1.Presto 简单介绍

1.1 Presto基本概念

    Presto是Facebook开源的MPP SQL引擎，旨在填补Hive在速度和灵活性（对接多种数据源）上的不足。相似的SQL on Hadoop竞品还有Impala和Spark SQL等。这里我们介绍下Presto的基本概念。

    Presto是一个分布式的查询引擎，本身并不存储数据，但是可以接入多种数据源，并且支持跨数据源的级联查询。Presto是一个OLAP的工具，擅长对海量数据进行复杂的分析；但是对于OLTP场景，并不是Presto所擅长，所以不要把Presto当做数据库来使用。

    和大家熟悉的Mysql相比：首先Mysql是一个数据库，具有存储和计算分析能力，而Presto只有计算分析能力；其次数据量方面，Mysql作为传统单点关系型数据库不能满足当前大数据量的需求，于是有各种大数据的存储和分析工具产生，Presto就是这样一个可以满足大数据量分析计算需求的一个工具。

 

1.2 数据源

    Presto需要从其他数据源获取数据来进行运算分析，它可以连接多种数据源，包括Hive、RDBMS（Mysql、Oracle、Tidb等）、Kafka、MongoDB、Redis等。

    一条Presto查询可以将多个数据源的数据进行合并分析。

    比如：select * from a join b where a.id=b.id;，其中表a可以来自Hive，表b可以来自Mysql。

 

1.2 Presto架构

 

1.3 Presto 优缺点

 

1.4 Presto、Impala性能比较

     https://blog.csdn.net/u012551524/article/details/79124532

    测试结论：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。

 

2.Presto 安装部署

2.1 Presto Server安装

2.1.0 官网地址：https://prestodb.github.io/

2.1.1 下载地址：https://repo1.maven.org/maven2/com/facebook/presto/presto-server/0.196/presto-server-0.196.tar.gz

2.1.2 将presto-server-0.196.tar.gz导入hadoop102的/opt/software目录下，并解压到/opt/module目录

    [mkluo@hadoop102 software]$ tar -zxvf presto-server-0.196.tar.gz -C /opt/module/

2.1.3 修改名称为presto

    [mkluo@hadoop102 module]$ mv presto-server-0.196/ presto

2.1.4 进入到/opt/module/presto目录，并创建存储数据文件夹

    [mkluo@hadoop102 presto]$ mkdir data

2.1.5 进入到/opt/module/presto目录，并创建存储配置文件文件夹

    [mkluo@hadoop102 presto]$ mkdir etc

2.1.6 配置在/opt/module/presto/etc目录下添加jvm.config配置文件

    [mkluo@hadoop102 etc]$ vim jvm.config

    添加如下内容

-server
-Xmx16G
-XX:+UseG1GC
-XX:G1HeapRegionSize=32M
-XX:+UseGCOverheadLimit
-XX:+ExplicitGCInvokesConcurrent
-XX:+HeapDumpOnOutOfMemoryError
-XX:+ExitOnOutOfMemoryError

2.1.7 Presto可以支持多个数据源，在Presto里面叫catalog，这里我们配置支持Hive的数据源，配置一个Hive的catalog

    [mkluo@hadoop102 etc]$ mkdir catalog

    [mkluo@hadoop102 catalog]$ vim hive.properties

    添加如下内容

connector.name=hive-hadoop2
hive.metastore.uri=thrift://hadoop102:9083

2.1.8 将hadoop102上的presto分发到hadoop103、hadoop104

[mkluo@hadoop102 module]$ xsync presto

2.1.9 分发之后，分别进入hadoop102、hadoop103、hadoop104三台主机的/opt/module/presto/etc的路径。配置node属性，node id每个节点都不一样。

[mkluo@hadoop102 etc]$vim node.properties
node.environment=production
node.id=ffffffff-ffff-ffff-ffff-ffffffffffff
node.data-dir=/opt/module/presto/data

