Hadoop 生态系统庞大且复杂，所谓的“Hadoop 数据仓库框架”通常指的是构建在 Hadoop 或兼容存储（如 HDFS、对象存储）之上的，用于实现数据存储、管理、查询和分析的一系列工具和技术栈。
以下是目前业界主流的 Hadoop 数据仓库相关框架大全,按功能层级分类整理：
核心存储与格式层 (Storage & Format)
这是数据仓库的地基,决定了数据如何存储以及是否支持高效查询。
- HDFS (Hadoop Distributed File System)
- 地位：最基础的分布式文件系统。
- 特点：高容错、适合批处理、写入一次读取多次。
- 局限：随机读取慢,不适合低延迟查询。
- Apache Iceberg
- 地位：当前最火的开放表格式 (Open Table Format)。
- 特点：支持 ACID 事务、时间旅行（Time Travel）、模式演进（Schema Evolution）、隐藏分区，兼容 Hive、Spark、Presto/Trino、Flink 等。
- 优势：解决了传统 Hive 表在并发写入和更新时的性能瓶颈。
- Apache Hudi (Hadoop Upserts Deletes and Incrementals)
- 地位：另一个主流的数据湖格式。
- 特点：擅长增量数据处理、UPSERT（插入或更新）、时间旅行。
- 优势：与 Spark 和 Flink 集成极好，适合实时/近实时数据湖场景。
- Apache Parquet
- 地位：列式存储格式标准。
- 特点：压缩率高、I/O 效率高，特别适合 OLAP 分析查询。
- 应用：几乎所有现代 Hadoop 数据仓库引擎（Hive, Spark, Presto）默认都使用 Parquet。
- Apache ORC
- 地位：Hive 早期的列式存储格式。
- 特点：在 Hive 生态中性能优异，但通用性略逊于 Parquet。
元数据管理与表服务层 (Metastore & Table Service)
负责管理数据的结构、位置、权限等元信息。
- Apache Hive Metastore (HMS)
- 地位：传统 Hadoop 数据仓库的核心元数据服务。
- 特点：将 SQL 元数据存储在关系型数据库（MySQL, PostgreSQL 等）中。
- 局限：在高并发、大规模元数据操作下性能成为瓶颈。
- Apache HCatalog
-
地位
：Hive 的表服务层，允许其他计算引擎（如 Pig, Spark）访问 Hive 表。 - 现状：功能逐渐被 Iceberg/Hudi 的元数据服务取代。
-
- AWS Glue Data Catalog / Azure Purview
- 地位：云厂商提供的托管元数据服务。
- 特点：无需自建，集成度高,支持数据发现和数据血缘。
查询与计算引擎层 (Query & Compute Engines)
负责解析 SQL 并执行数据查询。
离线批处理引擎
- Apache Hive
- 地位：Hadoop 数据仓库的“鼻祖”。
- 特点：将 SQL 转换为 MapReduce/Tez/Spark 任务。
- 适用：大规模离线数据清洗、ETL、历史数据分析。
- Apache Spark SQL
- 地位：基于内存的分布式计算引擎。
- 特点：速度比 Hive 快 10-100 倍，支持 RDD、DataFrame、SQL 多种 API。
- 适用：复杂 ETL、机器学习特征工程、交互式查询。
交互式/即席查询引擎 (OLAP)
- Apache Presto / Trino
- 地位：高性能分布式 SQL 查询引擎。
- 特点：内存计算、支持多数据源联邦查询（同时查 Hive、MySQL、Kafka 等）、低延迟。
- 适用：BI 报表、即席分析、跨源数据关联。
- Apache Drill
- 地位：无模式（Schema-on-Read）查询引擎。
- 特点：无需预定义 Schema，直接查询 JSON、CSV 等半结构化数据。
- 适用：探索性数据分析、日志分析。
实时/流式查询引擎
- Apache Flink SQL
- 地位：流批一体计算框架。
- 特点：支持真正的实时流处理,同时也能处理批数据。
- 适用：实时数据仓库、实时指标计算、CEP（复杂事件处理）。
- Apache Impala
- 地位：Cloudera 开发的 MPP 查询引擎。
- 特点：直接查询 HDFS 上的 Parquet/ORC 文件，无需经过 MapReduce,延迟极低。
