使用Impala hint加速SQL查询

在使用Impala进行SQL查询的时候，我们经常会使用join来关联多个表进行查询，获取想要的结果。对于表的数量达到千万甚至上亿的时候，不同的join方式所造成的执行速度，可能差距非常大。对于join的实现细节，感兴趣的可以参考：http://hbasefly.com/2017/03/19/sparksql-basic-join/。想直接了解如何加速SQL查询的可以直接跳过这里了。

Impala提供了broadcast和shuffle两种join的方式，那么这两种方式有什么区别呢？可以简单这么理解：

• Broadcast适合大表与小表的join，将大表划分成多块，小表广播与这些块进行hash join；
• Shuffle适合大表与大表的join，将两个大表都划分成多块，然后分别进行hash join，有点类似于mapreduce中的shuffle。

Impala在查询的时候，会根据每个表的统计信息，自动地选择相应的join方式。可以使用以下的SQL语句来给表加上统计信息：

COMPUTE STATS [db_name.]table_name
COMPUTE INCREMENTAL STATS [db_name.]table_name [PARTITION (partition_spec)]

 

如果用户没有及时地给表进行了统计信息操作或者查询的是kudu表（目前impala无法获取到kudu表的统计信息），那么有可能生成的执行计划就会非常不准确，如下图所示：

上图就是使用了broadcast的join方式，将9000w的数据进行broadcast，与30亿的数据进行join。这样不仅执行比较慢，也会非常消耗内存。此时，我们就可以使用hint来改变SQL的join方式，impala的hint使用非常简单，如下所示：

SELECT STRAIGHT_JOIN select_list FROM
join_left_hand_table
  JOIN [{ /* +BROADCAST */ | /* +SHUFFLE */ }]
join_right_hand_table
remainder_of_query;

INSERT insert_clauses
  [{ /* +SHUFFLE */ | /* +NOSHUFFLE */ }]
  [/* +CLUSTERED */]
  SELECT remainder_of_query;

SELECT select_list FROM
table_ref
  /* +{SCHEDULE_CACHE_LOCAL | SCHEDULE_DISK_LOCAL | SCHEDULE_REMOTE}
    [,RANDOM_REPLICA] */
remainder_of_query;

以上是官方的语法介绍，看起来可能比较晦涩，我们举一个简单的例子进行说明：

select c_custkey,count(o_orderkey) 
from customer 
join orders
on c_custkey = o_custkey and o_comment not like '%[WORD1]%[WORD2]%'
group by c_custkey 
order by c_custkey limit 10;

上面这个SQL我们在测试环境中执行，部分执行计划如下所示：

可以看到，这里默认使用了broadcast的方式，那么如何改变使用shuffle的join方式呢，修改后的SQL如下所示：

select STRAIGHT_JOIN c_custkey,count(o_orderkey) 
from customer 
join [shuffle] orders
on c_custkey = o_custkey and o_comment not like '%[WORD1]%[WORD2]%'
group by c_custkey 
order by c_custkey limit 10;

可以看到，当我们在SQL的相应部分加入了STRAIGHT_JOIN和[shuffle]之后，SQL的执行计划就发生了改变。这里的[shuffle]也可以换成/* +shuffle */，意义是一样的，当然如果我们需要使用broadcast的方式，可以使用[broadcast]或者/* +broadcast */。请注意，有两个地方需要加上hint关键字，select后面加上STRAIGHT_JOIN；join后面加上[shuffle]或者/* +shuffle */。如果是多层嵌套的join方式，也需要在每一层加上STRAIGHT_JOIN和[shuffle]或者/* +shuffle */。外层的hint对于内层的join子语句是不起作用的。如果select后面跟distinct之类的关键字，STRAIGHT_JOIN需要跟在关键字后面。

除了可以改变join的方式之外，impala hint还支持一些其他的功能，这里就不再过多描述，感兴趣的同学可以参考官方文档：https://www.cloudera.com/documentation/enterprise/5-11-x/topics/impala_hints.html。