Presto【实践 01】Presto查询性能优化(数据存储+SQL优化+无缝替换Hive表+注意事项)及9个实践问题分享

本文涉及的产品
云数据库 RDS MySQL,集群系列 2核4GB
推荐场景:
搭建个人博客
RDS MySQL Serverless 基础系列,0.5-2RCU 50GB
云数据库 RDS MySQL,高可用系列 2核4GB
简介: Presto【实践 01】Presto查询性能优化(数据存储+SQL优化+无缝替换Hive表+注意事项)及9个实践问题分享

1.优化

1.1 数据存储

  1. 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。
  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。
  4. 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。
-- 对于经常需要过滤的字段可以预先排序
INSERT INTO TABLE table_name PARTITION ( field_name )
SELECT * FROM nation_file SORT BY sort_field_name;
-- 如果通过 sort_field_name 字段对数据进行过滤则性能将提升
SELECT COUNT(*) FROM table_name WHERE sort_field_name='xxx';

1.2 查询SQL优化

  1. 只查询必要的字段: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。
-- GOOD 
SELECT field_name_1, field_name_2, field_name_3 FROM table_name;
-- NOT GOOD
SELECT * FROM table_name;
  1. 过滤条件优先使用分区字段:对于有分区的表,WHERE 语句中优先使用分区字段进行过滤。partition_time 是分区字段,normal_time 是非分区字段。
-- GOOD 
SELECT field_name_1, field_name_2 FROM table_name WHERE partition_time='xxx';
-- NORMAL
SELECT field_name_1, field_name_2 FROM table_name WHERE normal_time='xxx';
  1. 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 field_name_1, field_name_2 FROM table_name GROUP BY id, type;
-- NOT GOOD
SELECT field_name_1, field_name_2 FROM table_name GROUP BY type, id;
  1. 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 field_name_1, field_name_2 FROM table_name ORDER BY sort_field_name LIMIT 100;
-- NOT GOOD
SELECT field_name_1, field_name_2 FROM table_name ORDER BY sort_field_name;
  1. 使用近似聚合函数:Presto 有一些近似聚合函数,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(x) 函数比 COUNT(DISTINCT x) 有大概 2.3% 的误差。
SELECT APPROX_DISTINCT(field_name) FROM table_name;
  1. 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。
-- GOOD 
SELECT field_name_1, field_name_2 FROM table_name 
WHERE REGEXP_LIKE(field_name, 'GET|POST|PUT|DELETE');
-- NOT GOOD
SELECT field_name_1, field_name_2 FROM table_name
WHERE
  field_name LIKE '%GET%' OR field_name LIKE '%POST%' OR
  field_name LIKE '%PUT%' OR field_name LIKE '%DELETE%';
  1. 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。
-- GOOD 
SELECT field_name_1, field_name_2 FROM large_table l JOIN small_table s ON l.id = s.id;
-- NOT GOOD
SELECT field_name_1, field_name_2 FROM small_table s JOIN large_table l ON l.id = s.id;
  1. 使用 RANK 函数代替 ROW_NUMBER 函数来获取 Top N:在进行一些分组排序场景时,使用 RANK 函数性能更好。
-- GOOD 
SELECT checksum(rnk)
FROM (
  SELECT RANK() OVER (PARTITION BY l_orderkey, l_partkey ORDER BY l_shipdate DESC) AS rnk
  FROM lineitem
) t
WHERE rnk = 1
-- NOT GOOD
SELECT checksum(rnk)
FROM (
  SELECT ROW_NUMBER() OVER (PARTITION BY l_orderkey, l_partkey ORDER BY l_shipdate DESC) AS rnk
  FROM lineitem
) t
WHERE rnk = 1

1.3 无缝替换Hive表

如果之前的hive表没有用到 ORC 和 snappy,那么怎么无缝替换而不影响线上的应用?比如如下一个hive表:

CREATE TABLE bdc_dm.res_category(
channel_id1 int comment '1级渠道id',
province string COMMENT '省',
city string comment '市', 
uv int comment 'uv'
)
comment 'example'
partitioned by (landing_date int COMMENT '日期:yyyymmdd')
ROW FORMAT DELIMITED FIELDS TERMINATED BY '\t' COLLECTION ITEMS TERMINATED BY ',' MAP KEYS TERMINATED BY ':' LINES TERMINATED BY '\n';

