【电商数仓】数仓即席查询之Presto简介，安装，Presto优化之数据存储、查询SQL、一些注意事项
文章目录
- 一 Presto简介
- 1 Presto概念
- 2 Presto架构
- 3 Presto优缺点
- 4 Presto、Impala性能比较
- 二 Presto安装
- 1 Presto Server安装
- 2 Presto命令行Client安装
- 3 Presto可视化Client安装
- 三 Presto优化之数据存储
- 1 合理设置分区
- 2 使用列式存储
- 3 使用压缩
- 四 Presto优化之查询SQL
- 1 只选择使用的字段
- 2 过滤条件必须加上分区字段
- 3 Group By语句优化
- 4 Order by时使用Limit
- 5 使用Join语句时将大表放在左边
- 五 注意事项
- 1 字段名引用
- 2 时间函数
- 3 不支持INSERT OVERWRITE语法
- 4 PARQUET格式
即席查询解决灵活查询的需求，查询速度要快，可以查询hive的报表，可以理解为更快的查询引擎，如SparkSQL。
hive查询数据的速度和数据的规模成正比，数据越多查询越慢，presto和kylin用来查询中小型数据，对中小型数据查询的速度非常快，但对规模大的数据查询速度又非常慢。
一 Presto简介
1 Presto概念
Presto是一个开源的分布式SQL查询引擎，数据量支持GB到PB字节，主要用来处理秒级查询的场景。
PB字节的查询所需要的节点是十分巨大的。
注意：虽然Presto可以解析SQL，但它不是一个标准的数据库。不是MySQL、Oracle的代替品，也不能用来处理在线事务（OLTP）。
标准的数据库必然是存算一体的，Presto解决的是算，是一个SQL查询引擎。
2 Presto架构
Presto由一个Coordinator和多个Worker组成。
- CLI：可以理解为JDBC客户端，连接服务器。由客户端提交查询，从Presto命令行CLI提交到Coordinator。
- Coordinator解析查询计划，将一句SQL转换成job，然后把job分发给Worker执行，可以理解为主机，主要负责SQL的解析、生成工作计划和任务的划分。所以其可以直接接触 hive 的表格，依赖于Hive Metastore服务。类似于MR中AM，Spark中的Driver。
- Worker负责执行任务和处理数据，可以理解为从机，Worker完成以后，将数据汇集到Coordinator，Coordinator将结果再给CLI。类似于MapTask和ReduceTask，Spark中的Executor。
- Catolog表示数据源。一个Catelog包含Schema和Connector。
- Connector是适配器，用于Presto和数据源（如Hive、Redis）的连接，类似于JDBC。
- Schema类似于Mysql中数据库，Table类似于MySQL中表。
- Coordinator是负责从Worker获取结果并返回最终结果给Client。
3 Presto优缺点
优点：
- Presto基于内存运算，减少了硬盘IO，计算更快。
- 能够连接多个数据源，跨数据源连表查，如从Hive查询大量网站访问记录，然后从Mysql中匹配出设备信息。
缺点：
- Presto能够处理PB级别的海量数据分析，但Presto并不是把PB级数据都放在内存中计算的。而是根据场景，如Count，AVG等聚合运算，是边读数据边计算，再清内存，再读数据再计算，这种耗的内存并不高。但是连表查，就可能产生大量的临时数据，因此速度会变慢。
4 Presto、Impala性能比较
Impala性能稍领先于Presto，但是Presto在数据源支持上非常丰富，包括Hive、图数据库、传统关系型数据库、Redis等。
二 Presto安装
1 Presto Server安装
官网地址
下载地址
# 将presto-server-0.196.tar.gz导入hadoop101的/opt/software目录下，并解压到/opt/module目录
[hzy@hadoop101 software]$ tar -zxvf presto-server-0.196.tar.gz -C /opt/module/
# 修改名称为presto
[hzy@hadoop101 module]$ mv presto-server-0.196/ presto
# 进入到/opt/module/presto目录，并创建存储数据文件夹
[hzy@hadoop101 presto]$ mkdir data
# 进入到/opt/module/presto目录，并创建存储配置文件文件夹
[hzy@hadoop101 presto]$ mkdir etc
# 配置在/opt/module/presto/etc目录下添加jvm.config配置文件
[hzy@hadoop101 etc]$ vim jvm.config
# 添加如下内容，可以理解为presto启动java时的参数
-server
-Xmx16G
-XX:+UseG1GC
-XX:G1HeapRegionSize=32M
-XX:+UseGCOverheadLimit
-XX:+ExplicitGCInvokesConcurrent
-XX:+HeapDumpOnOutOfMemoryError
-XX:+ExitOnOutOfMemoryError
# Presto可以支持多个数据源，在Presto里面叫catalog，这里配置支持Hive的数据源，配置一个Hive的catalog
[hzy@hadoop101 etc]$ mkdir catalog
[hzy@hadoop101 catalog]$ vim hive.properties
# 添加如下内容
connector.name=hive-hadoop1
