围绕Hadoop的大数据生态圈，组件繁多，各自负责解决相应的大数据处理需求，Hadoop底层以HDFS来完成数据存储任务，而数据的读写管理，还需要匹配到相应的组件去支持。今天的大数据开发学习分享，我们来对Hbase、Kudu和ClickHouse做个简单的对比。
Hbase作为一款Nosql也是Hadoop生态圈的核心组件，它海量的存储能力，优秀的随机读写能力，能够处理一些HDFS不足的地方。
Clickhouse是一个用于联机分析(OLAP)的列式数据库管理系统(DBMS)，能够使用SQL查询实时生成分析数据报告，它同样拥有优秀的数据存储能力。
Apache Kudu是Cloudera Manager公司16年发布的新型分布式存储系统，结合CDH和Impala使用可以同时解决随机读写和sql化数据分析的问题，分别弥补HDFS静态存储和Hbase Nosql的不足。
1、安装部署方式对比
具体的安装步骤不过多赘述，这里只简要比较安装过程中需要依赖的外部组件。
Habse安装
依赖HDFS作为底层存储插件依赖Zookeeper作为元数据存储插件
Kudu安装
依赖Impala作为辅助分析插件依赖CDH集群作为管理插件，但是不是必选的，也可以单独安装
Clickhouse安装
依赖Zookeeper作为元数据存储插件和Log Service以及表的catalog service
2、组成架构对比
Hbase架构
Kudu架构
Clickhouse架构
综上所示，Hbase和Kudu都是类似于Master-slave的架构而Clickhouse不存在Master结构，Clickhouse的每台Server的地位都是等价的，是multi-master模式。不过Hbase和Clickhouse额外增加了一个Zookeeper作为辅助的元数据存储或者是log server等，而Kudu的元数据是Master管理的，为了避免server频繁从Master读取元数据，server会从Master获取一份元数据到本地，但是会有元数据丢失的风险。
3、基本操作对比
数据读写操作
Clickhouse是个分析型数据库。这种场景下，数据一般是不变的，因此Clickhouse对update、delete的支持是比较弱的，实际上并不支持标准的update、delete操作。
Clickhouse通过alter方式实现更新、删除，它把update、delete操作叫做mutation(突变)。
标准SQL的更新、删除操作是同步的，即客户端要等服务端反回执行结果（通常是int值）；而Clickhouse的update、delete是通过异步方式实现的，当执行update语句时，服务端立即反回，但是实际上此时数据还没变，而是排队等着。
Mutation具体过程
首先，使用where条件找到需要修改的分区；然后，重建每个分区，用新的分区替换旧的，分区一旦被替换，就不可回退；对于每个分区，可以认为是原子性的；但对于整个mutation，如果涉及多个分区，则不是原子性的。
-
更新功能不支持更新有关主键或分区键的列
-
更新操作没有原子性，即在更新过程中select结果很可能是一部分变了，一部分没变，从上边的具体过程就可以知道
-
更新是按提交的顺序执行的
-
更新一旦提交，不能撤销，即使重启Clickhouse服务，也会继续按照system.mutations的顺序继续执行
-
已完成更新的条目不会立即删除，保留条目的数量由finished_mutations_to_keep存储引擎参数确定。超过数据量时旧的条目会被删除
-
更新可能会卡住，比如update intvalue='abc’这种类型错误的更新语句执行不过去，那么会一直卡在这里，此时，可以使用KILL MUTATION来取消
综上所示，Hbase随机读写，但是Hbase的update操作不是真的update，它的实际操作是insert一条新的数据，打上不同的timestamp，而老的数据会在有效期之后自动删除。而Clickhouse干脆就不支持update和delete。
数据查询操作
不支持标准sql，需要集成Phoenix插件。Hbase自身有Scan操作，但是不建议执行，一般会全量扫描导致集群崩溃
与Impala集成实现查询
自身有优良的查询性能
关于大数据开发学习，Hbase、Kudu和ClickHouse三个组件，以上就为大家做了简单的对比了。Hadoop生态圈的各个组件，其实更多还是要结合到具体应用场景去做技术选型，部分场景下，还需要考虑配合使用等等。
与传统的关系型数据库 (RDBMS) 相比，
ClickHouse
采用了列式存储方式，能够更有效地压缩数据，提高查询效率。此外，
ClickHouse
支持多核并行处理和多服务器分布式处理，能够快速完成复杂的查询任务。但是，
ClickHouse
没有完整的事务支持，不适用于需要事务性保证的应用场景。
与其他类型的列式数据库相比，
ClickHouse
也有一些独特的优点。它支持数据复制和数据完整性，能够在多个节点之间复制数据，确保数据的完整性和一致性。此外，
ClickHouse
语法上接近 ANSI SQL
关注OLAP领域1年多了，目前还是处于混战阶段，各类工具、技术层出不穷。之前做过
clickhouse
、tidb、palo的测试，从九个角度对比了这三款经典的OLAP工具：
sql查询性能
社区活跃度
SQL 功能对比
一一说来，TiDB具有很多优势...
关于
clickHouse
数据库，它也是一种关系型数据库。但是区别于传统关系型数据库mysql以及Oracle。其中最大的区别就是传统的关系型数据库是行式存储，而
clickHouse
是列式存储。请记住这个列式存储方式。这种结构存储方式，具备了一种天然的优势，就是做统计分析，聚类分析。
本身数据库没有绝对的优劣之分。关于
clickHouse
和mysql的对比，但空间唯独上可以抽象为行（横轴）列（纵轴）。作为数据库的使用者，我们要尽可能的了解它们各自的优势，然后物尽其用，解决我们遇到的场景问题。...
文章目录测试环境配置方法底层实现零拷贝总结
导读：看官方文档说
clickhouse
现在支持HDFS和AWS S3作为数据存储的仓库，如果是这样的话，那就意味着基于
clickhouse
也可以实现"存储与计算分离"的架构设计了，那自然对于整个系统的可靠性和可扩展性是有极大帮助的。本文尝试着对这一新功能一探究竟~~
clickhouse
版本：21.8， 我们的环境之前有一个20.6的版本，尝试后发现并不支持，于是装了一个较新的版本。
云存储：HDFS。我们自己的很多产品都是基于
Hadoop
生态来
背景用户画像，即用户信息标签化，是
大数据
精细化运营和精准营销服务的基础。设计从基础设施建设到应用层面，主要有数据平台搭建及运维管理、数据仓库开发、上层应用的统计分析、报表生成及可视化、用户...
一、背景介绍Apache Doris是由百度贡献的开源MPP分析型数据库产品，亚秒级查询响应时间，支持实时数据分析；分布式架构简洁，易于运维，可以支持10PB以上的超
大数据
集；可以满足多种数据分析需求，例如固定历史报表，实时数据分析，交互式数据分析和探索式数据分析等。
ClickHouse
是俄罗斯的搜索公司Yandex开源的MPP架构的分析引擎，号称比事务数据库快100-1000倍，团队有计算机体系结构的大牛，最大的特色是高性能的向量化执行引擎，而且功能丰富、可靠性高。京东当前都在大范围使用这两种分析引擎，.
点击上方“朱小厮的博客”，选择“设为星标”后台回复"书"，获取个gui来源：jackywoo.cn导读：Kylin、Druid、
ClickHouse
是目前主流的OLAP引...
