一、概述
国内京东官网:https://prestodb.jd.com/
Presto是由Facebook开发的一个分布式SQL查询引擎, 它被设计为用来专门进行高速、实时的数据分析。
它的产生是为了解决Hive的MapReduce模型太慢以及不能通过BI或Dashboards直接展现HDFS数据等问题。
Presto是一个纯粹的计算引擎,它不存储数据,其通过Connector获取第三方Storage服务的数据。
二、详细介绍
1.架构
- Master-Slave架构
- 三个模块
- Coordinator、Discovery Service、Worker
- Connector
Presto沿用了通用的Master-Slave架构,Coordinator即Presto的Master,Worker即其Slave,Discovery Service就是用来保存Worker结点信息的,通过HTTP协议通信,而Connector用于获取第三方存储的Metadata及原始数据等。
Coordinator负责解析SQL语句,生成执行计划,分发执行任务给Worker节点执行;Worker节点负责实际执行查询任务。Worker节点启动后向Discovery Server服务注册,Coordinator从Discovery Server获得可以正常工作的Worker节点。假如配置了Hive Connector,需要配置一个Hive MetaStore服务为Presto提供Hive元信息,Worker节点与HDFS交互读取数据。
2.查询流程
- Client使用HTTP协议发送一个query请求。
- 通过Discovery Server发现可用的Server。
- Coordinator构建查询计划(Connector插件提供Metadata)
- Coordinator向workers发送任务
- Worker通过Connector插件读取数据
- Worker在内存里执行任务(Worker是纯内存型计算引擎)
- Worker将数据返回给Coordinator,之后再Response Client
3.优缺点
优点:
- Ad-hoc,期望查询时间秒级或几分钟
- 比Hive快10倍
- 支持多数据源,如Hive、Kafka、MySQL、MonogoDB、Redis、JMX等,也可自己实现Connector
- Client Protocol: HTTP+JSON, support various languages(Python, Ruby, PHP, Node.js Java)
- 支持JDBC/ODBC连接r
- ANSI SQL,支持窗口函数,join,聚合,复杂查询等
缺点:
- No fault tolerance;当一个Query分发到多个Worker去执行时,当有一个Worker因为各种原因查询失败,那么Master会感知到,整个Query也就查询失败了,而Presto并没有重试机制,所以需要用户方实现重试机制。
- Memory Limitations for aggregations, huge joins;比如多表join需要很大的内存,由于Presto是纯内存计算,所以当内存不够时,Presto并不会将结果dump到磁盘上,所以查询也就失败了,但最新版本的Presto已支持写磁盘操作,这个待后续测试和调研。
- MPP(Massively Parallel Processing )架构;这个并不能说其是一个缺点,因为MPP架构就是解决大量数据分析而产生的,但是其缺点也很明显,假如我们访问的是Hive数据源,如果其中一台Worker由于load问题,数据处理很慢,那么整个查询都会受到影响,因为上游需要等待上游结果。
三、mysql与presto语句比较
数据量 | mysql 语句 | mysql执行时间 | presto语句 | presto执行时间 |
---|---|---|---|---|
22131166 | SELECT count(*) FROM 表 (索引) | 3.226 s | SELECT count(*) FROM 表 (索引) | 1.91 s+3.705 s 计算耗时 + 读耗时 |
173655288 | SELECT count(*) FROM 表 (无索引) | 1 m 39 s | SELECT count(*) FROM 表 (无索引) | 1.93 s +2 m 13 s |
22131166 | SELECT a.s, a.c | 10.715s | with a as ( | 1.151 s +22.638 s |
591842 | SELECT filter.name, filter.num | 876 ms | WITH a AS ( | 1.154 s +321 ms |
629022 | SELECT keyword_count.keyword, keyword_count.row_count | 16.566 s | WITH keyword_count AS ( | 1.531 s +2.852 s |
总结:
- presto相比mysql,更适合复杂的SQL计算
- presto每次执行时都会先读取再计算,因此简单计算会比直接使用mysql要慢
四、基于mysql 和hive 的presto sql性能对比
presto语句 | mysql 数据量 | mysql耗时 | hive数据量 | hive耗时 |
---|---|---|---|---|
select count(*) from 表 | 22131166 | 1.294 s + 3.414 s | 163612711 | 1.88 s + 303 ms |
SELECT count(*) FROM 表 where 条件 | 173655288 | 12.907 s + 3 m 8 s | 114279824 | 1.349 s + 3 ms |
WITH keyword_count AS ( SELECT '毒物' AS keyword, COUNT(*) AS row_count, COUNT(DISTINCT patient_id) AS patient_count FROM 表 WHERE 字段 LIKE '%毒物%' UNION SELECT '射线' AS keyword, COUNT(*) AS row_count, COUNT(DISTINCT patient_id) AS patient_count FROM 表 WHERE 字段 LIKE '%射线%' UNION SELECT '吸烟' AS keyword, COUNT(*) AS row_count, COUNT(DISTINCT patient_id) AS patient_count FROM 表 WHERE 字段 LIKE '%吸烟%' UNION SELECT '过敏' AS keyword, COUNT(*) AS row_count, COUNT(DISTINCT patient_id) AS patient_count FROM 表 WHERE 字段 LIKE '%过敏%' UNION SELECT '手术' AS keyword, COUNT(*) AS row_count, COUNT(DISTINCT patient_id) AS patient_count FROM 表 WHERE 字段 LIKE '%手术%' UNION SELECT '外伤' AS keyword, COUNT(*) AS row_count, COUNT(DISTINCT patient_id) AS patient_count FROM 表 WHERE 字段 LIKE '%外伤%' ), total_count AS ( SELECT COUNT(*) AS row_count, COUNT(DISTINCT patient_id) AS patient_count FROM 表 WHERE 1 = 1 ) SELECT keyword_count.keyword, keyword_count.row_count, keyword_count.patient_count FROM keyword_count | 629022 | 1.510 s + 2.978 s | 2627048 | 1.141 s +142 ms |
总结:
- hive比mysql在执行和查询上都要快很多
五、问题积累
1.presto 在执行时是分批处理还是一次性读完数据在处理?
presto自身是支持批处理的,但是mysql connect不支持,所以操作mysql是一次性读完再处理,hive是分批处理
2.为什么presto查hive比查mysql 快得多
处理hive时会分批读取及处理,处理mysql只能一次性先读完再处理
3.为什么一个presto sql 会被拆成多个相同的 mysql sql
presto拆分子查询后不会再合并下推的sql语句