[mkluo@hadoop103 etc]$vim node.properties
node.environment=production
node.id=ffffffff-ffff-ffff-ffff-fffffffffffe
node.data-dir=/opt/module/presto/data

[mkluo@hadoop104 etc]$vim node.properties
node.environment=production
node.id=ffffffff-ffff-ffff-ffff-fffffffffffd
node.data-dir=/opt/module/presto/data

2.1.10 Presto是由一个coordinator节点和多个worker节点组成。在hadoop102上配置成coordinator，在hadoop103、hadoop104上配置为worker。

（1）hadoop102上配置coordinator节点

    [mkluo@hadoop102 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://hadoop102:8881

（2）hadoop103、hadoop104上配置worker节点

    [mkluo@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://hadoop102:8881

    [mkluo@hadoop104 etc]$ vim config.properties

    添加内容如下

coordinator=false
http-server.http.port=8881
query.max-memory=50GB
discovery.uri=http://hadoop102:8881

2.1.11 在hadoop102的/opt/module/hive目录下，启动Hive Metastore。

[mkluo@hadoop102 hive]$
nohup bin/hive --service metastore >/dev/null 2>&1 &

2.1.12 分别在hadoop102、hadoop103、hadoop104上启动Presto Server

（1）前台启动Presto，控制台显示日志

[mkluo@hadoop102 presto]$ bin/launcher run

[mkluo@hadoop103 presto]$ bin/launcher run

[mkluo@hadoop104 presto]$ bin/launcher run

（2）后台启动Presto

[mkluo@hadoop102 presto]$ bin/launcher start

[mkluo@hadoop103 presto]$ bin/launcher start

[mkluo@hadoop104 presto]$ bin/launcher start

2.1.13 日志查看路径/opt/module/presto/data/var/log

 

2.2 Presto命令行Client安装

2.2.1 下载Presto的客户端：https://repo1.maven.org/maven2/com/facebook/presto/presto-cli/0.196/presto-cli-0.196-executable.jar

2.2.2 将presto-cli-0.196-executable.jar上传到hadoop102的/opt/module/presto文件夹下

2.2.3 修改文件名称

    [mkluo@hadoop102 presto]$ mv presto-cli-0.196-executable.jar  prestocli

2.2.4 增加执行权限

    [mkluo@hadoop102 presto]$ chmod +x prestocli

2.2.5 启动prestocli

    [mkluo@hadoop102 presto]$ ./prestocli --server hadoop102:8881 --catalog hive --schema default

2.2.6 Presto命令行操作

    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。

    例如：

    select * from schema.table limit 100

 

2.3 Presto可视化Client安装

2.3.1 将yanagishima-18.0.zip上传到hadoop102的/opt/module目录

2.3.2 解压缩yanagishima

    [mkluo@hadoop102 module]$ unzip yanagishima-18.0.zip

    cd yanagishima-18.0

2.3.3 进入到/opt/module/yanagishima-18.0/conf文件夹，编写yanagishima.properties配置

    [mkluo@hadoop102 conf]$ vim yanagishima.properties

    添加如下内容

jetty.port=7080
presto.datasources=atiguigu-presto
presto.coordinator.server.atiguigu-presto=http://hadoop102:8881
catalog.atiguigu-presto=hive
schema.atiguigu-presto=default
sql.query.engines=presto

2.3.4 在/opt/module/yanagishima-18.0路径下启动yanagishima

[mkluo@hadoop102 yanagishima-18.0]$
nohup bin/yanagishima-start.sh >y.log 2>&1 &

2.3.5 启动web页面：http://hadoop102:7080

    看到界面，进行查询了。

 

3.Presto优化之数据存储

3.1 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。

3.2 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。

3.3 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.Presto优化之查询SQL

4.1 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

4.2 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

4.3 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

4.4 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

4.5 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。

[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

 

5 注意事项

5.1 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。

5.2 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';

5.3 不支持INSERT OVERWRITE语法

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

5.4 PARQUET格式

    Presto目前支持Parquet格式，支持查询，但不支持insert。