Impala的神奇指令「COMPUTE STATS」

项目迭代中用Impala逐步替换原有的Hive作为查询组件，速度有了脱胎换骨的飞跃。但在把原先按列存储的表转换成两个按行存储的表之后，联表查询的表现不那么给力了（原先对Hive的十倍速度优势变成了两倍）。
考虑到项目转用Impala是我的提议，调整存储结构也是我的提议，这个结果确实是个让我丢面子的事情，于是挽起袖子找优化查询的方案。

优化前

Query: select count(a.sn) from usermodel_inter_total_label a join usermodel_inter_total_info b
on a.sn = b.sn where a.label = 'porn' and a.heat > 0.1 and b.platform = 'android'

Returned 1 row(s) in 36.86s

寻路

先不管三七二十一，按SQL调优的套路来，explain一下发现了一个很隐蔽的warning：

WARNING: The following tables are missing relevant table and/or column statistics.
default.usermodel_inter_total_info, default.usermodel_inter_total_label

这种waring，不是处(pian)女(zhi)座(kuang)发现不了！
先不忙，记下来，网上找那坑爹的Tuning Impala Performance文档看看（插个题外话，Impala的中文资料太寒酸了，做数据的矿工们已经全部投奔Spark阵营了么？），眼神掠过Column Statistics和Table Statistics的时候心里一凉，矿工的直觉告诉我「秘密就在这」！
大体意思就是通过预先分析表和列（对联表特别重要）的结构，并把这些信息保存到MetaStore，Impala查询时会利用这些信息优化查询的策略。
哟，这是个自动挡！
然后坑爹的文档就把我指到Hive的「ANALYZE TABLE」去了，试了半天Impala没反应啊，果然不是亲生兄弟~
祭出谷歌大法，噢，终于找到答案了，simple，naive！感觉找回了逝去的青春。

神奇指令

COMPUTE STATS usermodel_inter_total_info;
COMPUTE STATS usermodel_inter_total_label;

优化后

Query: select count(a.sn) from usermodel_inter_total_label a join usermodel_inter_total_info b
on a.sn = b.sn where a.label = 'porn' and a.heat > 0.1 and b.platform = 'android'

Returned 1 row(s) in 3.15s

Cool！10倍的提升，相对Hive20倍的提升，和单表查询一样的迅速！

分析

以前老师总说对待问题要知其然更要知其所以然，那时特反感这一句，人生苦短，除了要大干快上，还要及时行乐，哪来的时间去知道那么多道理。
好了离题了，让我做一回现象的搬运工，让更聪明的读者来为我们解释吧。
「COMPUTE STATS」前
指令：

show table stats usermodel_inter_total_label;

返回：

log_date	#Rows	#Files	Size	Bytes Cached	Format
2014-12-13	-1	15	1.18GB	NOT CACHED	TEXT
2014-12-14	-1	3	1.80GB	NOT CACHED	TEXT
2014-12-15	-1	4	2.96GB	NOT CACHED	TEXT
Total	-1	22	5.93GB	0B	-

指令：

show column stats usermodel_inter_total_label;

返回：

Column	Type	#Distinct Values	#Nulls	Max Size	Avg Size
sn	STRING	-1	-1	-1	-1
label	STRING	-1	-1	-1	-1
heat	DOUBLE	-1	-1	-1	-1
active_record	STRING	-1	-1	-1	-1
log_date	STRING	3	0	-1	-1

「COMPUTE STATS」后
指令：

show table stats usermodel_inter_total_label;

返回：

log_date	#Rows	#Files	Size	Bytes Cached	Format
2014-12-13	9498438	2	469.76MB	NOT CACHED	TEXT
2014-12-14	17891595	1	893.44MB	NOT CACHED	TEXT
2014-12-15	27885473	2	1.37GB	NOT CACHED	TEXT
Total	55275506	5	2.71GB	0B	-

指令：

show column stats usermodel_inter_total_label;

返回：

Column	Type	#Distinct Values	#Nulls	Max Size	Avg Size
sn	STRING	13984716	-1	30	24.0039005279541
label	STRING	36	-1	13	4.26140022277832
heat	DOUBLE	382126	-1	8	8
active_record	STRING	7	-1	3	1.667400002479553
log_date	STRING	3	0	-1	-1

看来「COMPUTE STATS」的作用就是得出Impala原先不知道的值（-1）。

来自：建造者说