简介

Apache Kudu是为Hadoop平台开发的一个列式存储管理器。Kudu共享Hadoop生态系统应用的共同技术特性:它运行在常见的硬件服务器上，水平可伸缩，支持高可用性操作。

Apache Kudu是Apache软件基金会的顶级项目。

优势

查询少量列时 IO 少，速度快

数据压缩比高

便于查询引擎性能优化：延迟物化、直接操作压缩数据、向量化执行

劣势

查询列太多时性能下降（KUDU 建议列数不超过 300 ）

不适合 OLTP 场景

架构

采用了Master-Slave形式的中心节点架构，管理节点被称作 Master Server，数据节点被称作Tablet Server（可对比理解HBase中的RegionServer角色）。

Mater Server：负责集群（TS）管理、元数据管理等功能

Tablet Server：负责数据存储，并提供数据读写服务

一个表的数据，被分割成1个或多个Tablet，Tablet被部署在Tablet Server来提供数据读写服务。 Kudu Master在Kudu集群中，发挥如下的一些作用：

用来存放一些表的Schema信息，且负责处理建表等请求。

跟踪管理集群中的所有的Tablet Server，并且在Tablet Server异常之后协调数据的重部署。

存放Tablet到Tablet Server的部署信息。

分区

与大多数大数据存储引擎类似，KUDU 对表进行横向分区，KUDU 表会被横向切分存储在多个 tablets 中。不过相比与其他存储引擎，KUDU 提供了更加丰富灵活的数据分区策略。

一般数据分区策略主要有两种，一种是 Range Partitioning，按照字段值范围进行分区，HBase 就采用了这种方式，如下图：

Range Partitioning 的优势是在数据进行批量读的时候，可以把大部分的读变成同一个 tablet 中的顺序读，能够提升数据读取的吞吐量。并且按照范围进行分区，我们可以很方便的进行分区扩展。其劣势是同一个范围内的数据写入都会落在单个 tablet 上，写的压力大，速度慢。

另一种分区策略是 Hash Partitioning，按照字段的 Hash 值进行分区，Cassandra 采用了这个方式，见下图：

与 Range Partitioning 相反，由于是 Hash 分区，数据的写入会被均匀的分散到各个 tablet 中，写入速度快。但是对于顺序读的场景这一策略就不太适用了，因为数据分散，一次顺序读需要将各个 tablet 中的数据分别读取并组合，吞吐量低。并且 Hash 分区无法应对分区扩展的情况。

各种分区策略的优劣对比见下图：

KUDU 支持用户对一个表指定一个范围分区规则和多个 Hash 分区规则，如下图：