一、迭代模型/火山模型（Iterator Model）
又稱 Volcano Model 或者 Pipeline Model。
Iterator Model
該計算模型將關系代數中每一種操作抽象為一個 Operator，將整個 SQL 構建成一個 Operator 樹，查詢樹自頂向下的調用next()接口，數據則自底向上的被拉取處理。
火山模型的這種處理方式也稱為拉取執行模型(Pull Based)。
大多數關系型數據庫都是使用迭代模型的，如 SQLite、MongoDB、Impala、DB2、SQLServer、Greenplum、PostgreSQL、Oracle、MySQL 等。
火山模型的優點在於：簡單，每個 Operator 可以單獨實現邏輯。
火山模型的缺點：查詢樹調用next()接口次數太多，並且一次只取一條數據，CPU 執行效率低；而 Joins, Subqueries, Order By 等操作經常會阻塞。
二、物化模型（Materialization Model）
Materialization Model
物化模型的處理方式是：每個 operator 一次處理所有的輸入，處理完之后將所有結果一次性輸出。
物化模型更適合OLTP負載，這些查詢每次只訪問小規模的數據，只需要少量的函數調用。
三、向量化/批處理模型（Vectorized / Batch Model）
Batch Model
向量化模型 和 火山模型 類似，每個 operator 需要實現一個 next() 函數，但是每次調用 next() 函數會返回一批的元組（tuples），而不是一個元組，所以向量化模型也可稱為批處理模型。
向量化模型是火山模型和物化模型的折衷。
向量化模型比較適合 OLAP 查詢，因為其大大減少了每個 operator 的調用次數，也就簡單減少了虛函數的調用。
Presto、snowflake、SQLServer、Amazon Redshift等數據庫支持這種處理模式。
Spark 2.x 的 SQL 引擎開始也支持向量化執行模型。
在 Hive 中使用 向量化執行的方式：
1、必須以 ORC 格式來存儲數據，
2、將 hive.vectorized.execution.enabled 參數設置為 true
以上為三種常見的數據庫查詢引擎執行模型，「分布式技術專題」是國產數據庫hubble團隊精心整編，專題會持續更新，歡迎大家保持關注。
原文鏈接：https://blog.csdn.net/m0_51698806/article/details/113739682