【博学谷学习记录】超强总结，用心分享|大数据之Presto

Presto的优化

    Presto 的优化是一个非常有水平的问题，大致总结下，分如下几个类别：

数据存储

    想要使用 Presto 更高效地查询数据，需要在数据存储方面利用一些优化手段。

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，合理地设置分区能减少 Presto 数据读取量，提升查询性能。

使用 ORC 格式存储

    Presto 对 ORC文件 读取进行了特定优化，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 格式，Presto 对 ORC 格式支持得更好。

使用压缩

    数据压缩可以减少节点间数据传输对 IO 带宽的压力，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。

SQL查询

    想要使用 Presto更高效地查询数据，需要在编写查询SQL语句方面利用一些优化手段。

只选择需要的字段

    由于采用列式存储，所以只选择需要的字段可加快字段的读取速度，减少数据量。避免采用 * 读取所有字段。

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。

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。

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。

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()函数比Count(distinct x)有大概2.3%的误差。

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。

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 … 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
1
2

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

注意事项

     ORC和Parquet 都支持列式存储，但是ORC对Presto支持更好（Parquet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。

可能出现问题

    使用 Presto 注意如下几点：

如何加快在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。
    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

    （2）对结果进行count计算

    （3）返回结果

    所以说，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。

    所以定时归档是一个很好的选择，这里还要注意，在归档的时候我们要选择一个归档字段，如果是按日归档，我们可以用日期作为这个字段的值，采用yyyyMMdd的形式，例如20180123.
    
    查看创建的库结构：
    
    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，聪明的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;

    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。

多使用 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。

    这点和我们熟知的MySQL的使用不是很一样。

利用子查询，减少读表的次数，尤其是大数据量的表

    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。

只查询需要的字段

    一定要避免在查询中使用 SELECT * 这样的语句，就像只有告诉我们需要查询数据越具体，工作效率越高。

    对于我们的数据库而言也是这样，任务越明确，工作效率越高。

    对于要查询全部字段的需求也是这样，没有偷懒的捷径，把它们都写出来。

Join查询优化

    Join左边尽量放小数据量的表，而且最好是重复关联键少的表。

字段名引用

    避免字段名与关键字冲突：MySQL对于关键字冲突的字段名加反引号，Presto 对与关键字冲突的字段名加双引号。当然，如果字段名不与关键字冲突，则可以不加双引号。

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。

MD5 函数的使用

    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;

不支持 INSERT OVERWRITE 语法

    Presto中不支持 insert overwrite语法，只能先delete，然后insert into

ORC 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

PARQUET 格式

     Presto 目前支持 parquet 格式，支持查询，但不支持 insert