前言

Presto 作为现在在企业中流行使用的 即席查询 框架，已经在不同的领域得到了越来越多的应用。本期内容，我会从一个初学者的角度，带着大家从 0 到 1 学习 Presto ，希望大家能够有所收获！

文章目录

• 前言
• 1. Presto简介

• 1. 1 Presto概念
• 1.2 Presto 应用场景
• 1.3 Presto架构
• 1.4 Presto 数据模型
• 1.5 Presto 优缺点
• 1.6  Presto、Impala性能比较
• 1.7 官网地址
• 1.8 Prestodb VS Prestosql(trino)

• 2. Presto安装部署

• 2.1 prestosql 版本的选择

• 2.2 集群安装规划

• 2.3 Presto Server 的安装

• 2.4 Node Properties 配置

• 2.5 JVM Config 配置

• 2.6 Config Properties 配置

• 2.7 Log Properties 配置

• 2.8 Catalog Properties 配置

• 2.9 分发安装目录到集群中其它节点上

• 2.10 修改 node.id

• 2.11 修改 work 节点的配置信息

• 2.12 启动服务

• 3、Presto 命令行 Client 的安装

• 4、Presto 的基本使用

• 5、Presto可视化客户端的安装

• 6、Presto的优化

• 6.1 数据存储

• 6.2 SQL查询

• 6.3 注意事项

• 6.4 可能会踩的坑

• 巨人的肩膀

• 小结

• 彩蛋

1. Presto简介

1. 1 Presto概念

Presto是  Facebook  推出的一个开源的分布式SQL查询引擎，数据规模可以支持GB到PB级，主要应用于处理 秒级查询 的场景。 Presto 的设计和编写完全是为了解决像 Facebook 这样规模的商业数据仓库的 交互式分析和处理速度 的问题。

注意： 虽然 Presto 可以解析 SQL，但它不是一个标准的数据库。不是 MySQL、Oracle 的代替品，也不能用来处理在线事务（OLTP） 。

1.2 Presto 应用场景

Presto 支持 在线数据查询 ，包括 Hive，关系数据库（MySQL、Oracle）以及专有数据存储。一条 Presto 查询可以将 多个数据源的数据进行合并，可以跨越整个组织进行分析 。

Presto 主要用来处理 响应时间小于 1 秒到几分钟的场景 。

1.3 Presto架构

Presto 是一个运行在多台服务器上的分布式系统。完整安装包括一个 ​ ​Coordinator​ ​​ 和多 个 ​ ​Worker​ ​。由 客户端 提交查询，从 Presto 命令行 CLI 提交到 Coordinator。Coordinator 进行 解析，分析并执行查询计划，然后分发处理队列到 Worker 。 Presto 有两类服务器： Coordinator 和 Worker

1) ​ ​Coordinator​ ​

Coordinator 服务器是用来解析语句，执行计划分析和管理 Presto 的 Worker 节点 。 Presto 安装必须有一个 Coordinator 和多个 Worker 。如果用于开发环境和测试，则一个 Presto 实例 可以同时担任这两个角色。

Coordinator 跟踪每个 Work 的活动情况并协调查询语句的执行 。 Coordinator 为每个查询建立模型 ，模型包含多个Stage，每个Stage再转为Task 分发到不同的 Worker 上执行。

Coordinator 与 Worker、Client 通信是通过 REST API 。

2）​ ​Worker​ ​

Worker 是负责执行任务和处理数据 。Worker 从 Connector 获取数据。Worker 之间会交换中间数据。Coordinator 是负责从 Worker 获取结果并返回最终结果给 Client。

当 Worker 启动时，会广播自己去发现 Coordinator，并告知 Coordinator 它是可用，随时 可以接受 Task 。

Worker 与 Coordinator、Worker 通信是通过 REST API 。

3）数据源

贯穿下文，你会看到一些术语： Connector 、 Catelog 、 Schema 和 Table 。这些是 Presto 特定的 数据源

• Connector

Connector 是适配器，用于 Presto 和数据源（如 Hive、RDBMS）的连接 。你可以认为 类似 ​ ​JDBC​ ​ 那样，但却是 Presto 的 SPI 的实现，使用标准的 API 来与不同的数据源交互。

