Apache CarbonData:大數據生態一種新的高性能數據格式
Apache CarbonData是一種新的高性能數據存儲格式，針對當前大數據領域分析場景需求各異而導致的存儲冗余問題，CarbonData提供了一種新的融合數據存儲方案，以一份數據同時支持“任意維度組合的過濾查詢、快速掃描、詳單查詢等”多種應用場景，并通過多級索引、字典編碼、列存等特性提升了IO掃描和計算性能，實現百億數據級秒級響應。CarbonData是由華為開源貢獻到Apache基金會的大數據項目，致力于推動大數據開源生態技術的發展。
隨著數據與日俱增，業務驅動下的數據分析靈活性要求越來越高，不同場景的數據分業務系統而構建，導致冗余嚴重，缺乏高效、統一的融合數倉，阻礙企業快速轉型。
企業典型的訴求總結如下：
***,數據統一存儲：為了節約成本，企業希望一份數據支持多種使用場景;減少數據孤島和冗余，通過數據共享產生更大價值。
第二,高效：數據分析要求越來越高效、實時。
第三,易集成：提供標準接口，新的大數據方案與企業已采購的工具和IT系統要能無縫集成，支撐老業務快速遷移。
第四,大集群：區別于以往的單機系統，企業客戶希望新的大數據方案能應對日益增多的數據，隨時可以通過增加資源的方式橫向擴展，無極擴容。
第五,開放生態：通過開源開放，讓更多的客戶和合作伙伴的數據連接在一起，發揮更大的價值。
華為針對上述典型訴求，從2013年開始調研分析業界大數據方案，發現每種技術都只能解決某種場景的訴求，不能同時滿足上述的所有訴求，如：并行數據庫技術不能有效與Hadoop生態集成，數據不能統一共享存儲;搜索類技術提升了性能，但是數據膨脹很大，不支持標準SQL、不能兼容老的業務，這促使了華為著手開發CarbonData項目。
整個大數據時代的開啟，可以說是源自于Google的MapReduce論文，他引發了Hadoop開源項目以及后續一系列的生態發展。他的“偉大”之處在于計算和存儲解耦的架構，使企業的部分業務(主要是批處理)從傳統的垂直方案中解放出來，計算和存儲可以按需擴展極大提升了業務發展的敏捷性，讓眾多企業普及了這一計算模式，從中受益。
CarbonData借鑒了這一理念，存儲和計算邏輯上分離，通過索引技術讓存儲和計算物理上更接近，提升CPU和IO效率，實現超高性能的大數據分析：
列式存儲：高效的列式數據組織，區別于行存，可以實現列裁剪和過濾下壓，使OLAP查詢性能更高。同時，CarbonData針對明細數據查詢實現了深度優化，在需要返回所有列的場景下性能優于其他列存方案。
豐富的索引支持：支持全局多維索引、文件索引、Min/Max、倒排索引等多種索引技術，從表級，文件級，列級等多個層級逐級快速定位數據，避免SQL-on-Hadoop引擎常見的“暴力掃描“，從而大幅提升性能，實現十年數據秒級響應， 三百維字段任意組合查詢。
全局字典編碼：除了常見的Delta、RLE、BitPacking等編碼外，CarbonData應用了全局字典編碼來實現免解碼的計算，計算框架可以直接使用經過編碼的數據來做聚合，排序等計算，這對需要做跨節點數據交換的業務來說性能提升非常明顯(3倍以上)。
自適應類型轉換：CarbonData針對分析型應用中大量使用的數值類型(Double/Decimal/Numeric/BigInt)實現存儲內數據類型轉換，配合列式數據壓縮，使得壓縮非常高效，數據壓縮率基于應用場景不同一般壓縮比在2到8之間。
標準SQL和API：在SparkSQL基礎上，支持標準SQL99/2003;支持數據批量更新、刪除，適用于OLAP場景下數據的周期性刷新，例如拉鏈表更新、維表數據同步。提供JDBC/ODBC連接，支持與BI工具無縫對接;兼容Spark DataFrame/DataSet，支持復雜分析應用。
數據生態集成：支持與Hadoop、Spark等大數據生態系統集成，支持和商業BI工具無縫對接。既滿足傳統數倉、數據集市、BI應用要求，也提供大數據生態豐富多樣的API支持，覆蓋從GB級到EB級應用。
開源開放： CarbonData于2016年6月3日全票通過進入大數據領域全球***的開源社區Apache，半年時間里，Apache社區代碼貢獻者超過60人。目前特性貢獻來自于華為、Intel、Talend、Ebay、Inmobi、Knoldus、阿里、美團、樂視、滴滴等公司資深架構師和開發人員。
Apache CarbonData致力于推動大數據開源技術的持續發展，以一份數據同時滿足多種業務場景訴求，打造高效、開放、完整生態的大數據新融合數倉。歡迎大家參與到社區建設：
目前已經發布了三個Apache穩定本
Mailinglist:
