如何对多维查询场景进行技术选型？

根据不同的业务场景，可以选择使用不同的技术。
（1）维度相对固定的离线数据查询，可用Kylin。Kylin支持标准SQL，通过预计算将数据转换成Cube，提供高效的多维查询。然而，预计算需要事先定义好表结构和查询模型，查询灵活性较低。
（2）维度更加灵活，并且需要支持实时数据查询是，可用Druid。但Druid不支持SQL查询，与报表系统对接的难度略高。
（3）如果需要高度灵活的自定义查询，可以用Spark SQL完成数据转换、聚合等计算，再将结果输出到报表系统。

多维查询场景需求越来越多，但合适的查询引擎却不太多，如HBase比较适合特定维度的查询， Hive和Spark比较偏重于离线分析场景，Impala在小数据量下进行多维查询效果还不错，但是在大数据量下效率大打折扣。可选的引擎并不多，经过实践经验，以下几种可以做个参考：
1） Kylin
Kylin采用预计算的方式实现多个Cube，多维查询语句经过解析后最终会落到某个Cube中查询，是典型的空间换时间的策略。这种方案的好处是基于Kylin的查询效率极高，缺点是需要定期构建，时效性较差。
2） Elasticsearch
Elasticsearch也是列式存储，核心原理是倒排索引，所以查询效率非常高，多维度查询性能损失并不是很大，缺点是SQL支持不好，官方在6.3后开始支持SQL，但是某些查询仍然受限。所以对于简单的多维度查询，使用Elasticsearch比较适合，而复杂的查询（如多表嵌套、字段的各种函数式处理）暂时还不太合适。
3） Druid
Druid的思路有点像Kylin Cube预计算和倒排索引两个思想的结合（Kylin底层使用HBase存储），查询效率也很不错。
以上几种方案不是多维查询中唯一的选择，也不是哪一种方案就一定适合所有的查询场景，最终还是要以数据实际情况选择合适的引擎。