我对BigData架构很陌生，所以请不要苛刻我。
我正在努力寻找构建能够处理大量数据的BI架构的最佳替代方案。在我看来，解决方案必须是集群/水平可扩展的，以应对系统的增长。我希望能够使用SQL与系统进行交互，因此HBase + Hive（甚至Pig，不是用于sql但不需要手动编写MR任务）可能是一种解决方案。例如，Exasolution和它们的In-Memory - MPP - Columnar解决方案相反，这种架构的好处/缺点是什么？
是否有其他替代品可能会带来一些额外的好处？那么维护和配置呢？任何Microsoft解决方案（我可能会找到客户特定的需求）
很抱歉发布这样一个未解决的问题，但我希望看到一些讨论，以便我尽可能地向您学习。
答案 0 :(得分：1)
虽然是EXASOL家伙，但我不会开始试图说服你，EXASOL是唯一一个很好的解决方案。它在很大程度上取决于您尝试实施的用例以及您必须满足的要求。
Hadoop 是一个非常灵活，可扩展的系统，经常用于存储和处理大量数据。
相比之下，EXASOL 是用于复杂分析查询处理的专用RDBMS。
我认为这两个选项并不真正直接竞争，而是相互补充。在许多情况下，公司需要一个可扩展的数据湖来存储和预处理数据，或者以相当简单的方式查询数据。一旦您想要通过复杂分析进入实时业务，数十，数百甚至数千名分析师正在运行大量查询，那么内存中的RDBMS是一个很好的选择。
这两个世界的另一个重要区别是复杂性。虽然EXASOL是无调优的，因为它是运行SQL查询或R / Python / Java数据库内分析的特定用例的专用系统（类似于设备），但Hadoop堆栈要复杂得多。您需要一定程度的知道如何设置，维护和调整此系统。这不一定是两个选项中的任何一个的原因。如上所述，它在很大程度上取决于你想要的东西。
从价格角度，Hadoop是免费的，因此它应该比内存数据库（如EXASOL）便宜得多，对吧？等一下，这并不容易。同样，你必须考虑整个画面。您真正想要存储多少数据，需要查询多少数据才能进行分析，您需要购买多少硬件，您需要雇佣多少人来接受培训以及部署在系统上的分析。
<强>摘要
总结一下我的想法，世界太复杂，无法直接比较这两种技术。根据用例和您的个人要求，其中一个或另一个可能是更好的选择。在我看来，市场的趋势是将这些系统与数据管理生态系统相结合，在这两个世界中，您可以充分利用这两个世界......实际上是三个世界，因为NoSQL解决方案的运营数据处理世界也应该是这里提到。
我希望有所帮助。如果您需要任何有关EXASOL的更多详细信息，请随时与我联系或在LinkedIn上与我联系： de.linkedin.com/in/exagolo