hive.metastore.uri=thrift://hadoop101:9083
# 将hadoop101上的presto分发到hadoop102、hadoop102
[hzy@hadoop101 module]$ xsync presto
# 分发之后，分别进入hadoop101、hadoop102、hadoop103三台主机的/opt/module/presto/etc的路径。配置node属性，node id每个节点都不一样。
[hzy@hadoop101 etc]$vim node.properties
node.environment=production
node.id=ffffffff-ffff-ffff-ffff-ffffffffffff
node.data-dir=/opt/module/presto/data[hzy@hadoop102 etc]$vim node.properties
node.environment=production
node.id=ffffffff-ffff-ffff-ffff-fffffffffffe
node.data-dir=/opt/module/presto/data[hzy@hadoop103 etc]$vim node.properties
node.environment=production
node.id=ffffffff-ffff-ffff-ffff-fffffffffffd
node.data-dir=/opt/module/presto/data
# Presto是由一个coordinator节点和多个worker节点组成。在hadoop101上配置成coordinator，在hadoop102、hadoop103上配置为worker。
# hadoop101上配置coordinator节点
[hzy@hadoop101 etc]$ vim config.properties
# 添加内容如下
coordinator=true
node-scheduler.include-coordinator=false
http-server.http.port=8881
query.max-memory=50GB
discovery-server.enabled=true
discovery.uri=http://hadoop101:8881
# hadoop102、hadoop103上配置worker节点
[hzy@hadoop102 etc]$ vim config.properties
# 添加内容如下
coordinator=false
http-server.http.port=8881
query.max-memory=50GB
discovery.uri=http://hadoop101:8881[hzy@hadoop103 etc]$ vim config.properties
# 添加内容如下
coordinator=false
http-server.http.port=8881
query.max-memory=50GB
discovery.uri=http://hadoop101:8881
# 在hadoop101的/opt/module/hive目录下，启动Hive Metastore，用hzy角色
[hzy@hadoop101 hive]$
nohup bin/hive --service metastore >/dev/null 2>&1 &
# 分别在hadoop101、hadoop102、hadoop103上启动Presto Server
# 前台启动Presto，控制台显示日志，容易修改错误
[hzy@hadoop101 presto]$ bin/launcher run
[hzy@hadoop102 presto]$ bin/launcher run
[hzy@hadoop103 presto]$ bin/launcher run
# 后台启动Presto
[hzy@hadoop101 presto]$ bin/launcher start
[hzy@hadoop102 presto]$ bin/launcher start
[hzy@hadoop103 presto]$ bin/launcher start
# 日志查看路径/opt/module/presto/data/var/log
2 Presto命令行Client安装
下载Presto的客户端
# 将presto-cli-0.196-executable.jar上传到hadoop102的/opt/module/presto文件夹下
# 修改文件名称
[hzy@hadoop101 presto]$ mv presto-cli-0.196-executable.jar prestocli
# 增加执行权限
[hzy@hadoop101 presto]$ chmod +x prestocli
# 启动prestocli
[hzy@hadoop101 presto]$ ./prestocli --server hadoop102:8881 --catalog hive --schema gmall
# Presto命令行操作
show tables;
# Presto的命令行操作，相当于Hive命令行操作。每个表必须要加上schema。
# 例如：
# select * from schema.table limit 100
select * from gmall.ads_activity_stats;
3 Presto可视化Client安装
# 将yanagishima-18.0.zip上传到hadoop101的/opt/module目录
# 解压缩yanagishima
[hzy@hadoop101 module]$ unzip yanagishima-18.0.zip