建立对应的 ORC 表

CREATE TABLE bdc_dm.res_category_orc(
channel_id1 int comment '1级渠道id',
province string COMMENT '省',
city string comment '市', 
uv int comment 'uv'
)
comment 'example'
partitioned by (landing_date int COMMENT '日期:yyyymmdd')
row format delimited fields terminated by '\t'
stored as orc 
TBLPROPERTIES ("orc.compress"="SNAPPY");

先将数据灌入orc表,然后更换表名

insert overwrite table bdc_dm.res_category_orc partition(landing_date)
select * from bdc_dm.res_category where landing_date >= 20171001;
ALTER TABLE bdc_dm.res_category RENAME TO bdc_dm.res_category_tmp;
ALTER TABLE bdc_dm.res_category_orc RENAME TO bdc_dm.res_category;

其中res_category_tmp是一个备份表,若线上运行一段时间后没有出现问题,则可以删除该表。

1.4 注意事项

ORC 和 Parquet 都支持列式存储,但是 ORC 对 Presto 支持更好(Parque t对 Impala 支持更好)

对于列式存储而言,存储文件为二进制的,对于经常增删字段的表,建议不要使用列式存储(修改文件元数据代价大)。对比数据仓库,dwd 层建议不要使用 ORC,而 dm 层则建议使用。

2.实践

2.1 加快在Presto上的数据统计

很多的时候,在 Presto 上对数据库跨库查询,例如 MySQL 数据库。这个时候 Presto 的做法是从MySQL 数据库端拉取最基本的数据,然后再去做进一步的处理,例如统计等聚合操作。

举个例子:

SELECT COUNT(id) FROM table_name WHERE condition_field=1;

上面的SQL语句会分为3个步骤进行:

  1. Presto发起到Mysql数据库进行查询
SELECT id FROM table_name WHERE condition_field=1;
  1. 对结果进行count计算
  2. 返回结果

对于 Presto 来说,其跨库查询的瓶颈是在数据拉取这个步骤。若要提高数据统计的速度,可考虑把 MySQL 中相关的数据表定期转移到 HDFS 中,并转存为高效的列式存储格式 ORC。定时归档是一个很好的选择,这里还要注意,在归档的时候要选择一个归档字段,如果是按日归档,可以用日期作为这个字段的值,采用 yyyyMMdd 的形式,例如20211214。

-- 创建归档数据库的SQL语句如下
CREATE TABLE IF NOT EXISTS table_name (
id INTEGER,
........
partition_date INTEGER
) WITH ( format = 'ORC', partitioned_by = ARRAY['partition_date'] );
-- 查看创建的库结构(只适用于 Presto)
SHOW CREATE TABLE table_name;

带有分区的表创建完成之后,每天只要更新分区字段 partition_date 就可以了,Presto 就能将数据放置到规划好的分区了。如果要查看一个数据表的分区字段是什么,可以下面的语句:

SHOW PARTITIONS FROM table_name;

2.2 分区字段过滤

如果数据被规当到 HDFS 中,并带有分区字段。在每次查询归档表的时候,要带上分区字段作为过滤条件,这样可以加快查询速度。因为有了分区字段作为查询条件,就能帮助 Presto 避免全区扫描,减少 Presto 需要扫描的 HDFS 的文件数。

2.3 使用WITH语句

使用 Presto 分析统计数据时,可考虑把多次查询合并为一次查询,用 Presto 提供的子查询完成。这点和MySQL的使用不是很一样。例如:

-- 子查询 subquery_1 注意:多个子查询需要用逗号分隔
WITH 
subquery_1 AS (
    SELECT a1, a2, a3 
    FROM Table_a 
    WHERE a3 between 20180101 and 20180131
),      
-- 最后一个子查询后不要带逗号   
subquery_2 AS (
    SELECT b1, b2, b3
    FROM Table_b
    WHERE b3 between 20180101 and 20180131
)
SELECT subquery_1.a1, subquery_1.a2, subquery_2.b1, subquery_2.b2
FROM subquery_1 JOIN subquery_2 ON subquery_1.a3 = subquery_2.b3;

2.4 减少读表次数

具体做法是,将使用频繁的表作为一个子查询抽离出来,避免多次 read。

2.5 字段名引用

Presto 中的字段名引用使用双引号分割(跟 GreenPlum 一样),这个要区别于MySQL的反引号`。

SELECT field_name AS "fieldName" FROM table_name;

2.6 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 time_field  FROM table_name WHERE time_field > '2017-01-01 00:00:00'; 
-- Presto中的写法
SELECT time_field  FROM table_name  WHERE time_field > timestamp '2017-01-01 00:00:00';

