Presto分布式SQL查询引擎

一、课前准备

1. jdk版本要求：Java 8 Update 151 or higher (8u151+), 64-bit

2. 安装好hadoop集群

3. 安装好hive

二、课堂主题

1. 介绍presto

2. presto架构

3. prsto安装部署

4. presto使用

三、课堂目标

1. 理解presto

2. 独立完成presto安装部署

3. 使用presto

 

四、知识要点

1. Presto是什么？

• Hadoop提供了大数据存储与计算的一整套解决方案；但是它采用的是MapReduce计算框架，只适合离线和批量计算，无法满足快速实时的Ad-Hoc查询计算的性能要求

• Hive使用MapReduce作为底层计算框架，是专为批处理设计的。但随着数据越来越多，使用Hive进行一个简单的数据查询可能要花费几分到几小时，显然不能满足交互式查询的需求。

• Facebook于2012年秋开始开发了Presto，每日查询数据量在1PB级别。Facebook称Presto的性能比Hive要快上10倍多。2013年Facebook正式宣布开源Presto。

• Presto是apache下开源的==OLAP的分布式SQL查询引擎==，数据量支持从GB到PB级别的数据量的查询，并且查询时，能做到秒级查询。

• 另外，Presto虽然可以解析SQL，但它并非是标准的数据库；不能替代如MySQL、PostgreSQL、Oracle关系型数据库，不是用于处理OLTP的

• presto是利用分布式查询，高效的对海量数据进行查询；

• presto可以用来查询hdfs上的海量数据；但是，presto不仅仅可以用来查询hdfs的数据，它还被设计成能够对很多其他的数据源的数据做查询；

• 比如数据源有HDFS、Hive、Druid、Kafka、kudu、MySQL、Redis等；下图是Presto 0.237支持的数据源

• 

   

2. Presto架构

 

• Presto查询引擎是一个Master-Slave的架构，Coordinator是主，worker是从；

• 一个presto集群，由一个Coordinator节点，一个Discovery Server节点（通常内嵌于Coordinator节点中），多个Worker节点组成

  • Coordinator负责接收查询请求、解析SQL语句、生成执行计划、任务调度给Worker节点执行、worker管理。

  • Worker节点是工作节点；负责实际执行查询任务Task；Worker节点启动后向Discovery Server服务注册；Coordinator从Discovery Server获得可以正常工作的Worker节点。

• Presto CLI提交查询到Coordinator

• catalog表示数据源；每个catalog包含Connector及Schema

  • 其中Connector是数据源的适配器；presto通过Connector与不同的数据源（如Redis、Hive、Kafka）连接；如果配置了Hive Connector，需要配置一个Hive MetaStore服务为Presto提供Hive元信息，Worker节点与HDFS交互读取数据。

  • Schema类似于MySQL中的数据库的概念；Schema中又包含Table，类似于MySQL中的表

 

3. Presto特点

1. 优点

• 高性能：Presto基于内存计算，减少数据的落盘，计算更快；轻量快速，支持近乎实时的查询

• 多数据源：通过配置不同的Connector，presto可以连接不同的数据源，所以可以将来自不同数据源的表进行连接查询

• 支持SQL：完全支持ANSI SQL，并提供了sql shell命令行工具

• 扩展性：可以根据实际的需要，开发特定的数据源的Connector，从而可以sql查询此数据元的数据

2. 缺点

• 虽然Presto是基于内存做计算；但是数据量大时，数据并非全部存储在内存中；

  • 比如Presto可针对PB级别的数据做计算，但Presto并非将所有数据全部存储在内存中，不同场景有不同做法；

  • 比如count， avg等聚合运算，会读部分数据，计算，在清理内存；再读数据再计算、清理内存；所以占据内存并不是很高；

  • 但是如果做join操作，中间可能会产生大量的临时数据，造成执行速度变慢；join时，hive的数据反而更快些。所以如果join的话，建议在hive中，先进行join生成宽表，再使用presto查询此宽表数据

3. presto与impala对比

• impala性能比presto稍好

• 但是，impala只能对接hive；而presto能对接很多种类的数据源

 

4. 安装部署Presto

官网地址：https://prestodb.io/

github地址

presto集群规划

主机名	角色
node01	coordinator
node02	worker
node03	worker

1. 安装部署Presto Server

• presto要求

• 

   

 

• 确认python版本是2.4+

• 

   

 

• 确认java版本是8u151+；若如下图，是151之前的版本，安装presto时，需要特殊处理

• 

   

