学习目标:
P12-23
学习内容:
Day2
sql 在企业中的常用框架和结构调优——调优:在资源不变的前提下,让作业的执行性能提高。
- 常用框架:Hive,对应的SQL执行引擎的部分为:MapReduce/Spark/Tez
Impala,对内存的要求是极高的。
Presto,京东面试中会比较常用。
Drill,
Phoenix,HBase——sql数据库
Spark SQL,
Hive on Spark,Hive社区
Spark SQL,Spark社区
Meta:元数据,MetaStore:存储元数据信息
框架之间是共享元数据信息的。
行式存储 VS 列式存储 VS 分表
调优策略
- 架构:分表,分区表 partition,充分利用中间结果集,压缩
- 语法:排序 order by /sort by /distribute by/cluster by,控制输出(reduce/partition/task)的数量,join 普通join/mapjoin,执行计划
- 执行:推测执行,并行执行,JVM重用
分表:当大量数据存储在表格中,行式存储会让这个数据的查询大海捞针,所以会把需要的和暂时的简历一个新表进行存储,再次查询就可以不在大表中查询,而是在这个新分表中。
分区表:分区表就像建立了一个文件夹,和这个相关内容就可以放到这个文件夹里,那么下回当我再查找类似的内容的时候就可以通过先进入这个文件夹,再在这个文件夹里找。例如经常会涉及到的系统的用户日志,日志记录用户的操作行为,如果存放在一个文件里,不仅会让文件变的超级大,还会对下次的查询带来麻烦,那如果我们将日志按照日期分区,那么当我们再查找的时候先找日期,再找当日的行为,就会方便很多。单极分区/多级分区,静态分区/动态分区。
充分利用中间结果集:建立temp表,那么查询就可以直接从temp表中查询。
压缩(compress):使用压缩算法,减少数据的过程。解压缩。好处:空间减少,IO减少。有损压缩和无损压缩。应用场景:输入数据、中间数据、输出数据。压缩比越大,压缩所需要的时间则越慢。
Spark整合bzip2
学习时间:
3h