华为深耕Apache社区 CarbonData成为首个中国公司贡献的顶级项目

Apache软件基金会宣布，华为贡献给Apache社区的开源项目CarbonData从Apache孵化器毕业，正式成为Apache顶级项目（TLP）。Apache® CarbonData™也成为首个由中国公司贡献给Apache基金会，并成为顶级项目的开源项目。

随着数字化时代的到来，企业生产和应用的数据与日俱增，业务驱动下的数据分析灵活性要求也越来越高。但是，企业不同场景下的数据分业务系统而构建，不同的业务场景使用不同的数据存储格式。这种数据存储方式导致数据冗余严重，同时也阻碍了企业的数字化转型。因此，企业在建设大数据平台时，希望能够建设统一数据存储，用一份数据支持多种使用场景，从而减少数据孤岛和冗余，通过数据共享产生更大价值。同时，这种数据存储还需要满足高效、易集成、易开发、易扩展以及开放性生态等需求。

华为FusionInsight大数据产品团队针对用户的诉求，从2013年开始调研分析业界大数据方案，发现每种技术都只能解决某种场景的诉求，不能同时满足上述的所有诉求。于是，华为FusionInsight大数据产品团队开发了CarbonData项目，针对当前大数据领域分析场景需求各异而导致的存储冗余问题，CarbonData提供了一种新的融合数据存储方案，以一份数据同时支持"交互式分析、详单查询、任意维度组合的过滤查询等"多种大数据应用场景，并通过丰富的索引技术、字典编码、列存等特性提升了IO扫描和计算性能，实现百亿数据级秒级响应，与大数据生态Apache Hadoop、Apache Spark等无缝集成。

Apache CarbonData主要有下面一些特点：

列式存储：高效的列式数据组织，可以实现列裁剪和过滤下压，使OLAP查询性能更高。同时，CarbonData针对明细数据查询实现了深度优化，在需要返回所有列的场景下性能优于其他列存方案。

丰富的索引支持：支持全局多维索引、文件索引、Min/Max、倒排索引等多种索引技术，从表级，文件级，列级等多个层级逐级快速定位数据，大幅提升性能。

全局字典编码：除了常见的Delta、RLE、BitPacking等编码外，CarbonData应用了全局字典编码来实现免解码的计算，计算框架可以直接使用经过编码的数据来做聚合，排序等计算，这对需要做跨节点数据交换的业务来说性能提升非常明显(3倍以上)。

自适应类型转换：CarbonData针对分析型应用中大量使用的数值类型（Double/Decimal/Numeric/BigInt）实现存储内数据类型转换，配合列式数据压缩，使得压缩非常高效，数据压缩率基于应用场景不同一般压缩比在2到8之间。

标准SQL和API：在SparkSQL基础上，支持标准SQL99/2003；支持数据批量更新、删除，适用于OLAP场景下数据的周期性刷新，例如拉链表更新、维表数据同步。提供JDBC/ODBC连接，支持与BI工具无缝对接；兼容Spark DataFrame/DataSet，支持复杂分析应用。

数据生态集成：支持与Hadoop、Spark等大数据生态系统集成，支持和商业BI工具无缝对接。既满足传统数仓、数据集市、BI应用要求，也提供大数据生态丰富多样的API支持，覆盖从GB级到EB级应用。

基于华为"源于开源、强于开源、回馈开源"的战略，华为FusionInsight大数据团队开发出CarbonData后，就积极向社区进行回馈。2015年，华为向社区贡献了CarbonData的代码；2016年6月，CarbonData全票通过进入Apache孵化器；2017年4月，经过来自华为、Intel、Talend、eBay、Inmobi、Knoldus、Habib Bank、交通银行、上汽、携程、丁香园、阿里、美团、乐视、滴滴等公司资深架构师和开发人员的努力，CarbonData经过不到一年的时间，毕业成为Apache顶级项目。这标志着CarbonData项目完全依照Apache way开源方式运作，并完成社区多样化工作。而对华为公司FusionInsight大数据团队而言，这标志着华为对Apache开源社区，不仅能够贡献代码和提案，也能够贡献顶级开源项目，华为对Apache社区的开源贡献，已经跨入了一个新的高度。这也是华为"源于开源、强于开源、回馈开源"战略的成功实践。