1. 下载安装包

https://repo1.maven.org/maven2/com/facebook/presto/presto-server/0.237/presto-server-0.237.tar.gz

然后将tar.gz包上传到node01的/kkb/soft目录

2. 解压

cd /kkb/soft/
tar -xzvf presto-server-0.237.tar.gz -C /kkb/install/

3. 配置JAVA

• 若java版本低于8u151，那么需要上传8u151+的版本压缩包到/kkb/soft；若不低于，则跳过此步骤

• 解压

cd /kkb/soft/
tar -xzvf jdk-8u251-linux-x64.tar.gz -C /kkb/install/
cd /kkb/install/
scp -r jdk1.8.0_251/ node02:$PWD
scp -r jdk1.8.0_251/ node03:$PWD

• 指定presto使用的java版本（3个节点都要修改）

ln -s presto-server-0.237/ presto
vim /kkb/install/presto/bin/launcher

添加如下内容

PATH=/kkb/install/jdk1.8.0_251/bin:$PATH
java -version

注意：需要加在exec "$(dirname "$0")/launcher.py" "$@"之前

 

3. 创建相关目录

• 创建存储数据文件夹；presto将存储log及其他数据到此目录

cd /kkb/install
cd presto
mkdir data

• 创建存储配置文件的文件夹

<span style="color:#333333">mkdir etc</span>

4. 添加JVM配置文件

• etc目录下添加jvm.config配置文件

cd /kkb/install/presto/etc
vim jvm.config

• 内容如下

-server
-Xmx16G
-XX:+UseG1GC
-XX:G1HeapRegionSize=32M
-XX:+UseGCOverheadLimit
-XX:+ExplicitGCInvokesConcurrent
-XX:+HeapDumpOnOutOfMemoryError
-XX:+ExitOnOutOfMemoryError</span>

5. 配置数据源

presto支持不同的数据源，通过catalog进行配置；不同的数据源，有不同的catalog

• 现以hive数据源为例，创建个hive的catalog

• etc中创建目录catalog

cd /kkb/install/presto-server-0.237/etc
mkdir catalog
cd catalog
vim hive.properties

• 添加如下内容 注：因编辑问题凡遇到<span style="color:#333333"> 、</span>自动忽略

<span style="color:#333333">connector.name=hive-hadoop2
hive.metastore.uri=thrift://node03:9083</span>

6. 分发presto

<span style="color:#333333">cd /kkb/install/
scp -r presto node02:/kkb/install/
scp -r presto node03:/kkb/install/</span>

7. 配置node.properties

• 进入三台节点的/kkb/install/presto/etc目录，修改node.properties文件

<span style="color:#333333">cd /kkb/install/presto/etc
vim node.properties</span>

• 三台节点的内容==分别==如下

<span style="color:#333333"># node01如下内容
node.environment=production
node.id=ffffffff-ffff-ffff-ffff-fffffffffff1
node.data-dir=/kkb/install/presto/data
​
# node2如下内容
node.environment=production
node.id=ffffffff-ffff-ffff-ffff-fffffffffff2
node.data-dir=/kkb/install/presto/data
​
# node03如下内容
node.environment=production
node.id=ffffffff-ffff-ffff-ffff-fffffffffff3
node.data-dir=/kkb/install/presto/data</span>

说明：

node.environment 环境的名称；presto集群各节点的此名称必须保持一致

node.id presto每个节点的id，必须唯一

node.data-dir 存储log及其他数据的目录

8. 配置config.properties

• 通过配置config.properties文件，指明server是coordinator还是worker

• 虽然presto server可以同时作为coordinator和worker；但是为了更好的性能，一般让server要么作为coordinator，要么作为worker

• presto是主从架构；主是coordinator，从是worker

• 现设置node01作为coordinator节点；node02、node03节点作为worker节点

• node01上配置coordinator

<span style="color:#333333">cd /kkb/install/presto/etc
vim config.properties</span>

• 添加如下内容

<span style="color:#333333">coordinator=true
node-scheduler.include-coordinator=false
http-server.http.port=8880
query.max-memory=50GB
query.max-memory-per-node=1GB
discovery-server.enabled=true
discovery.uri=http://node01:8880</span>

说明：

coordinator=true 允许此presto实例作为coordinator

node-scheduler.include-coordinator 是否允许在coordinator上运行work

http-server.http.port presto使用http服务进行内部、外部的通信；指定http server的端口

query.max-memory 一个查询运行时，使用的所有的分布式内存的总量的上限

query.max-memory-per-node query在执行时，使用的任何一个presto服务器上使用的内存上限

discovery-server.enabled presto使用discovery服务，用来发现所有的presto节点

discovery.uri discovery服务的uri

• node02、node03上配置worker

<span style="color:#333333">cd /kkb/install/presto/etc
vim config.properties</span>

