效能比較

• 比較完成本後，效能肯定也不能比 BigQuery 差到哪裡去，否則得了便宜後例行工作需花三倍時間執行豈不是得不償失。
• 這邊筆者拿公司於 BigQuery 上執行之較複雜工作 ( 測試用查詢 )，也就是計算訂單邏輯之任務作為比較基準，測試 Trino 執行效能上的表現：
• 首先一號參賽者當然是我們的衛冕者 BigQuery 選手，將測試用查詢語法 於 BigQuery 上執行 10 次，得到平均執行時間 33 秒的成績：

• 二號選手是不同 worker 數量的 Trino cluster，測試結果從 4 nodes 的 OOM 根本無法執行 進步到 27 nodes 的平均執行時間 78 秒的成績：

比賽結果

最後，將 效能比較 之秒數與查詢成本綜合比較如下。

雖從成本比較 (以 BigQuery 使用資源直接對應) 來看，似乎遷移至 Lakehouse 能節省支出，但若一併納入效能考量，兩者的差距並不顯著。

那是否意味著 Lakehouse 毫無優勢可言？未必。雖然 Lakehouse 查詢效能略遜一籌，但別忘了其在儲存成本上的明顯優勢。

更重要的是，BigQuery 的效能已屬業界頂尖，對大多數企業的分析工作來說，並不需要如此極致的查詢速度。綜合權衡之下，將批次查詢轉移至 Lakehouse 架構，仍具有實質效益。

明日預告

到這裡，其實《為什麼我改用 Iceberg》系列的核心脈絡已經交代得相當清楚。接下來的《為什麼我改用 Iceberg（三）》則可以視為一篇「外傳」，專門補充前面尚未展開的兩大特色：基模演進（Schema Evolution）與增量查詢（Incremental Read）。

Know me more

My Linkedin: https://www.linkedin.com/in/benny0624/
My Medium: https://hndsmhsu.medium.com/