各类型对比

ROLAP基于关系，它的OLAP引擎就是将用户的OLAP操作，如上钻下钻过滤合并等，转换成SQL语句提交到数据库中执行，并且提供聚集导航功能，根据用户操作的维度和度量将SQL查询定位到最粗粒度的事实表上去。

MOLAP事先将汇总数据计算好，存放在自己特定的多维数据库中，用户的OLAP操作可以直接映射到多维数据库的访问，不通过SQL访问。

下面这句话应该是有问题的。
ROLAP提供了更大的灵活度，MOLAP提供提供了更加快速的响应速度。但是带来的问题是，数据装载的效率非常低，但是带来的问题是，数据装载的效率非常低，因为其实就是将多维的数据预先填好，但是随着数据量过大维度成本越高，容易引起“数据爆炸”

ROLAP 关系型

关系型，从明细数据直接聚合

主要有维度表和事实表。

关系型OLAP，通过对原始明细数据实时聚合计算的方式来进行数据查询，比如Presto、clickhouse等OLAP引擎。
例如Presto，clickhouse

ROLAP架构

计算还是在数据库中，大数据场景中这里可以把左侧的数据库看作hive

相关产品

presto

presto通过全内存计算、pipeline、动态代码生成机制
定位交互查询

clickhouse

clickhouse使用列式存储，代码编译
存储采用merge tree
主键不是唯一的
定位维度较低的实时查询

Doris

MOLAP 多维

多维型，预计算
例如kylin，druid

multi-dimensional
多维型OLAP，通过摄入数据时对原始明细数据进行预聚合加工处理，然后通过预聚合数据进行数据查询，比如kylin、druid等OLAP引擎。

MOLAP架构

数据直接加载到olap server中

典型的产品

kylin

支持kafka、hive、rdbms查询
将完全命中的cube聚合查询转化为简单的select操作。底层存储配合HBase但高吞吐和低延时，可以达到毫秒级的查询性能。

druid

通过位图索引、字典编码、预聚合计算实现的

HOLAP 混合型

即混合型的，细节数据以ROLAP存放，聚合数据以MOLAP存放，相对灵活和高效ciao

HOLAP架构

结合了ROLAP和MOLAP的优点。