@[TOC]
文章目录
一、概述
Presto(Trino)是一个快速、分布式的SQL查询引擎,可以用于查询各种数据源,包括Hadoop、NoSQL、关系型数据库等。下面是Presto(Trino)SQL语法的概述:
它支持标准SQL语法,包括以下SQL命令:
-
SELECT
:用于从一个或多个表中检索数据,指定所需的列和过滤条件。 -
FROM
:用于指定要查询的表名、子查询或视图,这些源可能跨越数据库和表格。 -
JOIN
:用于将两个或多个表格中的列连接到单个结果集中。 -
WHERE
:用于指定WHERE子句中定义的条件,以从原始数据集中筛选数据。 -
GROUP BY
:用于根据一个或多个列对结果集进行分组。 -
HAVING
:用于对GROUP BY后的结果集应用过滤器来定义筛选条件。 -
ORDER BY:用于根据一个或多个列对结果集进行排序。
-
LIMIT
:用于限制查询结果集的行数。
除了标准SQL命令外,Presto(Trino)还支持多种内置函数,如聚合函数、字符串函数、日期函数等。此外,它还支持复杂的窗口函数和嵌套查询以及联合查询。这些高级功能可以帮助用户更轻松地处理大数据集,并快速查询所需的数据。
前面也讲解了一部分SQL语法,建议先查阅我上一篇文章:【大数据】Presto(Trino)配置参数以及 SQL语法,这里只是正对上一篇文章的一些补充。
二、环境准备
如已经有环境了,可以忽略,如想快熟部署Presto(Trino)环境可参考我这篇文章:【大数据】通过 docker-compose 快速部署 Presto(Trino)保姆级教程
docker exec -it trino-coordinator bash
# --catalog:数据源 --schema:数据库
${TRINO_HOME}/bin/trino-cli --server http://trino-coordinator:8080 --user=hadoop
- 1
- 2
- 3
- 4
三、Trino 系统库表的讲解
Presto(Trino)系统库表是用于管理和查询Presto(Trino)系统元数据的特殊表格。这些表格位于系统库(system)中,可容易地查询并返回有关Presto(Trino)集群、数据库、表和列的元数据信息。system 源数据下有:information_schema
、jdbc
、metadata
、runtime
,下面将一一讲解。
1)information_schema
information_schema
是一个标准化的数据库元数据信息架构,用于在关系型数据库中存储信息,例如表、列、索引、约束、列类型、用户等。
Presto(Trino)支持information_schema元数据架构,可以用于查询表和列信息、数据类型、约束、索引、用户权限等。
以下是information_schema中一些常见表名称及其描述,以下就是Presto(Trino)system.information_schema
中的表:
-
applicable_roles
:列出了当前会话用户所属的所有角色信息,包括角色名称、拥有者和角色状态等。如果当前会话用户没有被分配任何角色,则applicable_roles表将返回空结果集。 -
columns
:列出数据库中每个表格的列信息,例如名称、数据类型、可否为空等。 -
enabled_roles
:用于列出当前会话用户被授予的、激活的所有角色信息。 -
roles
:用于列出所有可用角色的详细信息,包括角色名称、拥有者和是否可用等。 -
schemata
:列出数据库中所有模式的信息,例如名称、所有者等。 -
table_privileges
:用于列出与表和视图相关的所有权限的详细信息,包括授予的角色和权限等。 -
tables
:列出数据库中所有表格的信息,例如名称、模式、所属拥有者等。 -
views
:列出数据库中所有视图的信息,例如名称、所属模式、列信息等。
使用information_schema,用户可以轻松地查询数据库元数据,从而进行数据库管理和查询优化。稍微了解以下即可。
2)jdbc
Trino(以前称为Presto)提供了一个名为system.jdbc
的内置系统表,该表提供了与JDBC连接有关的信息。
system.jdbc包含以下表:attributes
、catalog
、columns
、procedure_columns
、procedures
、pseudo_columns
、schemas
、super_tables
、super_types
、table_types
、tables
、types
、udts
,可以用来查询已连接的数据库的表和视图的元数据。
以下是一个system.jdbc查询的示例:
SELECT * FROM system.jdbc.tables WHERE catalog='hive';
- 1
此查询将返回连接到Trino(Presto)节点的JDBC数据库中属于hive
的所有表和视图的元数据。这些元数据可以用于管理和查询数据库中的对象。这个也稍微了解即可。
值得注意的是,Presto以分布式方式运行,因此涉及多个节点。如果查询涉及到远程节点上的表,请确保在远程节点上安装了相应的JDBC驱动程序。
3)metadata
Trino(以前称为Presto)提供了一个名为system.metadata
的内置系统表,该表提供了与Trino中可用表和列的元数据相关的信息。
system.metadata
包含以下表:analyze_properties
、catalogs
、column_properties
、materialized_view_properties
、materialized_views
、schema_properties
、table_comments
、table_properties
