鲁一呢，它也是，它也支持一定的预计算啊，所以说它不快，OK，那再往下。百亿级的数据集，就数据量非常非常庞大，那这些框架都很优秀，百亿级的都能扛得住，那再时候对circle的一个支持。嗯，你说能不能写circle口，那这个德语一呢开发中，嗯，目前我试了一下还OK啊，但是语法支持的不那么特别全，那这里面ES不行啊，ES不行啊这些意思，那再来往下离线这块。离线运算这些所有框架全部OK啊，都可以选，那再来那么实时呢。

实时这一块德鲁一没得说，肯定OK，那这个kding啊，他正在开发中，我看了一个最新版本的应该是可以了啊，其实应该是可以了啊，支持实时的，然后呢，这个目前不行啊，但实时的不行，但只上及时的查啊好，那part不行不行啊，ES可以啊。实施这块啊，OK，那还有一个呢，叫精确的基求，所以说这个课题构非常非常精确，那都有一对不起啊，它很粗糙，虽然说快快的前提是舍弃了一定的精度，那K你这个精度OK啊，因为它是预计算啊，我是提前把东西算好了，而且算的会很精确啊，那part没问题，你part没问题，Part没问题，ES差点意思啊，ES差点意。那这时候多表join的一个使用，那德鲁一用不了。啊，参与不了，那P没问题，Pressle没问题，Depar没问题，Sponsor没问题，ES差一点意思，嗯，那正好gd bc for BI，比如说像这种BI可视化工具，他们之间的一个集成成构，那都容易差一些，呃，PD没问题，就是可视化展示的啊，连接第三方这种没问题ES啊，差点意思啊，这些。

好，那下面怎么选第一个德斗一，它是一个实时处理时序数据的o lat数据库，这没问题，实时处理的分析引擎，因为它的索引首先是按照时间分片，后面会给大家讲它的原理啊，它是按照时间计分的，这是导致了他查询速度快的原因在这。那还有查询的时候也是按照时间线去入流的，相当于提前建了索引啊，索引呢是按照时间来见。正好是Kitty。核心的就是一个Q，是一种易计算技术，基本思路呢，预先对数据做多维，所以查询时只扫描索引，而不访问原数据，从而剔出。啊，它不计算了，已经计算完了，拿回来用了。

重要的是，Crystal。他没有使用大部分场景下have换一个数量机，其中关键技术就是所有的处理都是基于内存完成的。那再来，其实这个跟排非常类似，也是基于内存预算的啊，速度快，但是呢，它支持的数据源没有S多啊，所以。好，那后面的这个SPA你们目前还没学啊，它也是一个O问T分析引擎，基本思路呢，是增加机器的内存，提高B行预算啊这种方式来提高翻译速度。那再之后ESES最大的特点呢，使用的是倒排索引啊，倒表所有问题啊，ES在实际获取或聚极使用资源上比德鲁音要高啊，就是在这个数据获取或者积极用的这个职业绝大多数这个ES是用于什么呢？站内搜索就类似于那个搜索条，嗯，那这种功能里面你输入一些关键字啊，嗯，都是用ES。

那好，框架的选型，从这个超大数据的查询效率上看，你是谁查的最快，第一快的是等于，因为它的精度不是特别高，而且还产生了一定的运算，而且还是基于内存的分布式集群，那所以说它的速度最快。快它就超一些啊，记住然后之后呢，就是这个K啊，给一级串差异速度的效率啊，然后。SPA这样一个顺序啊，那从支持的这个数据源种类来说是最多的啊，然后之后呢，都一，因为它只支持单表对吧？啊，就是单表的一个查询啊，你看你怎么去呃选择啊，根据不同场景去选择不一样的，你看你追求的快还是什么，但是真正在企业开发中我见到的哈。

都有。啊，也就说我都安装在那个集群上，那这个产品经理提什么样的需求，我就用什么样的框架，比如说德鱼这边我实时跑的麒麟这边呢，该一计算一计算啊，产品经理临时来的任务，该用用去查对吧，来18号这种定时的任务，每天我还正常的跑。啊，这样的就是绝大多数任务我全能扛得住，没有任何问题对吧，只不过我是要呃搭几个服务器对吧？嗯，扔一些件资源在里面，他只要正常的跑就行了，好，这是框架的一个对比选型哈。