cd yanagishima-18.0
# 进入到/opt/module/yanagishima-18.0/conf文件夹，编写yanagishima.properties配置
[hzy@hadoop101 conf]$ vim yanagishima.properties
# 添加如下内容
jetty.port=7080
presto.datasources=hzy-presto
presto.coordinator.server.hzy-presto=http://hadoop101:8881
catalog.hzy-presto=hive
schema.hzy-presto=default
sql.query.engines=presto
# 在/opt/module/yanagishima-18.0路径下启动yanagishima
[hzy@hadoop101 yanagishima-18.0]$
nohup bin/yanagishima-start.sh >y.log 2>&1 &
# 启动web页面
http://hadoop101:7080
# 看到界面，进行查询。
查看表结构
这里有个Tree View，可以查看所有表的结构，包括Schema、表、字段等。
比如执行select * from hive.dw_weather.tmp_news_click limit 10，这个句子里Hive这个词可以删掉，是上面配置的Catalog
每个表后面都有个复制键，点一下会复制完整的表名，然后再上面框里面输入sql语句，ctrl+enter键执行显示结果
三 Presto优化之数据存储
1 合理设置分区
与Hive类似，Presto会根据元数据信息读取分区数据，合理的分区能减少Presto数据读取量，提升查询性能。
2 使用列式存储
Presto对ORC文件读取做了特定优化，因此在Hive中创建Presto使用的表时，建议采用ORC格式存储。相对于Parquet，Presto对ORC支持更好。
3 使用压缩
数据压缩可以减少节点间数据传输对IO带宽压力，对于即席查询需要快速解压，建议采用Snappy压缩。
四 Presto优化之查询SQL
1 只选择使用的字段
由于采用列式存储，选择需要的字段可加快字段的读取、减少数据量。避免采用*读取所有字段。
[GOOD]: SELECT time, user, host FROM tbl[BAD]: SELECT * FROM tbl
2 过滤条件必须加上分区字段
对于有分区的表，where语句中优先使用分区字段进行过滤。acct_day是分区字段，visit_time是具体访问时间。
[GOOD]: SELECT time, user, host FROM tbl where acct_day=20171101[BAD]: SELECT * FROM tbl where visit_time=20171101
3 Group By语句优化
合理安排Group by语句中字段顺序对性能有一定提升。将Group By语句中字段按照每个字段distinct数据多少进行降序排列。
[GOOD]: SELECT GROUP BY uid, gender[BAD]: SELECT GROUP BY gender, uid
4 Order by时使用Limit
Order by需要扫描数据到单个worker节点进行排序，导致单个worker需要大量内存。如果是查询Top N或者Bottom N，使用limit可减少排序计算和内存压力。
[GOOD]: SELECT * FROM tbl ORDER BY time LIMIT 100[BAD]: SELECT * FROM tbl ORDER BY time
5 使用Join语句时将大表放在左边
Presto中join的默认算法是broadcast join，即将join左边的表分割到多个worker，然后将join右边的表数据整个复制一份发送到每个worker进行计算。如果右边的表数据量太大，则可能会报内存溢出错误。
在MySQL的引擎中，最好将大表放在右边。
[GOOD] SELECT ... FROM large_table l join small_table s on l.id = s.id[BAD] SELECT ... FROM small_table s join large_table l on l.id = s.id
五 注意事项
1 字段名引用
避免和关键字冲突：MySQL对字段加反引号`、Presto对字段加双引号分割
当然，如果字段名称不是关键字，可以不加这个双引号。
2 时间函数
对于Timestamp，需要进行比较的时候，需要添加Timestamp关键字，而MySQL中对Timestamp可以直接进行比较。
/*MySQL的写法*/
SELECT t FROM a WHERE t > '2017-01-01 00:00:00'; /*Presto中的写法*/
SELECT t FROM a WHERE t > timestamp '2017-01-01 00:00:00';
3 不支持INSERT OVERWRITE语法
Presto中不支持insert overwrite语法，只能先delete，然后insert into。
4 PARQUET格式
Presto目前支持Parquet格式，支持查询，但不支持insert。
【电商数仓】数仓即席查询之Presto简介，安装，Presto优化之数据存储、查询SQL、一些注意事项相关推荐
- 数据仓库项目（第五节）数仓理论、电商业务数仓介绍与创建
目录 数仓理论 表的分类 实体表 维度表 事务型事实表 周期型事实表 同步策略 实体表同步策略 维度表同步策略 事务型事实表同步策略 周期型事实表同步策略 范式理论 范式概念 函数依赖 三范式区分 关 ...