Presto 有几个内建 Connector：JMX 的 Connector、System Connector（用于访问内建的 System table）、Hive 的 Connector、TPCH（用于 TPC-H 基准数据）。还有很多第三方的 Connector，所以 Presto 可以访问不同数据源的数据 。

每个 Catalog 都有一个特定的 Connecto r 。如果你使用 catelog 配置文件，你会发现每个 文件都必须包含 connector.name 属性，用于指定 catelog 管理器（创建特定的 Connector 使用）。一个或多个 catelog 用同样的 connector 是访问同样的数据库。例如，你有两个 Hive 集群。你可以在一个 Presto 集群上配置两个 catelog，两个 catelog 都是用 Hive Connector，从而达 到可以查询两个 Hive 集群。

• Catelog

一个 Catelog 包含 Schema 和 Connector 。例如，你配置JMX 的 catelog，通过JXM Connector 访问 JXM 信息。当你 执行一条 SQL 语句时，可以同时运行在多个 catelog 。

Presto 处理 table 时，是通过表的 完全限定（fully-qualified）名 来找到 catelog。例如， 一个表的权限定名是 ​ ​hive.test_data.test​ ​，则 test 是表名， test_data 是 schema， hive 是 catelog。

Catelog 的定义文件是在 Presto 的配置目录中。

• Schema

Schema 是用于组织 table 。把 catelog 和 schema 结合在一起来包含一组的表。当通过Presto 访问 hive 或 Mysq 时，一个 schema 会同时转为 hive 和 mysql 的同等概念。

• Table

Table 跟关系型的表定义一样，但数据和表的映射是交给 Connector。

1.4 Presto 数据模型

1） Presto 采取三层表结构：

​ ​Catalog​ ​：对应某一类数据源，例如 Hive 的数据，或 MySql 的数据

​ ​Schema​ ​：对应 MySql 中的数据库

​ ​Table​ ​：对应 MySql 中的表

2） Presto 的存储单元包括：

​ ​Page​ ​：多行数据的集合，包含多个列的数据，内部仅提供逻辑行，实际以列式存储。

​ ​Block​ ​：一列数据，根据不同类型的数据，通常采取不同的编码方式，了解这些编码方式，有助于自己的存储系统对接 presto。

3）不同类型的 Block：

（1） Array 类型 Block，应用于固定宽度的类型 ，例如 int，long，double。block 由两部分组成：

• ​ ​boolean valueIsNull[]​ ​ 表示每一行是否有值 。
• ​ ​T values[]​ ​ 每一行的具体值

（2） 可变宽度的 Block，应用于 String 类数据 ，由三部分信息组成

• ​ ​Slice​ ​：所有行的数据拼接起来的字符串
• ​ ​int offsets[]​ ​：每一行数据的起始偏移位置。每一行的长度等于下一行的起始偏移减去当 前行的起始偏移。
• ​ ​boolean valueIsNull[]​ ​: 表示某一行是否有值。如果有某一行无值，那么这一行的偏移量 等于上一行的偏移量。

