Question

表格 1 OLAP 系统的分类

	原理	工具	应用场景
MPP	有很好的数据量和灵活性支持，但是对响应时间是没有保证的。	Presto/Impala/SparkSQL/Drill 等	分布式查询
搜索引擎	入库时将数据转换为倒排索引，采用 Scatter-Gather 计算模型，牺牲了灵活性换取很好的性能，在搜索类查询上能做到亚秒级响应。 但是对于扫描聚合为主的查询，随着处理数据量的增加，响应时间也会退化到分钟级。	Elasticsearch、 Solr	搜索
预计算	入库时对数据进行预聚合，进一步牺牲灵活性换取性能（一般是用空间换时间），以实现对超大数据集的秒级响应。	Druid/Kylin/ClickHouse 等	聚合查询

备注：

1. 以上 OLAP 针对的是亿级以上的海量数据。没有一个引擎能同时在数据量，灵活性和性能这三个方面做到完美，用户需要基于自己的需求进行取舍和选型。
2. 搜索引擎和预计算都是以空间换时间。