• 添加如下内容

<span style="color:#333333">coordinator=false
http-server.http.port=8880
query.max-memory=50GB
discovery.uri=http://node01:8880</span>

9. 启动presto server

• 若要用presto对接hive数据，需要启动hive metastore服务

• 上课环境：hive安装在node03上，所以在node03启动metastore服务

<span style="color:#333333">nohup hive --service metastore > /dev/null 2>&1 &</span>

• 在node01、node02、node03上分别启动presto server，执行以下命令

<span style="color:#333333">cd /kkb/install/presto
# 前台启动，控制台打印日志
bin/launcher run
# 或使用后台启动presto
bin/launcher start</span>

• jps查看，各节点出现名为PrestoServer的进程

• 日志所在目录

<span style="color:#333333">/kkb/install/presto/data/var/log</span>

 

2. 安装部署Presto命令行接口

1. 下载安装包

• 下载地址：https://repo1.maven.org/maven2/com/facebook/presto/presto-cli/0.237/presto-cli-0.237-executable.jar

• 安装包放到node01的目录/kkb/soft

2. 重命名文件

<span style="color:#333333">cd /kkb/soft
mv presto-cli-0.237-executable.jar prestocli</span>

3. 增加可执行权限

<span style="color:#333333">chmod u+x prestocli</span>

4. 启动presto cli

• 注意：==先启动HDFS==

• 查看presto客户端jar包的使用方式

<span style="color:#333333">./prestocli --help</span>

• 两种方式；方式一

<span style="color:#333333">./prestocli --server node01:8880 --catalog hive --schema default</span>

说明：

--catalog hive 中的hive指的是etc/catalog中的hive.properties的文件名

• 方式二

<span style="color:#333333">java -jar presto-cli-0.237-executable.jar --server node01:8880 --catalog hive --schema default</span>

• 退出presto cli

<span style="color:#333333">quit</span>

 

5. 体验命令操作

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前缀；例如

<span style="color:#333333">select * from schema.table limit 5
​
或者切换到指定的schema，再查询表数据
use myhive;
select * from score limit 3;</span>

 

3. 安装部署Presto 可视化客户端

1. 下载安装包

• presto有个开源的带可视化界面的客户端yanagishima

• 源码下载地址：yanagishima

• 官网地址

• 将下载的包yanagishima-18.0.zip上传到node01点/kkb/soft目录

2. 解压缩

<span style="color:#333333">cd /kkb/soft
unzip -d /kkb/install yanagishima-18.0.zip
​
# 若出现-bash: unzip: command not found，表示没有安装unzip；需要安装；然后再解压缩
sudo yum -y install unzip zip
​
cd /kkb/install/yanagishima-18.0</span>

 

3. 修改配置文件

• 修改yanagishima.properties文件

<span style="color:#333333">cd /kkb/install/yanagishima-18.0/conf
vim yanagishima.properties</span>

• 添加如下内容

<span style="color:#333333">jetty.port=7080
presto.datasources=kkb-presto
presto.coordinator.server.kkb-presto=http://node01:8880
catalog.kkb-presto=hive
schema.kkb-presto=default
sql.query.engines=presto</span>

 

4. 启动yanagishima

<span style="color:#333333">后台启动：nohup bin/yanagishima-start.sh >yanagishima.log 2>&1 &
​
[hadoop@node01 yanagishima-18.0]$ pwd
/kkb/install/yanagishima-18.0
前台启动：bin/yanagishima-start.sh
>yanagishima.log </span>

• node01上多出名为YanagishimaServer的进程

• 启动web界面

  http://node01:7080

  在界面中进行查询了

  若ui界面显示很慢，或者不显示，可以尝试将node01替换成相应的ip地址

• 查看表结构；

• 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组合键或Run按钮执行显示结果

• 

   

• 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.myhive.score，这个句子里Hive这个词可以删掉，即变成select * from myhive.score；hive是上面配置的Catalog名称

• 注意：==sql语句末尾不要加分号;否则报错==

• 

   

5. Presto查询及优化

 

1. Presto sql语法

• 以下用hive connector演示

• 查看schema有哪些

<span style="color:#333333">SHOW SCHEMAS;</span>

• 查看有哪些表

<span style="color:#333333">SHOW TABLES;</span>

• 创建schema

<span style="color:#333333">语法：CREATE SCHEMA [ IF NOT EXISTS ] schema_name
​
CREATE SCHEMA testschema;</span>