,可以用来查询Trino中可用表和列的配置信息。也稍微了解即可。
4)runtime(重点)
Trino(以前称为Presto)提供了一个名为system.runtime的内置系统表,该表提供了与Trino集群运行时状态相关的信息。
system.runtime
包含多个子表,包括nodes、tasks、queries、transactions和query_info,可用于查询集群中的正在运行的任务、查询和节点的状态。以下是这些子表的简要介绍:
-
nodes
: 提供有关集群中每个节点的基本信息,如节点ID、主机名、HTTP地址和数据传输地址等。 -
optimizer_rule_stats
:用于记录优化器规则的统计信息。每次Trino执行查询时,优化器会尝试应用多个规则来优化查询计划。optimizer_rule_stats
记录了每个规则被应用的次数、应用后产生的计划改进、优化器用时等信息。 -
queries
: 提供有关正在运行或曾经运行的查询的信息,如查询ID、状态、发起用户、起始时间、最后活动时间、执行时间、SQL语句等。 -
tasks
: 提供有关正在运行的任务及其状态的信息,如任务ID、节点ID、查询ID、任务类型等 -
transactions
: 提供有关当前正在运行的事务及其状态的信息,如事务ID、状态、开始时间、最后活动时间等。
以下是一个system.runtime
查询的示例:
# --catalog:数据源 --schema:数据库
${TRINO_HOME}/bin/trino-cli --server http://trino-coordinator:8080 --user=hadoop
# 查看所有数据源
show catalogs;
# 查看系统数据源库
show schemas from system;
# 查看trino节点
SELECT * FROM system.runtime.nodes;
# 下面两张表一般可用作监控,像Grafana监控
# 查询将返回当前正在运行的所有查询的信息,包括其查询ID、发起用户、起始时间和执行时间等。这些信息可用于监视和调试正在运行的查询并了解其执行情况。
SELECT * FROM system.runtime.queries WHERE state=‘RUNNING’ limit 10;
select * from system.runtime.queries limit 10;
select * from system.runtime.tasks limit 10;
- 1
- 2
- 3
- 4
- 5
- 6
- 7
- 8
- 9
- 10
- 11
- 12
- 13
- 14
- 15
- 16
- 17
- 18
- 19
值得注意的是,由于system.runtime
提供了有关集群中所有节点和任务的信息,因此查询这些表可能会对集群产生一定的负载和影响,特别是在查询大量数据时。因此,请根据需要谨慎使用这些表。
四、Trino查询Hive数据
Trino(以前称为Presto)是一个分布式的SQL查询引擎,可以查询各种不同的数据源,包括Hive。以下是一些常见的使用Trino查询Hive数据的方法。
1)查询Hive表
在Trino中,可以使用标准的SELECT语句查询Hive表。例如,以下查询将返回Hive表my_table中的所有行:
SELECT * FROM hive.default.my_table;
- 1
Hive表的位置可以使用catalog.schema.table
格式的完全限定名称指定。
2)创建Hive表
在Trino中,可以使用CREATE TABLE
语句创建新的Hive表。例如,以下语句将在Hive中创建一个名为new_table的新表:
CREATE TABLE hive.default.new_table (
col1 varchar,
col2 int,
col3 decimal(10,2)
)
WITH (
format = 'ORC',
partitioned_by = ARRAY['col3']
);
- 1
- 2
- 3
- 4
- 5
- 6
- 7
- 8
- 9
通过WITH子句指定了新表的格式和分区键。在Trino中创建的Hive表与在Hive中创建的表一样,并且可以通过Hive和Trino共享。
3)加载数据到Hive表
可以使用Trino的INSERT
语句将数据加载到Hive表中。例如,以下语句将向名为my_table的Hive表中插入新行:
INSERT INTO hive.default.new_table VALUES ('value1', 123, 45.6);
- 1
可以使用SELECT语句从其他表中选择数据,并将其插入到Hive表中。
4)分区查询优化
在Hive表中,可以使用分区将数据组织成更小的块,以提高查询性能。 Trino可以通过分区查询,只查询符合条件的数据子集。以下是查询特定分区的示例:
SELECT * FROM hive.default.new_table WHERE col1 = 'value1' AND col2 = 123;
- 1
这将查询Hive表my_table中col1等于value1和col2等于123的子集。在大数据的情况下,这种分区查询能大大提高查询性能。
5)trino 操作hive数据源完整示例
1、配置数据源
$TRINO_HOME/etc/catalog/hive.properties
connector.name=hive
hive.metastore.uri=thrift://hive-metastore:9083
hive.allow-drop-table=true
hive.allow-rename-table=true
