一、OLAP一般分為即席查詢和固化查詢
即席查詢：用戶根據自己的需求，靈活的選擇查詢條件，系統根據用戶的選擇生成相應的統計報表。普通應用查詢是定制開發的，即席查詢是用戶自定義查詢條件，快速的執行自定義SQL（通過手寫sql完成一些臨時的數據分析需求，這類sql形式多變、邏輯復雜，對查詢時間沒有嚴格要求），無法提前運算和預測。
固化查詢：指的是一些固化下來的取數、看數需求，通過數據產品的形式提供給用戶，從而提高數據分析和運營的效率。這類的sql固定模式，對響應時間有較高要求。
二、Kylin、druid、presto、impala簡介
Apache kylin是一個開源分布式分析引擎、提供Hadoop、Spark之上的SQL查詢接口及多維分析（OLAP）能力，可以再亞秒內查詢巨大的Hive表，（還可以與BI工具集成ODBC、JDBC、RestAPI、還有自帶的Zepplin插件，來訪問Kylin服務）。
kylin是一種OLAP數據引擎，支持大數據生態圈的數據分析業務，主要是通過預計算的方式將用戶設定的多維度數據立方體(cube)緩存起來，達到快速查詢的目的。應用場景應該是針對復雜sql join后的數據緩存。
核心是Cube，cube是一種預計算技術，基本思路是預先對數據作多維索引，查詢時只掃描索引而不訪問原始數據從而提速 。
Impala是Cloudera開發開源的，Impala是Cloudera開發並開源的，能查詢存儲在HDFS和HBase中的數據。同Hive一樣，也是一種SQL on Hadoop解決方案。但Impala拋棄了MapReduce,使用更類似於傳統的MPP數據庫技術來提高查詢速度。
- impala可以直接查詢hdfs或hbase上的數據，可以與現有的存儲無縫對接。
- impala需要單獨安裝。
- impala提供jdbc接口和sql執行引擎，可以與現有系統集成
Druid同kylin一樣，是采用預計算的方式。主要解決的是對於大量的基於時序的數據進行聚合查詢。數據可以實時攝入，進入到Druid后立即可查，同時數據是幾乎是不可變。通常是基於時序的事實事件，事實發生后進入Druid，外部系統就可以對該事實進行查詢。
Druid是一個實時處理時序數據的OLAP數據庫，因為它的索引首先按照時間分片，查詢的時候也是按照時間線去路由索引。 需要預計算，將數據存儲在druid的Segment文件中，占用一部分存儲資源，對sql支持不友好，需要用他自己的方言書寫 。
做為一個分布式的支持實時分析的數據存儲系統，具有以下幾個特點
-
- 亞秒級 OLAP 查詢，包括多維過濾、Ad-hoc 的屬性分組、快速聚合數據等等。
- 實時的數據消費，真正做到數據攝入實時、查詢結果實時。
- 高效的多租戶能力，最高可以做到幾千用戶同時在線查詢。
- 擴展性強，支持 PB 級數據、千億級事件快速處理，支持每秒數千查詢並發。
- 極高的高可用保障，支持滾動升級。
實時數據分析是 Apache Druid 最典型的使用場景。該場景涵蓋的面很廣，例如：實時指標監控、推薦模型、廣告平台、搜索模型等場景。這些場景的特點都是擁有大量的數據，且對數據查詢的時延要求非常高。在實時指標監控中，系統問題需要在出現的一刻被檢測到並被及時給出報警。在推薦模型中，用戶行為數據需要實時采集，並及時反饋到推薦系統中。用戶幾次點擊之后系統就能夠識別其搜索意圖，並在之后的搜索中推薦更合理的結果。
Presto是Facebook開源的大數據查詢引擎，為了解決hive查詢慢產生。使用java編寫，數據全部在內存中處理。
Facebook開源的一個java寫的分布式數據查詢框架，原生集成了Hive、Hbase和關系型數據庫，Presto背后所使用的執行模式與Hive有根本的不同，它沒有使用MapReduce，大部分場景下比hive快一個數量級，其中的關鍵是所有的處理都在內存中完成。
- 原生集成了Hive、Hbase和關系型數據庫。
- 提供jdbc接口和sql執行引擎，可以與現有系統集成
- Presto支持在線數據查詢，包括Hive，關系數據庫（MySQL、Oracle）以及專有數據存儲。一條Presto查詢可以將多個數據源的數據進行合並，可以跨越整個組織進行分析
- Presto主要用來處理響應時間小於1秒到幾分鍾的場景。
- Presto是一個開源的分布式SQL查詢引擎，適用於交互式分析查詢，數據量支持GB到PB字節。注：雖然Presto可以解析SQL，但它不是一個標准的數據庫。不是MySQL、Oracle的代替品，也不能用來處理在線事務（OLTP）。
三、總結
1、Druid：是一個實時處理時序數據的OLAP數據庫，因為它的索引首先按照時間分片，查詢的時候也是按照時間線去路由索引。
2、Kylin：核心是Cube，Cube是一種預計算技術，基本思路是預先對數據作多維索引，查詢時只掃描索引而不訪問原始數據從而提速。
3、Presto：它沒有使用Mapreduce，大部分場景下比HIVE塊一個數量級，其中的關鍵是所有的處理都在內存中完成。
4、Impala：基於內存計算，速度快，支持的數據源沒有Presto多。
5、SparkSQL：是spark用來處理結構化的一個模塊，它提供一個抽象的數據集DataFrame，並且是作為分布式SQL查詢引擎的應用。它還可以實現Hive on Spark，hive里的數據用sparksql查詢。
6、框架選型：
(1)、從超大數據的查詢效率來看：
Druid>Kylin>Presto>SparkSQL
(2)、從支持的數據源種類來講：
Presto>SparkSQL>Kylin>Druid