使用TPC-H对Hive测试

最近由于工作要求，需要对Hive进行一下测试。在一篇论文中看到使用TCP-H，上网查了一下还算是比较靠谱的一个基准测试程序，所以决定拿来一试。网上关于这方面的博客貌似很少（能力有限，没找到很多），通过自己摸索，写下这个东东，共享之，也希望同样关注这个方面的人能够共同讨论。

系统环境：

    6个结点，ubuntu01为master结点，ubuntu02-ubuntu06为slave结点

    Ubuntu 12.04 LTS

    Hadoop-1.2.1

    Hive-0.13.1

    tpch_2_14_3

一、安装配置

1、下载TPC-H源码tpch_2_14_3.zip，用来生成测试数据

      网址：http://www.tpc.org/tpch/default.asp

2、将TPC-H压缩包解压，本文中解压目录为：/opt/

     命令：ubuntu@ubuntu01:~$ unzip tpch_2_14_3.zip -C /opt/

3、进入tpch目录下的dbgen子目录下，将makefile.suite文件拷贝为makefile，并对makefile进行修改

     命令：ubuntu@ubuntu01:/opt/dbgen$ cp makefile.suite makefile

     命令：ubuntu@ubuntu01:/opt/dbgen$ gedit makefile

     在makefile文件中的相应行进行如下修改：CC      = gcc

     # Current values for DATABASE are: INFORMIX, DB2, TDAT (Teradata)  

     #                                  SQLSERVER, SYBASE  

     # Current values for MACHINE are:  ATT, DOS, HP, IBM, ICL, MVS, 

     #                                  SGI, SUN, U2200, VMS, LINUX, WIN32   

     # Current values for WORKLOAD are:  TPCH 

     DATABASE= SQLSERVER  

     MACHINE = LINUX  

     WORKLOAD = TPCH 

4、修改dbgen文件夹下的tpcd.h文件

     修改其中的SQLSERVER段：

     #ifdef  SQLSERVER
     #define GEN_QUERY_PLAN        "EXPLAIN;"
     #define START_TRAN                "START TRANSACTION;\n"
     #define END_TRAN                "COMMIT;\n"
     #define SET_OUTPUT                ""
     #define SET_ROWCOUNT                "limit %d;\n"
     #define SET_DBASE                "use %s;\n"
     #endif

5、执行makefile

     命令：ubuntu@ubuntu01:/opt/dbgen$ make

6、生成需要用的数据

     命令：ubuntu@ubuntu01:/opt/dbgen$ ./dbgen -s 1

     说明：-s 代表数据规模因子，1 代表产生1G的数据量

     在当前文件夹下生成的8个.tbl文件就是我们所需要的数据。

二、测试

      在hive上建8个表 ( 由于hive自带的脚本dbgen/dss.ddl和hive的语法不符，所以不能直接用这个脚本建表，如果对hive语法熟练的话可以直接对其进行修改，另存为dss.ddl.hive文件 )。在此介绍另外一种方法建表。

      下载最新的TPC-H_on_Hive命令包

       网址：https://issues.apache.org/jira/browse/HIVE-600

       解压后，将之前生成的8个表 ( 即.tbl文件) 放在data目录下 

       现在可以先对tpch目录下的命令试着执行一下

       命令：ubuntu@ubuntu01:~$ hive -f /opt/TPC-H_on_Hive/tpch/q1_pricing_summary_report.hive

       到现在为止，已经可以成功执行测试程序了，但进入hive查看表项会发现，表中没有数据。这是因为执行上一条命令，会创建相关的数据表，但还没有往数据表中导入数据。现在，就要把之前生成的数据导入到创建好的8个表中。表和数据文件是一一对应的，按名字就能区分出来。

       命令： ubuntu@ubuntu01:~$ hive

       命令： hive > LOAD DATA LOCAL INPATH '/opt/TPC-H_on_Hive/data/customer.tbl' INTO TABLE customer ;

       这只是对customer这个表加载了数据，剩下的7个表也用同样的方法加载。

      万事具备，只欠东风。下面就可以测试啦。

      命令：ubuntu@ubuntu01:~$ hive -f /opt/TPC-H_on_Hive/tpch/q1_pricing_summary_report.hive

      ------------------------分割线-----------------------

      以上呢，是我自己摸索的方法，但是偶然看到TPC-H_on_Hive/data目录下有个tpch_prepare_data.sh文件，执行这个文件可以在HDFS上建立每个表的目录，然后加载数据就行啦，不过我还没试，有兴趣的话可以试试这个，应该不会像第一种方法那样走弯路。

三、总结

      做完这个测试后，感觉对TPC-H benchmark和hive稍微有了点了解，不再是一头雾水了。亲手实践一遍还是有好处滴，“纸上得来终觉浅，绝知此事要躬行”嘛，好了，不多说了，就写到这，不足的地方还请批评指正，工作去啦。