（3） 固定宽度的 String 类型的 block，所有行的数据拼接成一长串 Slice，每一行的长度固定 。

（4） 字典 block：对于某些列，distinct 值较少，适合使用字典保存 。主要有两部分组成：

​ ​字典​ ​，可以是任意一种类型的 block(甚至可以嵌套一个字典 block)，block 中的每一行按照顺序排序编号。

​ ​int ids[]​ ​表示每一行数据对应的 value 在字典中的编号。在查找时，首先找到某一行的 id， 然后到字典中获取真实的值。

1.5 Presto 优缺点

学习一个新的框架，免不了来探讨一下它的优缺点：

通过下面一张图，我们来看看 Presto 中 SQL 运行过程： MapReduce vs Presto

我们可以很明显地感受到， Presto 使用内存计算，减少与硬盘交互

1.5.1 优点

1） Presto 与 Hive 对比，都能够处理 PB 级别的海量数据分析，但 Presto 是基于内存运算，减少没必要的硬盘 IO，所以更快 。

2） 能够连接多个数据源，跨数据源连表查，如从 Hive 查询大量网站访问记录，然后从 Mysql 中匹配出设备信息 。

3） 部署也比 Hive 简单，因为 Hive 是基于 HDFS 的，需要先部署 HDFS 。

找了张对比图，大家感受下：

1.5.2 缺点

1） 虽然能够处理 PB 级别的海量数据分析，但不是代表 Presto 把 PB 级别都放在内存中计算的 。而是根据场景，如 count，avg 等聚合运算，是 边读数据边计算，再清内存，再读数据再计算，这种耗的内存并不高 。但是 连表查，就可能产生大量的临时数据，因此速度会变慢，反而 Hive此时会更擅长 。

2）为了达到实时查询，可能会想到用它直连 MySql 来操作查询，这效率并不会提升， 瓶颈依然在 MySql，此时还引入网络瓶颈，所以会比原本直接操作数据库要慢。

1.6  Presto、Impala性能比较

我就说下总结的结论：

他们的共同点就是吃内存，当然在内存充足的情况下，并且有规模适当的集群，性能应该会更可观。并且从几次性能的比较查询来看， Impala性能稍领先于presto，但是presto在数据源支持上非常丰富 ，包括hive、图数据库、传统关系型数据库、Redis等

大家也可以根据上面的链接，自己也尝试去做下对比测试。

1.7 官网地址

就在 2020 年 12 月 27 日，prestosql 与 facebook 正式分裂,并改名为​ ​trino​ ​。分裂之前和之后的官网分别是：https://prestosql.io/ 和 https://trino.io。

最新的官网

1.8 Prestodb VS Prestosql(trino)

根据目前社区活跃度和使用广泛度,更加推荐 prestosql。具体的区别详见：

​ ​        http://armsword.com/2020/05/02/the-difference-between-prestodb-and-prestosql/​ ​

2. Presto安装部署

2.1 prestosql 版本的选择

在 presto330 版本里已经提到，jdk8 只支持到 2020-03 月发行的版本.详情参考:https://prestosql.io/docs/current/release/release-330.html。在 2020 年 4 月 8 号 presto 社区发布的 332 版本开始，需要 jdk11 的版本.由于现在基本都使 用的是 jdk8，所以我们选择 presto315 版本的,此版本在 jdk8 的环境下是可用的。如果我们生产环境是 jdk8，但是又想使用新版的 presto，可以为 presto 单独指定 jdk11 也可使用。

2.2 集群安装规划

2.3 Presto Server 的安装

1、安装包下载地址：

​ ​https://repo1.maven.org/maven2/io/prestosql/presto-server/315/presto-server-315.tar.gz​ ​

2、将 ​ ​presto-server-315.tar.gz​ ​​ 上传到服务器上,这里导入到 node01 服务器上的 ​ ​/export/software/​ ​​目录下，并解压至 ​ ​/export/servers/​ ​目录下：

[root@node01 software]# tar -zvxf presto-server-315.tar.gz -C /export/servers/

3、创建 presto 的数据目录 ( presto 集群的每台机器都要创建 )，用来存储日志这些

[root@node01 presto-server-315]# mkdir -p /file/data/presto

4、在安装目录 /export/servers/presto-server-315 下创建 etc 目录,用来存放各种配置文件

[node01@node01 presto-server-315]# mkdir etc

2.4 Node Properties 配置

在 ​ ​/export/servers/presto-server-315/etc​ ​ 路径下,配置 node 属性(注意： 集群中每台 presto 的 node.id 必须不一样 ,后面需要修改集群中其它节点的 node.id 值)

