是什麼？

Druid.io是面向海量資料的、用於實時查詢與分析的OLAP儲存系統。

Druid的四大關鍵特性：

• 亞秒級的OLAP查詢分析。Druid採用了列式儲存、倒排索引、點陣圖索引等關鍵技術，能夠在亞秒級別內完成海量資料的過濾、聚合以及多維分析等操作。
• 實時流資料分析。區別於傳統分析型資料庫採用的批量匯入資料進行分析的方式，Druid提供了實時流資料分析，採用LSM(Long structure merge)-Tree結構使Druid擁有極高的實時寫入效能；同時實現了實時資料在亞秒級內的視覺化。
• 豐富的資料分析功能。針對不同使用者群體，Druid提供了友好的視覺化介面、類SQL查詢語言以及REST 查詢介面。
• 高可用性與高可拓展性。Druid採用分散式、SN(share-nothing)架構，管理類節點可配置HA，工作節點功能單一，不相互依賴，這些特性都使得Druid叢集在管理、容錯、災備、擴容等方面變得十分簡單。

大資料時代，如何從海量資料中提取有價值的資訊，是一個亟待解決的難題。針對這個問題，IT巨頭們已經開發了大量的資料儲存與分析類產品，比如IBM Netezza、HP Vertica、EMC GreenPlum等，但是他們大多是昂貴的商業付費類產品，業內使用者寥寥。而受益於近年來高漲的開源精神，業內出現了眾多優秀的開源專案，其中最有名的當屬Apache Hadoop生態圈。時至今日，Hadoop已經成為了大資料的“標準”解決方案，但是，人們在享受Hadoop便捷資料分析的同時，也必須要忍受Hadoop在設計上的許多“痛點”，下面就羅列三方面的問題：

• 何時能進行資料查詢？對於Hadoop使用的Map/Reduce批處理框架，資料何時能夠查詢沒有效能保證。
• 隨機IO問題。MapReduce批處理框架所處理的資料需要儲存在HDFS上，而HDFS是一個以叢集硬碟作為儲存資源池的分散式檔案系統，那麼在海量資料的處理過程中，必然會引起大量的讀寫操作，此時隨機IO就成為了高併發場景下的效能瓶頸。
• 資料視覺化問題。HDFS是一個優秀的分散式檔案系統，但是對於資料分析以及資料的j及時查詢，HDFS並不是最優的選擇。

傳統的大資料處理架構Hadoop更傾向於一種“後臺批處理的資料倉庫系統”，其作為海量歷史資料儲存、冷資料分析，確實是一個優秀的通用解決方案，但是 如何保證高併發環境下海量資料的查詢分析效能，以及如何實現海量實時資料的查詢分析與視覺化，