• 删除schema

<span style="color:#333333">语法：DROP SCHEMA [ IF EXISTS ] schema_name
drop schema testschema;</span>

• 创建表

<span style="color:#333333">语法：CREATE TABLE [ IF NOT EXISTS ]
table_name (column_name data_type [ COMMENT comment],... ]
​
create table stu4(id int, name varchar(20));</span>

• 创建表CTAS

<span style="color:#333333">语法：
CREATE TABLE [ IF NOT EXISTS ] table_name [ ( column_alias, ... ) ]
[ COMMENT table_comment ]
[ WITH ( property_name = expression [, ...] ) ]
AS query
[ WITH [ NO ] DATA ]
​
create table if not exists myhive.stu5 as select id, name from stu1;</span>

• 删除表中符合条件的行

<span style="color:#333333">语法：DELETE FROM table_name [ WHERE condition ]
说明：hive connector只支持一次性的删除一个完整的分区；不支持删除一行数据
​
DELETE FROM order_partition where month='2019-03';</span>

• 查看表的描述信息

<span style="color:#333333">DESCRIBE hive.myhive.stu1;</span>

• ANALYZE获得表及列的统计信息

<span style="color:#333333">语法：ANALYZE table_name
​
ANALYZE hive.myhive.stu1;</span>

• prepare 给statement起一个名称，等待将来的执行

• execute执行一个准备好的statement

<span style="color:#333333">语法：PREPARE statement_name FROM statement
​
prepare my_select1 from select * from score;
execute my_select1;
​
prepare my_select2 from select * from score where s_score < 90 and s_score > 70;
execute my_select2;
​
prepare my_select3 from select * from score where s_score < ? and s_score > ?;
execute my_select3 using 90, 70;</span>

• EXPLAIN：查询一个statement的逻辑计划或分布式执行计划，或校验statement

<span style="color:#333333">语法：
EXPLAIN [ ( option [, ...] ) ] statement
​
where option can be one of:
​
    FORMAT { TEXT | GRAPHVIZ | JSON }
    TYPE { LOGICAL | DISTRIBUTED | VALIDATE | IO }
​
查询逻辑计划语句：
explain select s_id, avg(s_score) from score group by s_id;
等价于
explain (type logical)select s_id, avg(s_score) from score group by s_id;
​
查询分布式执行计划distributed execution plan
explain (type distributed)select s_id, avg(s_score) from score group by s_id;
​
校验语句的正确性
explain (type validate)select s_id, avg(s_score) from score group by s_id;
​
explain (type io, format json)select s_id, avg(s_score) from score group by s_id;</span>

• SELECT查询

<span style="color:#333333">语法：
[ WITH with_query [, ...] ]
SELECT [ ALL | DISTINCT ] select_expr [, ...]
[ FROM from_item [, ...] ]
[ WHERE condition ]
[ GROUP BY [ ALL | DISTINCT ] grouping_element [, ...] ]
[ HAVING condition]
[ { UNION | INTERSECT | EXCEPT } [ ALL | DISTINCT ] select ]
[ ORDER BY expression [ ASC | DESC ] [, ...] ]
[ LIMIT [ count | ALL ] ]
​
from_item：
table_name [ [ AS ] alias [ ( column_alias [, ...] ) ] ]
from_item join_type from_item [ ON join_condition | USING ( join_column [, ...] ) ]
​
join_type：
[ INNER ] JOIN
LEFT [ OUTER ] JOIN
RIGHT [ OUTER ] JOIN
FULL [ OUTER ] JOIN
CROSS JOIN
​
grouping_element：
()
expression
GROUPING SETS ( ( column [, ...] ) [, ...] )
CUBE ( column [, ...] )
ROLLUP ( column [, ...] )
​
语句：
with语句：用于简化内嵌的子查询
select a, b
from (
select s_id as a, avg(s_score) as b from score group by s_id
) as tbl1;
​
等价于：
with tbl1 as (select s_id as a, avg(s_score) as b from score group by s_id)
select a, b from tbl1;
​
多个子查询也可以用with
WITH
  t1 AS (SELECT a, MAX(b) AS b FROM x GROUP BY a),
  t2 AS (SELECT a, AVG(d) AS d FROM y GROUP BY a)
SELECT t1.*, t2.*
FROM t1
JOIN t2 ON t1.a = t2.a;
​
with语句中的关系可以串起来（chain）
WITH
  x AS (SELECT a FROM t),
  y AS (SELECT a AS b FROM x),
  z AS (SELECT b AS c FROM y)
SELECT c FROM z;
​
​
group by:
select s_id as a, avg(s_score) as b from score group by s_id;
等价于：
select s_id as a, avg(s_score) as b from score group by 1;
1代表查询输出中的第一列s_id
​
select count(*) as b from score group by s_id;</span>