# hive.config.resources是一个可选属性,如果没有设置该属性,则Hive会使用默认的Hadoop配置文件。但是,在实际应用中,很多Hadoop集群的配置可能与默认值不同,为了确保Hive能够正确地工作,使用hive.config.resources属性指定必要的配置文件是非常必要的。
hive.config.resources=${HADOOP_HOME}/etc/hadoop/conf/core-site.xml,${HADOOP_HOME}/etc/hadoop/conf/hdfs-site.xml
- 1
- 2
- 3
- 4
- 5
- 6
2、创建Hive表
可以使用Trino的CREATE TABLE
语句创建新的Hive表。以下是一个创建用于存储电影数据的Hive表的示例:
CREATE TABLE hive.default.movies (
movie_id bigint,
title varchar,
rating real, -- real类似与float类型
genres varchar,
release_year int
)
WITH (
format = 'ORC',
partitioned_by = ARRAY['release_year'] -- 注意这里的分区字段必须是上面顺序的最后一个
);
- 1
- 2
- 3
- 4
- 5
- 6
- 7
- 8
- 9
- 10
- 11
该表的格式为ORC(format是Trino创建表时的一个可选属性,用于指定表的存储格式。Trino支持多种存储格式,包括Parquet、ORC、JSON、CSV
等),并按照release_year
列进行分区。
3、加载数据到Hive表
可以使用INSERT
语句将数据加载到Hive表中。以下语句将向名为movies的Hive表中插入新行:
INSERT INTO hive.default.movies
VALUES
(1, 'Toy Story', 8.3, 'Animation|Adventure|Comedy', 1995),
(2, 'Jumanji', 6.9, 'Action|Adventure|Family', 1995),
(3, 'Grumpier Old Men', 6.5, 'Comedy|Romance', 1995);
INSERT INTO hive.default.movies
VALUES
(4, ‘Toy Story’, 8.3, ‘Animation|Adventure|Comedy’, 1996),
(5, ‘Jumanji’, 6.9, ‘Action|Adventure|Family’, 1996),
(6, ‘Grumpier Old Men’, 6.5, ‘Comedy|Romance’, 1996);
- 1
- 2
- 3
- 4
- 5
- 6
- 7
- 8
- 9
- 10
- 11
此语句将向movies表中添加6行新数据。
4、执行Trino查询
可以使用标准的SELECT语句查询Hive表。例如,以下查询将返回Hive表movies中的所有行:
SELECT * FROM hive.default.movies;
- 1
也可以执行带有WHERE子句的查询以过滤数据。例如,以下查询将返回release_year等于1995的子集:
SELECT * FROM hive.default.movies
WHERE release_year = 1995;
- 1
- 2
可以使用JOIN操作将Hive表与其他表进行连接。例如,以下查询将连接movies表和ratings表,返回包含这两个表中匹配行的结果集:
SELECT m.title, m.release_year, r.rating
FROM hive.default.movies AS m
JOIN hive.default.ratings AS r ON m.movie_id = r.movie_id;
- 1
- 2
- 3
需要注意的是,Trino对Hive表的支持与Hive版本相关。在使用Trino之前,请确保已经使用兼容的版本配置了Hive。
五、Trino SQL 与 Hive SQL 的语法的区别
Trino与Hive SQL虽然有很多相似之处,但也存在一些语法上的差异。以下是一些常见的差异:
1)针对时间类型的函数名称
-
Trino
使用标准的SQL函数名称处理日期和时间,如date_trunc
、date_add
、date_diff
、time
等。 -
而
Hive
使用自己的函数名称处理日期和时间,如from_unixtime
、unix_timestamp
、date_sub
等。
2)join时ON语法的支持
Trino使用标准的SQL语法在JOIN
操作中使用ON
子句指定连接条件,例如:
SELECT *
FROM table1
JOIN table2 ON table1.col1 = table2.col1;
- 1
- 2
- 3
而Hive早期版本不支持ON子句,在JOIN操作中需要使用WHERE子句指定连接条件,例如:
SELECT *
FROM table1
JOIN table2 WHERE table1.col1 = table2.col1;
- 1
- 2
- 3
但从Hive 0.13版本开始,已经支持使用ON子句指定连接条件。
3)数据类型
Trino
支持标准的SQL数据类型,例如VARCHAR、INTEGER
等。而Hive
使用自己的数据类型,例如STRING
、INT
等。Trino可以通过Hive Connector使用在Hive中定义的表。
需要注意的是,虽然存在一些语法上的差异,但大多数SQL功能在Trino和Hive中都是同样的。在迁移SQL查询时,需要注意这些差异并相应地更改语法以使其与Trino相容。
这里只是针对上篇文章的一些补充,有任何疑问欢迎给我留言,可关注我公众号【大数据与云原生技术分享】加群交流或私信沟通~