- 注意：主要依赖 Cloudera 生态,开源社区活跃度相对下降。
数据集成与同步层 (Ingestion & Sync)
负责将数据从外部系统导入到 Hadoop 数据仓库。
- Apache Sqoop
- 地位：传统 Hadoop 与关系型数据库之间的批量数据传输工具。
- 现状：维护模式,新项目较少使用。
- Apache Flume
- 地位：日志收集系统。
- 适用：将服务器日志实时写入 HDFS。
- Apache Kafka + Kafka Connect
- 地位：当前主流的数据管道中间件。
- 特点：高吞吐、低延迟,作为实时数据源接入数据仓库。
- DataX / SeaTunnel (原 Waterdrop)
- 地位：国产优秀的数据同步工具。
- 特点：支持异构数据源之间的高效同步,社区活跃。
- Debezium
- 地位：CDC (Change Data Capture) 工具。
- 特点：捕获数据库变更日志并发送到 Kafka,实现实时数据同步。
数据治理与调度层 (Governance & Orchestration)
- Apache Atlas
- 功能：数据治理与元数据管理。
- 作用：提供数据血缘（Lineage）、分类标签、搜索功能。
- Apache Ranger
- 功能：集中式安全管理。
- 作用：提供细粒度的访问控制（谁可以查哪张表的哪个字段）。
- Apache Airflow
- 功能：工作流调度平台。
- 作用：编排复杂的 ETL 任务依赖关系,监控任务执行状态。
- DolphinScheduler
- 功能：分布式易扩展的可视化 DAG 工作流任务调度系统。
- 特点：国产开源，中文支持好，UI 友好,国内大厂广泛使用。
- Apache Hue
- 功能：Web 界面工具。
- 作用：提供 SQL 编辑器、文件浏览器、Job 监控等,方便非技术人员操作。
现代数据栈趋势：Data Lakehouse (数据湖仓一体)
传统 Hadoop 数据仓库（基于 Hive + HDFS）正逐渐向 Lakehouse 架构演进,核心组件变为：
| 组件类型 | 传统方案 (Data Warehouse) | 现代方案 (Lakehouse) |
|---|---|---|
|
存储格式 | Hive Tables (Text/RCFile) | Iceberg / Hudi / Delta Lake |
| 计算引擎 | Hive (MapReduce) | Spark / Flink / Trino |
| 元数据 | Hive Metastore | Iceberg Catalog / Hudi Metadata |
| 查询引擎 | Hive, Impala | Trino, Spark SQL, Flink SQL |
| 优势 | 成熟、稳定 | ACID 事务、UPSERT、时间旅行、湖仓一体 |
Delta Lake 是 Databricks 提出的另一种 Lakehouse 格式，与 Iceberg、Hudi 并列为三大主流湖仓格式。
如何选择？(选型建议)
-
离线批量处理为主：
- 推荐：Hive + Spark SQL + Parquet
- 场景：T+1 报表、历史数据清洗。
-
实时/近实时分析：
- 推荐：Kafka + Flink + Iceberg/Hudi + Trino
- 场景：实时大屏、用户行为实时分析。
-
交互式 BI 查询：
- 推荐：Trino (Presto) + Iceberg
- 场景：数据分析师自助查询、多源数据联邦查询。
-
云原生环境：
- 推荐：AWS Athena / Redshift Spectrum / Azure Synapse
- 场景：直接使用云厂商托管服务,减少运维成本。
-
企业级数据治理要求高：
- 推荐：Apache Atlas + Ranger + DolphinScheduler/Airflow
Hadoop 数据仓库框架已从单一的 Hive 发展为多元化的 Lakehouse 架构,当前最佳实践通常是：
存储层：Iceberg 或 Hudi (表格式)
计算层：Spark (批处理) + Flink (实时) + Trino (即席查询)
调度层：Airflow 或 DolphinScheduler
治理层：Atlas 或 云厂商原生治理工具
希望这份大全能帮助你构建或优化数据仓库架构！
首发原创文章，作者：王坚，如若转载，请注明出处：https://idctop.com/article/477511.html