[root@node01 etc]# vim node.properties
#环境名称,自己任取.集群中的所有 Presto 节点必须具有相同的环境名称.
node.environment=develop
#支持字母,数字.对于每个节点,这必须是唯一的.这个标识符应该在重新启动或升级 Presto 时保持一致
node.id=1
#指定 presto 的日志和其它数据的存储目录,自己创建前面创建好的数据目录
node.data-dir=/file/data/presto

2.5 JVM Config 配置

在​ ​/exports/servers/presto-server-315/etc​ ​ 目录下添加 jvm.config 配置文件,并填入如下内容

#参考官方给的配置,根据自身机器实际内存进行配置
-server
#最大 jvm 内存
-Xmx16G
#指定 GC 的策略
-XX:+UseG1GC
-XX:G1HeapRegionSize=32M
-XX:+UseGCOverheadLimit
-XX:+ExplicitGCInvokesConcurrent
-XX:+HeapDumpOnOutOfMemoryError
-XX:+ExitOnOutOfMemoryError
-XX:ReservedCodeCacheSize=256M

2.6 Config Properties 配置

Presto 是由一个 ​ ​coordinator​ ​​ 节点和多个 ​ ​worker​ ​​ 节点组成。由于在单独一台服务器上配置 coordinator ，有利于提高性能，所以在 node01上配置成 coordinator，在 node02,node03 上配 置为 worker(如果实际机器数量不多的话可以将在协调器上部署 worker.)在 ​ ​/export/servers/presto-server-315/etc​ ​目录下添加 config.properties 配置文件

# 该节点是否作为 coordinator,如果是 true 就允许该 Presto 实例充当协调器
coordinator=true
# 允许在协调器上调度工作(即配置 worker 节点).为 false 就是不允许.对于较大的集群,协调器上的处理工作可能会影响查询性能,因为机器的资源无法用于调度,管理和监视查询执行的关键任务
# 如果需要在协调器所在节点配置 worker 节点改为 true 即可
node-scheduler.include-coordinator=false
# 指定 HTTP 服务器的端口.Presto 使用 HTTP 进行所有内部和外部通信
http-server.http.port=8080
# 每个查询可以使用的最大分布式内存量
query.max-memory=50GB
#查询可在任何一台计算机上使用的最大用户内存量
query.max-memory-per-node=1GB
# 查询可在任何一台计算机上使用的最大用户和系统内存量，其中系统内存是读取器，写入器和网络缓冲区等在执行期间使用的内存
query.max-total-memory-per-node=2GB
# discover-server 是 coordinator 内置的服务,负责监听 worker
discovery-server.enabled=true
# 发现服务器的 URI.因为已经在 Presto 协调器中启用了 discovery,所以这应该是 Presto 协调器的 URI
discovery.uri=http://node01:8080

2.7 Log Properties 配置

日志配置文件：​ ​etc/log.properties​ ​​。类似Java的日志级别，包括 ​ ​INFO​ ​​、​ ​DEBUG​ ​​、​ ​ERROR​ ​。

com.facebook.presto=INFO

2.8 Catalog Properties 配置

Presto 可以支持多个数据源，在 Presto 里面叫 catalog，这里以配置支持 Hive 的数据源为例，配置一个 Hive 的 catalog ：

#在 etc 目录下创建 catalog 目录 
[root@node01 etc]# mkdir catalog

Hive 的 catalog:

