大数据之Presto

---

前言

本文简单介绍了大数据中Presto的相关知识，包括Presto的基本概念、架构、特点以及使用Presto的注意事项

---

一、Presto概念

  Presto是一个开源的分布式SQL查询引擎，适用于交互式分析查询，数据量支持GB到PB字节。

  注意：虽然Presto可以解析SQL，但它不是一个标准的数据库。不是MySQL、PostgreSQL或者Oracle的代替品，也不能用来处理在线事务（OLTP）。

二、Presto架构

  Presto的客户端将SQL命令发送给协调者coordinator，coordinator将SQL指令转化为Presto可以识别的计算任务并将其分发给worker；worker来执行这个任务，每一个worker执行一部分任务。

  Catalog是presto支持的数据源，一个数据源就是一个catalog，图中有三个数据源，hive，kafka，Redis；在配置每一个数据源时，都要定义一个对应的connector，并且在presto中的数据结构都是固定的（schema – database ,table – 表）；所以presto可以做到多数据源的连表查询，因为它将数据结构统一了。

三、特点

3.1 优点

（1）Presto是基于内存运算，减少没必要的硬盘IO，所以更快。

（2）能够连接多个数据源，跨数据源连表查，如从Hive查询大量网站访问记录，然后从Mysql中匹配出设备信息。

3.2 缺点

（1）虽然能够处理PB级别的海量数据分析，但不是代表Presto把PB级别都放在内存中计算的。而是根据场景，如count，avg等聚合运算，是边读数据边计算，再清内存，再读数据再计算，这种耗的内存并不高。但是连表查，就可能产生大量的临时数据，因此速度会变慢，反而hive此时会更擅长。

（2）为了达到实时查询，可能会想到用它直连MySql来操作查询，这效率并不会提升，瓶颈依然在MySql，此时还引入网络瓶颈，所以会比原本直接操作数据库要慢。

四、注意事项

（1）能用分区字段进行过滤尽量用分区字段进行过滤；
  比如要取某一天的数据，用creat_time字段也可以过滤，但是这样会对整个表进行扫描，不如用分区字段进行过滤；

（2）使用groupby时，如果后面有多个属性列，要将基数大的列放在前面；

（3）使用join语句时，大表在左，小表在右；即大表分段，小表广播（将小表广播到每一个worker上，将大表分为几段，每一段一个worker，这样也可以实现join操作）

（4）不支持insert overwrite，只能先delete表，再insert into；

（5）时间比较时，mysql将时间当做字符串进行比较，但是在presto中，不可以，要加上timestamp标记；
代码如下：

select * from table1 where t > '2021-11-23 00:00:00';

//Presto中的写法
select * from table1 where t > timestamp  '2021-11-23 00:00:00';

---

总结

本文简单介绍了大数据中Presto的相关知识，包括Presto的基本概念、架构、特点以及使用Presto的注意事项，如果有不足之处或者表述不当的地方欢迎大家指正