✕
欢迎参与 8 月 1 日中午 11 点的线上分享，了解 GreptimeDB 联合处理指标和日志的最新方案！ 👉🏻 点击加入
Skip to content 
关于 Apache Pinot
Apache Pinot 是一个为大规模超低延迟分析而设计的实时分布式 OLAP 数据存储系统。最初在 LinkedIn 开发，Pinot 专注于需要在大型数据集上提供亚秒级响应时间的用户面向分析应用。它具有列式存储、可插拔索引技术，并支持实时流式和批量摄取。Pinot 在高基数、多维数据的切片操作、钻取和复杂分析查询方面表现出色。
GreptimeDB vs. Apache Pinot
| 特性/方面 | GreptimeDB | Apache Pinot |
|---|---|---|
| 数据模型 | 统一可观测数据库 | 实时 OLAP 分析数据库 |
| 主要焦点 | 时序数据与可观测性（指标、日志、链路追踪） | 用户面向的实时分析和报表 |
| 多模型支持 | 指标、日志与链路追踪在一个数据库中 | 仅分析数据（需要独立系统处理可观测性） |
| 查询使用场景 | 时序查询、监控、告警、可观测性 | OLAP 查询、切片操作、钻取、透视操作 |
| 数据摄取协议 | SQL gRPC InfluxDB 行协议 Prometheus 远程存储 OpenTelemetry HTTP API | Kafka Pulsar Kinesis 批处理（Hadoop、Spark、S3） REST API |
| 查询语言 | SQL & PromQL（双接口） | SQL & PromQL（通过插件支持，v1.3.0+ 实验性功能） |
| 查询性能 | 针对时序模式优化的亚秒级响应 | 针对 OLAP 工作负载优化的亚秒级响应 |
| 索引策略 | 时序优化（倒排索引、全文搜索、向量搜索） | OLAP 优化（StarTree、布隆过滤器、范围、文本、JSON、地理空间） |
| 存储格式 | Apache Parquet（时序优化） | 列式存储，支持字典编码和压缩 |
| 实时处理 | 原生时序流式处理与 Pipeline 引擎 | 基于 Lambda 架构的实时 OLAP |
| 数据保留 | 针对可观测性数据的灵活 TTL 策略 | 分层存储（热、温、冷） |
| 扩展性模型 | 针对时序工作负载的计算存储分离 | 针对高并发分析的水平扩展 |
| 并发能力 | 针对监控和告警查询优化 | 支持数十万并发分析查询 |
| 用例 | 基础设施监控、应用可观测性、物联网数据分析、实时告警 | 用户面向的仪表板、商业分析、交互式报表 |
| 架构 | 以可观测性为重点的云原生分布式架构 | 基于 Controller、Broker、Server 架构的分布式 OLAP |
| 数据压缩 | 时序感知压缩 | 多种压缩方案（游程编码、LZ4、Snappy） |
| 模式管理 | 具有时序语义的写时模式 | 具有 OLAP 优化的写时模式 |
| 部署复杂度 | 为完整可观测性堆栈提供单一系统 | 用于分析的复杂多组件部署 |
| 许可证 | Apache 2.0 | Apache 2.0 |
| 编程语言 | Rust（内存安全、高性能） | Java（生态系统兼容性） |
| 生态系统集成 | 深度可观测性生态系统（Grafana、Prometheus、OpenTelemetry） | 分析生态系统（Superset、Tableau、自定义仪表板） |
加入我们的社区
获取 Greptime 最新更新，并与其他用户讨论。