[root@node01 catalog]# vim hive.properties
#代表 hadoop2 代版本,并不是单单指 hadoop2.x 的版本,而是 hadoop 第二代.固定写法
connector.name=node02
#指定 hive 的 metastore 的地址(hive 必须启用 metastore)
hive.metastore.uri=thrift://node01:9083
#如果 hdfs 是高可用必须增加这个配置.如果不是高可用,可省略.如果 Presto 所在的节点>没 有安装 Hadoop,需要从其它 hadoop 节点复制这些文件到 Presto 的节点
hive.config.resources=/export/servers/hadoop-2.6.0-cdh5.14.0/etc/hadoop/core-site.xml, /export/servers/hadoop-2.6.0-cdh5.14.0/etc/hadoop/hdfs-site.xml
hive.allow-drop-table=true
hive.storage-format=ORC
hive.metastore-cache-ttl=1s
hive.metastore-refresh-interval=1s
hive.metastore-timeout=35m
hive.max-partitions-per-writers=1000

2.9 分发安装目录到集群中其它节点上

将 node01 上配置好的 presto 安装包分发到集群中的其它节点(这里使用的是自己写的分发脚本)

[root@node01 servers]# xsync script /export/servers/presto-server-315/

2.10 修改 node.id

修改 node02 和 node03 机器上 node.properties 配置文件中的 node.id (因为每台机器 node.id 必须要不一样)

[root@node02 etc]# vim node.properties 
node.id=2 

[root@node03 etc]# vim node.properties 
node.id=3

2.11 修改 work 节点的配置信息

修改 worker 节点(即 linux122 和 linux123 机器)上的 config.properties 配置文件里面的配置内容与 coordinator 所在的节点是不一样的

#该节点是否作为 coordinator,因为是 worker 节点,这里是 false
coordinator=false
#访问端口,可以自己指定
http-server.http.port=8080
#每个查询可以使用的最大分布式内存量
query.max-memory=50GB
#查询可在任何一台计算机上使用的最大用户内存量
query.max-memory-per-node=1GB
#查询可在任何一台计算机上使用的最大用户和系统内存量，其中系统内存是读取器，写 入器和网络缓冲区等在执行期间使用的内存
query.max-total-memory-per-node=2GB
#指定 discovery-server 的地址,这样 worker 才能找到它.与上面的端口须一致
discovery.uri=http://node01:8080

2.12 启动服务

启动脚本在安装目录的​ ​bin/launcher​ ​目录下，我们可以使用如下命令作为一个后台进程启动：

bin/launcher start

另外，也可以用在前台启动的方式运行，日志和目录输出将会写入到 ​ ​stdout/stderr​ ​​（可以使用类似​ ​daemontools​ ​的工具捕捉这两个数据流）

bin/launcher run

启动完之后，日志将会写在​ ​var/log​ ​目录下，该目录下有如下文件：

• ​ ​launcher.log​ ​：这个日志文件由 launcher 创建，并且server的stdout和stderr都被重定向到了这个日志文件中。这份日志文件中只会有很少的信息，包括：

在server日志系统初始化的时候产生的日志和JVM产生的诊断和测试信息。

​ ​server.log​ ​：这个是 Presto 使用的主要日志文件。一般情况下，该文件中将会包括 server初始化失败时产生的相关信息 。

​ ​http-request.log​ ​：这是 HTTP请求的日志文件 ，包括server收到的每个HTTP请求信息。

启动成功之后，我们可以通过​ ​jps​ ​查看到多了一个 PrestoServer 的进程。

[root@node01 etc]# jps
6051 PrestoServer

此时我们就可以通过​ ​ip:端口​ ​的方式访问到 presto 的 webui 界面。

关于 ​​ ​webui​ ​ 中 各项指标的含义 ，我整理了2张图，大家可以借鉴一下

另外，关于 Stage，Task 阶段的各参数指标含义，就不细讲了，更多内容详情见官网....

