廖金龙 2019-06-26
虽然Presto是分布式查询引擎, 但是一些操作是必须在单节点中处理的. 例如:
count(distinct x)
UNION
UNION有个功能是: 如果两条记录一样, 会只保留一条记录(去重).ORDER BY
Presto对数据排序是作用在单节点上的通过添加条件达到减少表扫描的范围.
也可以考虑将大数据量的表, 水平查分, 通过查不同的表分区达到效果.
要明确写出所有要访问的列, 能加快速度.
例如
SELECT * FROM my_table
改成:
SELECT id, name, address FROM my_table
Presto的查询优化器不能改善许多LIKE语句使用的地方, 导致这样的语句查询速度慢.
例如
SELECT ... FROM access WHERE method LIKE '%GET%' OR method LIKE '%POST%' OR method LIKE '%PUT%' OR method LIKE '%DELETE%'
上面的语句能用regexp_like函数优化成一句
SELECT ... FROM access WHERE regexp_like(method, 'GET|POST|PUT|DELETE')
尽量让JOIN的条件简单,最好是ON后面的比较表达式两边必涉及计算。
例如
SELECT a.date, b.name FROM left_table a JOIN right_table b ON a.date = CAST((b.year * 10000 + b.month * 100 + b.day) as VARCHAR)
上面的SQL语句的JOIN性能不高,因为JION条件包含了表达式计算。我们可以通过子查询的形式来优化上面的语句。
SELECT a.date, b.name FROM left_table a JOIN ( SELECT CAST((b.year * 10000 + b.month * 100 + b.day) as VARCHAR) date, # generate join key name FROM right_table ) b ON a.date = b.date # Simple equi-join
上面的语句,就是直接比较两个VARCHAR的值,这样会比比较一个VARCHAR和一个表达式结果的性能高。
我们还能继续优化,使用Presto的WITH语句进行子查询。
WITH b AS ( SELECT CAST((b.year * 10000 + b.month * 100 + b.day) as VARCHAR) date, # generate join key name FROM right_table ) SELECT a.date, b.name FROM left_table a JOIN b ON a.date = b.date
如果你的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。
例如
SELECT a, b, c FROM ( SELECT a, MAX(b) AS b, MIN(c) AS c FROM tbl GROUP BY a ) tbl_alias
可以被重写为线面的形式
WITH tbl_alias AS (SELECT a, MAX(b) AS b, MIN(c) AS c FROM tbl GROUP BY a) SELECT a, b, c FROM tbl_alias
同样,也可以将各个步骤的子查询通过WITH语句罗列出来,子查询之间用“,”分割。
WITH tbl1 AS (SELECT a, MAX(b) AS b, MIN(c) AS c FROM tbl GROUP BY a), tbl2 AS (SELECT a, AVG(d) AS d FROM another_tbl GROUP BY a) SELECT tbl1.*, tbl2.* FROM tbl1 JOIN tbl2 ON tbl1.a = tbl2.a
如果CREATE TABLE语句的查询部分很复杂或者潜逃了多层子查询,就需要考虑用WITH语句
例如:
CREATE TABLE tbl_new AS WITH tbl_alias AS (SELECT a, MAX(b) AS b, MIN(c) AS c FROM tbl1) SELECT a, b, c FROM tbl_alias
CREATE TABLE tbl_new AS WITH tbl_alias1 AS (SELECT a, MAX(b) AS b, MIN(c) AS c FROM tbl1), tbl_alias2 AS (SELECT a, AVG(d) AS d FROM tbl2) SELECT tbl_alias1.*, tbl2_alias.* FROM tbl_alias1 JOIN tbl_alias2 ON tbl_alias1.a = tbl_alias2.a
在Presto SQL中,GROUP BY语句需要与SELECT语句中的表达式保持一致,不然会提示语法错误。
例如:
SELECT TD_TIME_FORMAT(time, 'yyyy-MM-dd HH', 'PDT') hour, count(*) cnt FROM my_table GROUP BY TD_TIME_FORMAT(time, 'yyyy-MM-dd HH', 'PDT')
上面的SQL语句的GROUP BY部分可以用GROUP BY 1,2,3 ...来表示
SELECT TD_TIME_FORMAT(time, 'yyyy-MM-dd HH', 'PDT') hour, count(*) cnt FROM my_table GROUP BY 1Note: 这些数字是从1开始的,有别于程序要思维从0开始。
下面列出来的就是内存密集型的语句块:
distinct 会排除所有不唯一的行.下面的例子就是检查你的数据表中是否包含了相同的数据行(c1,c2,c3)
SELECT distinct c1, c2, c3 FROM my_table
上面的操作会存储一整字段c1,c2和c3到presto的单个工作节点的内存, 然后检查(c1,c2,c3)的唯一性. 随着字段的增多以及字段数据量的增大,所需要的内存也会直线上升.
所以, 去掉查询语句中的distinct关键字, 或者只在子查询(有有限少量字段的情况下)使用.
如果你只是拼接两个或者多个SQL查询的结果, 考虑用UNION ALL
SELECT c1, c2 FROM my_table ORDER BY c1
Presto在排序的时候启用的是单一节点进行工作, 所以整个数据需要在单节点内存限制的范围内, 超过这个内存限制就会报错.
如果你需要排序的数据在一个小的量级, 用ORDER BY没有问题; 如果需要排序的数据在GB的级别,需要考虑其他的解决方案.
例如: 大量级的数据排序可以考虑结合HIVE和presto. 首先, 用Presto将大量的数据存储到一个临时表中,然后用HIVE取对数据排序.
SELECT avg(c1), min_by(c2, time), max(c3), count(c4), ... FROM my_table GROUP BY c1, c2, c3, c4, ...
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.
下面这种用小数据表去JOIN大数据表的查询会极度消耗内存.
SELECT * FROM small_table, large_table WHERE small_table.id = large_table.id
Presto 会默认执行广播式的JOIN操作,它会将左表拆分到几个工作节点上, 然后发送整个右表分别到已拆分好的处理左表的工作节点上. 如果右表非常大就会超出工作节点的内存限制,进而出错.
所以需要用小表JOIN大表
SELECT * FROM large_table, small_table WHERE large_table.id = small_table.id
如果左表和右表都比较大怎么办?
-- set session distributed_join = 'true' SELECT * FROM large_table, large_table1 WHERE large_table1.id = large_table.id核心点就是使用distributed join. Presto的这种配置类型会将左表和右表同时以join key的hash value为分区字段进行分区. 所以即使右表也是大表,也会被拆分.
缺点是会增加很多网络数据传输, 所以会比broadcast join的效率慢.
在查询语句前添加注释(result_output_redirect='true'),能让查询更快些。
-- set session result_output_redirect='true' select a, b, c, d FROM my_table
上面的语句能让Presto用并行的方式生成查询结果,能跳过在Presto协调器进行JSON转换的过程。
Note: 但是,如果使用了ORDER BY语句,这个魔术注释将被忽略。SELECT 'hello ' || 'presto'
-- This retuns 'N/A' if name value is null SELECT COALESCE(name, 'N/A') FROM table1
SELECT greatest(5, 10) -- returns 10
SELECT to_hex(sha256(to_utf8('[email protected]'))) as email SELECT to_hex(md5(to_utf8('[email protected]'))) as email
SELECT to_base64(to_utf8('[email protected]')) as email => "c3VwcG9ydEB0cmVhc3VyZS1kYXRhLmNvbQ==" SELECT FROM_UTF8(from_base64('c3VwcG9ydEB0cmVhc3VyZS1kYXRhLmNvbQ==')) => "[email protected]"