• 可参考官网文档

2. 存储优化

• 合理设置分区

  与Hive类似，Presto会根据元信息读取分区数据，合理的分区能减少Presto数据读取量，提升查询性能。

• 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。

• 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

• 预先排序

  对于已经排序的数据，在查询的数据过滤阶段，ORC格式支持跳过读取不必要的数据。比如对于经常需要过滤的字段可以预先排序。

 

3. SQL优化

• 列剪裁

  只选择使用必要的字段： 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

<span style="color:#333333">[GOOD]: SELECT s_id, c_id FROM score
​
[BAD]:  SELECT * FROM score</span>

• 过滤条件必须加上分区字段

  对于分区表，where语句中优先使用分区字段进行过滤。day是分区字段，vtime是具体访问时间

<span style="color:#333333">[GOOD]: SELECT vtime, stu, address FROM tbl where day=20200501
​
[BAD]:  SE LECT * FROM tbl where vtime=20200501</span>

• 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， 减少GROUP BY语句后面的排序一句字段的数量能减少内存的使用.

<span style="color:#333333">uid个数多；gender少
[GOOD]: SELECT GROUP BY uid, gender
​
[BAD]:  SELECT GROUP BY gender, uid</span>

• Order by时使用Limit， 尽量避免ORDER BY： 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

<span style="color:#333333">[GOOD]: SELECT * FROM tbl ORDER BY time LIMIT 100
​
[BAD]:  SELECT * FROM tbl ORDER BY time</span>

• 使用近似聚合函数： 对于允许有少量误差的查询场景，使用这些函数对查询性能有大幅提升。比如使用approx_distinct() 函数比Count(distinct x)有大概2.3%的误差

<span style="color:#333333">select approx_distinct(s_id) from score;</span>

• 用regexp_like代替多个like语句： Presto查询优化器没有对多个like语句进行优化，使用regexp_like对性能有较大提升

<span style="color:#333333">SELECT
...
FROM
access
WHERE
method LIKE '%GET%' OR
method LIKE '%POST%' OR
method LIKE '%PUT%' OR
method LIKE '%DELETE%'
​
优化：
SELECT
...
FROM
access
WHERE
regexp_like(method, 'GET|POST|PUT|DELETE')</span>

• 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。

<span style="color:#333333">[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</span>

• 使用Rank函数代替row_number函数来获取Top N

• UNION ALL 代替 UNION ：不用去重

• 使用WITH语句： 查询语句非常复杂或者有多层嵌套的子 查询，请试着用WITH语句将子查询分离出来

6. 其他注意事项

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. 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。

<span style="color:#333333"><span style="color:#aa5500">/*MySQL的写法*/</span>
<span style="color:#770088">SELECT</span> t <span style="color:#770088">FROM</span> a <span style="color:#770088">WHERE</span> t > <span style="color:#aa1111">'2020-05-01 00:00:00'</span>; 
​
<span style="color:#aa5500">/*Presto的写法*/</span>
<span style="color:#770088">SELECT</span> t <span style="color:#770088">FROM</span> a <span style="color:#770088">WHERE</span> t > <span style="color:#116644">timestamp '2020-05-01 00:00:00'</span>;</span>

 

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. QUET格式

• Presto目前支持Parquet格式，支持查询，但不支持insert

 

五、拓展点、未来计划、行业趋势

• 官网走一遭

  • 安装部署

  • connector

  • function

  • sql statement syntax

 

注：以上来自kkb课堂笔记

 

最后

以上就是健康橘子为你收集整理的2020-12-03《Presto分布式SQL查询引擎——kkb笔记复习》Presto分布式SQL查询引擎一、课前准备二、课堂主题三、课堂目标四、知识要点五、拓展点、未来计划、行业趋势注：以上来自kkb课堂笔记的全部内容，希望文章能够帮你解决2020-12-03《Presto分布式SQL查询引擎——kkb笔记复习》Presto分布式SQL查询引擎一、课前准备二、课堂主题三、课堂目标四、知识要点五、拓展点、未来计划、行业趋势注：以上来自kkb课堂笔记所遇到的程序开发问题。

如果觉得靠谱客网站的内容还不错，欢迎将靠谱客网站推荐给程序员好友。