3、Presto 命令行 Client 的安装

Presto 的 命令行 Client 下载步骤也很简单：

1、下载 Presto 的客户端（下载 presto 对应的版本）👉https://repo1.maven.org/maven2/io/prestosql/presto-cli/315/presto-cli-315-executable.jar

2、将 ​ ​presto-cli-315-executable.jar​ ​​ 上传至服务器,放在 node01 的 ​ ​/export/servers/presto-server- 315/bin​ ​ 目录下

3、为方便使用，修改 jar 包名称为 presto

[root@node01 bin]$ mv presto-cli-315-executable.jar presto

4. 给文件增加执行权限

[root@node01 bin]# chmod +x presto

4、Presto 的基本使用

1、 启动 presto 客户端并选择连接的数据源(这里以 hive 为例)

[root@node01 bin]$ ./presto \ 
--server node01:8080 \ 
--catalog hive \(可选) 
--schema test \(可选) 
--user xiaobai (可选)

说明 : --  server 指定的是 ​ ​coordinator​ ​ 的地址 -- catalog 指定的是 连接的数据源 .(跟配置文件里面的名称一致) -- schema 指定的是 连接哪个数据库 ,这里是 test 数据库 -- user 指定的是 连接使用哪个用户 ,这里是xiaobai

2、Presto 命令行操作

#查看所有的数据库 
presto:test> show schemas; 
#查看某个库下的所有表 
presto:test> show tables; 
#查看一条 sql 查询(6 亿多条数据比 hive 快很多) 
presto:test> select count(1) from test.test_hive; 
_col0 
----------- 
620756992

5、Presto可视化客户端的安装

Presto 可视化客户端有多种，这里我们选择使用 ​ ​yanagishima-20.0​ ​ 版本

本篇文章中谈到的 所有 安装包资源，在公众号【大数据梦想家】后台回复 “ presto ”即可获得！

• 1、将 yanagishima-20.0.zip 安装包上传至 linux121 服务器上
• 2、解压 yanagishima-20.0.zip 安装包

[root@node01 software]# unzip yanagishima-20.0.zip -d /export/servers/

• 3、.进入到 ​ ​/opt/servers/yanagishima-20.0/conf/​ ​目录下,修改 yanagishima.properties 配置文件

#指定 jetty 的端口,类似 tomcat 的 web 容器的一个组件
jetty.port=7788
#指定数据源
presto.datasources=presto_test
presto.coordinator.server.presto_test=http://node01:8080
catalog.presto_test=hive
schema.presto_test=ods
sql.query.engines=presto

• 4、启动 yanagishima

[root@node01 yanagishima-20.0]# nohup bin/yanagishima-start.sh 1>/dev/null 2>&1 &

• 5、webUI访问界面

通过​ ​http://node01:7788/​ ​，即可查询到相关信息

• 6、查看 Presto 表结构，如下图所示：

在“Treeview”页面下可以查看所有表的结构，包括​ ​Schema​ ​​，​ ​Table​ ​​，​ ​Column​ ​等。

比如，执行​ ​SELECT * FROM hive.company."action" LIMIT 100​ ​

每张表后面都有一个复制图标，单击此图标可以复制完整的表名，然后在上面的文本框中输入 SQL 语句 即可，如图所示： 还可以查询列表中其他的表格，比如，想要执行现在已经写好了的SQL语句，​​ ​SELECT * FROM hive.company."demo01" LIMIT 100​ ​​，按​ ​Ctrl + Enter​ ​组合键显示 查询结果 ，如图所示： 当然，我们也可以通过​​ ​Query List​ ​​模块查询我们执行过的SQL详细信息，包括​ ​State​ ​​，​ ​query ID​ ​​，​ ​Elapsed​ ​​，​ ​Query​ ​​，​ ​Source​ ​​，​ ​User​ ​....

更多使用，就不一一剧透介绍，小伙伴们可以自行去研究~

6、Presto的优化

Presto 的优化是一个非常有水平的问题，大致总结下，分如下几个类别：

6.1 数据存储

想要使用 Presto 更高效地查询数据，需要在数据存储方面利用一些优化手段。

6.1.1 合理设置分区

与 Hive 类似，Presto 会根据元数据信息读取分区数据， 合理地设置分区 能减少 Presto 数据读取量，提升查询性能。

6.1.2 使用 ORC 格式存储

Presto 对 ORC文件 读取进行了特定优化，因此， 在 Hive 中创建 Presto 使用的表时，建议采用 ORC 格式存储 。相对于 Parquet 格式，Presto 对 ORC 格式支持得更好。