2.7 MD5函数使用

Presto 中 MD5 函数传入的是 binary 类型,返回的也是 binary 类型,要对字符串进行 MD5 操作时,需要转换。

SELECT TO_HEX(MD5(TO_UTF8('1212')));

2.8 不支持 INSERT OVERWRITE 语法

Presto中不支持 INSERT OVERWRITE 语法,只能先 DELETE,然后 INSERT INTO。

2.9 ORC和PARQUET格式

  • Presto 中对 ORC 文件格式进行了针对性优化,但在 Impala 中目前不支持 ORC 格式的表,Hive 中支持 ORC 格式的表,所以想用列式存储的时候可以优先考虑 ORC 格式。
  • Presto目前支持 PARQUET 格式,支持查询,但不支持 INSERT。
相关实践学习
如何在云端创建MySQL数据库
开始实验后,系统会自动创建一台自建MySQL的 源数据库 ECS 实例和一台 目标数据库 RDS。
全面了解阿里云能为你做什么
阿里云在全球各地部署高效节能的绿色数据中心,利用清洁计算为万物互联的新世界提供源源不断的能源动力,目前开服的区域包括中国(华北、华东、华南、香港)、新加坡、美国(美东、美西)、欧洲、中东、澳大利亚、日本。目前阿里云的产品涵盖弹性计算、数据库、存储与CDN、分析与搜索、云通信、网络、管理与监控、应用服务、互联网中间件、移动服务、视频服务等。通过本课程,来了解阿里云能够为你的业务带来哪些帮助     相关的阿里云产品:云服务器ECS 云服务器 ECS(Elastic Compute Service)是一种弹性可伸缩的计算服务,助您降低 IT 成本,提升运维效率,使您更专注于核心业务创新。产品详情: https://www.aliyun.com/product/ecs
目录
相关文章
|
6天前
|
SQL 数据库 开发者
功能发布-自定义SQL查询
本期主要为大家介绍ClkLog九月上线的新功能-自定义SQL查询。
|
13天前
|
SQL 移动开发 Oracle
SQL语句实现查询连续六天数据的方法与技巧
在数据库查询中,有时需要筛选出符合特定时间连续性条件的数据记录
|
20天前
|
SQL Java 数据库连接
如何使用`DriverManager.getConnection()`连接数据库,并利用`PreparedStatement`执行参数化查询,有效防止SQL注入。
【10月更文挑战第6天】在代码与逻辑交织的世界中,我从一名数据库新手出发,通过不断探索与实践,最终成为熟练掌握JDBC的开发者。这段旅程充满挑战与惊喜,从建立数据库连接到执行SQL语句,再到理解事务管理和批处理等高级功能,每一步都让我对JDBC有了更深的认识。示例代码展示了如何使用`DriverManager.getConnection()`连接数据库,并利用`PreparedStatement`执行参数化查询,有效防止SQL注入。
61 5
|
20天前
|
SQL 监控 Oracle
Oracle SQL性能优化全面指南
在数据库管理领域,Oracle SQL性能优化是确保数据库高效运行和数据查询速度的关键
|
20天前
|
SQL 数据挖掘 数据库
SQL查询每秒的数据:技巧、方法与性能优化
id="">SQL查询功能详解 SQL(Structured Query Language,结构化查询语言)是一种专门用于与数据库进行沟通和操作的语言
|
20天前
|
SQL 移动开发 大数据
SQL语句查询连续六天满足条件的记录
在数据库管理和数据分析中,我们经常需要查询符合特定时间范围内连续几天的记录
|
23天前
|
SQL 数据挖掘 关系型数据库
SQL查询次数大于1的记录:高效技巧与方法
在数据库管理中,经常需要统计某些操作的次数,特别是当需要找出哪些记录或值出现的次数超过一定阈值(如大于1次)时
|
22天前
|
SQL 存储 安全
SQL查询数据库:基础概念与操作指南
在数字化时代,数据库已成为信息管理的重要工具之一。作为管理和操作数据库的核心语言,SQL(结构化查询语言)已成为数据管理和查询的关键技能。本文将全面介绍SQL查询数据库的基本概念、语句和操作指南,以帮助初学者快速上手,同时为进阶用户提供有价值的参考。一、数据库与SQL简介数据库是一种存储、管理和检索
30 3
|
23天前
|
SQL 数据库
SQL查询中排除空值列的技巧与方法
在数据库查询中,经常需要处理包含空值(NULL)的数据列
|
23天前
|
SQL Oracle 关系型数据库
SQL查询默认表空间的技巧与方法
在数据库管理中,表空间是存储数据库对象(如表、索引等)的逻辑空间单元