好问题！很多刚接触Hive LLAP的朋友都会有这个疑惑，我来给你掰扯清楚：

核心结论 #

LLAP 仅支持Hive原生的Tez执行引擎，Spark和MapReduce（MR）这两个引擎是没办法直接用上LLAP的功能的。

具体原因 #

• LLAP从设计之初就绑定了Tez：LLAP是专门为Hive on Tez打造的增强组件，它靠常驻内存的LLAP守护进程来缓存数据、预编译查询片段，这些优化逻辑和Tez的任务调度、执行模型深度绑定。而Spark和MR的执行架构完全是另一套路子，根本适配不了LLAP的内存缓存和处理机制。
• MR本身的属性就和LLAP不搭：MR是基于磁盘的批处理引擎，追求的是高吞吐量而非低延迟，LLAP的那些低延迟优化（比如内存缓存、增量处理）和MR的执行模式完全不匹配，Hive官方也从来没打算给MR适配LLAP。
• Spark有自己的一套优化体系：Spark本身就有成熟的内存管理和缓存机制（比如RDD缓存、Spark SQL的列式存储缓存），它和Hive LLAP是两套独立的优化方案。虽然你可以通过Hive on Spark来运行Hive查询，但没法复用LLAP的守护进程集群和缓存能力。

替代方案 #

如果想用Spark获得类似LLAP的低延迟查询效果，可以试试这些办法：

• 开启Spark SQL的spark.sql.cache.enabled配置，把常用的表或者查询结果缓存起来
• 搭配使用Spark的列式存储格式（比如Parquet、ORC），再加上分区、桶表的优化
• 部署Spark Thrift Server提供交互式查询服务，能达到类似LLAP的低延迟访问体验

内容的提问来源于stack exchange，提问作者tooptoop4