- 电商离线数仓项目实战（下）
电商离线数仓项目实战(下) 电商分析--核心交易 文章目录 电商离线数仓项目实战(下) 电商分析--核心交易 一.业务需求 二.业务数据库表结构 1. 数据库表之间的联系 img 2. 业务数据库-- ...
- 电商离线数仓-业务数仓指标(GMV主题/转化率主题)
GMV和转化率 GMV主题 GMV的概念 GMV表的创建 GMV表里导入数据 转化率 转化率概念 转化率表的创建 转化率表里导入数据 ADS层用户行为漏斗分析 GMV主题 GMV的概念 什么是GMV? ...
- 如何选择大数据存储查询引擎
目录: 1.从需求说起 2.救星OlAP 3.新的问题,高并发 随着大数据技术的成熟,涌现了非常多的成熟框架和技术,在大数据存储查询引擎方面也有非常多的优秀产品.为什么出现这么多的优秀产品,为什么不是 ...
- 万亿级日志与行为数据存储查询技术剖析
http://www.sohu.com/a/126082450_355140 目前大数据存储查询方案大概可以分为:Hbase系.Dremel系.预聚合系.Lucene系,本文作者将就自身的使用经验说说 ...
- 万亿级日志与行为数据存储查询技术剖析——Hbase系预聚合方案、Dremel系parquet列存储、预聚合系、Lucene系...
转自:http://www.infoq.com/cn/articles/trillion-log-and-data-storage-query-techniques?utm_source=infoq& ...
- 电商数仓数仓环境搭建
1.hive环境搭建 1.1.hive引擎简介 Hive引擎包括:默认MR.tez.spark Hive on Spark:Hive既作为存储元数据又负责SQL的解析优化,语法是HQL语法,执行引擎变 ...
- 大数据电商离线数仓项目-上篇
下一篇:电商数仓项目-下篇 文章目录 第1章 数仓分层 1.1 为什么要分层 1.2 数据集市与数据仓库概念 1.3 数仓命名规范 1.3.1 表命名 1.3.2 脚本命名 1.3.3 表字段类型 第 ...
- 大数据电商离线数仓项目-下篇
上一篇:电商数仓系统1 文章目录 第5章 数仓搭建-DWS层 5.1 业务术语 5.2 系统函数 5.2.1 nvl函数 5.2.2 日期处理函数 5.2.3 复杂数据类型定义 5.3 DWS层 5. ...
最新文章
- AI技术出海 - 阿里云GPU服务器助力旷视勇夺4项世界第一
- Android中将布局文件/View添加至窗口过程分析 ---- 从setContentView()谈起
- 数据段描述符和代码段描述符（一）——《x86汇编语言：从实模式到保护模式》读书笔记10
- [T-ARA][그녀를 보면][看着那个女人的话]
- css获取到指定元素的宽度，在回调返回宽度值
- JAVA_SE基础——24.面向对象的内存分析
- 我很高兴地宣布我正在编写第一本官方ABP图书
- android github轮播图,GitHub - ZTJzzz/Banner: Android轮播图
- zabbix自定义SNMP监控项
- springmvc 使用Jackson的配置
- require smarty.class.php 报错,Smarty 报错
- 浅析欢乐时光（HAPPY TIME）病毒 (转)
- 软件测试项目实战，适合大家练习的实战项目有。
- 经济学人精读丨中国的电子商务
- poj 3626 Mud Puddles
- 电脑常用快捷键与指示灯
- 分布式链路追踪系统深入理解
- 举个栗子！Tableau 技巧（116）：做一个有趣的锥状柱形图
- GLU（Gated Linear Unit，门控线性单元）简介
- 教你入侵RedHat Linux