6.1.3 使用压缩

数据压缩可以减少节点间数据传输对 IO 带宽的压力 ，对于即席查询需要快速解压，建议采用 ​ ​Snappy​ ​压缩。

6.1.4 预先排序

对于已经排序的数据，在查询的数据过滤阶段，ORC格式支持跳过读取不必要的数据。比如对于经常需要过滤的字段可以预先排序。

INSERT INTO table nation_orc partition(p) SELECT * FROM nation SORT BY n_name;

如果需要过滤 n_name 字段，则性能将提升。

SELECT count(*) FROM nation_orc WHERE n_name=’AUSTRALIA’;

6.2 SQL查询

想要使用 ​ ​Presto​ ​更高效地查询数据，需要在编写查询SQL语句方面利用一些优化手段。

6.2.1 只选择需要的字段

由于采用列式存储，所以 只选择需要的字段可加快字段的读取速度，减少数据量 。避免采用 * 读取所有字段。

[GOOD]: SELECT time,user,host FROM tbl
[BAD]:  SELECT * FROM tbl

6.2.2 过滤条件必须加上分区字段

对于有分区的表，where语句中优先使用分区字段进行过滤 。acct_day 是分区字段，visit_time 是具体访问时间。

[GOOD]: SELECT time,user,host FROM tbl where acct_day=20171101
[BAD]:  SELECT * FROM tbl where visit_time=20171101

6.2.3 Group By语句优化

合理安排 ​ ​Group by​ ​语句中 字段顺序对性能有一定提升 。将 Group By 语句中字段按照每个字段 distinct 数据多少进行降序排列。

[GOOD]: SELECT GROUP BY uid, gender
[BAD]:  SELECT GROUP BY gender, uid

6.2.4 Order by时使用Limit

Order by 需要扫描数据到单个 worker 节点进行排序，导致单个worker需要大量内存。 如果是查询 Top N 或者 Bottom N，使用 limit 可减少排序计算和内存压力 。

[GOOD]: SELECT * FROM tbl ORDER BY time LIMIT 100
[BAD]:  SELECT * FROM tbl ORDER BY time

6.2.5 使用近似聚合函数

Presto有一些近似聚合函数，对于 允许有少量误差 的查询场景，使用这些函数 对查询性能有大幅提升 。比如使用​ ​approx_distinct()​ ​​函数比​ ​Count(distinct x)​ ​有大概2.3%的误差。

SELECT approx_distinct(user_id) FROM access

6.2.6 用regexp_like代替多个like语句

Presto查询优化器没有对多个 ​ ​like​ ​​ 语句进行优化，使用​ ​regexp_like​ ​对性能有较大提升。

[GOOD]
SELECT
  ...
FROM
  access
WHERE
  regexp_like(method, 'GET|POST|PUT|DELETE')

[BAD]
SELECT
  ...
FROM
  access
WHERE
  method LIKE '%GET%' OR
  method LIKE '%POST%' OR
  method LIKE '%PUT%' OR
  method LIKE '%DELETE%'

6.2.7 使用Join语句时将大表放在左边

Presto中 join 的默认算法是​ ​broadcast join​ ​，即将 join 左边的表分割到多个 worker ，然后将join 右边的表数据整个复制一份发送到每个worker进行计算。如果右边的表数据量太大，则可能会报内存溢出错误。

[GOOD] SELECT ... FROM large_table l join small_table s on l.id = s.id
[BAD] SELECT ... FROM small_table s join large_table l on l.id = s.id

6.2.8 使用Rank函数代替row_number函数来获取Top N

在进行一些分组排序场景时，使用rank函数性能更好

[GOOD]
SELECT checksum(rnk)
FROM (
  SELECT rank() OVER (PARTITION BY l_orderkey, l_partkey ORDER BY l_shipdate DESC) AS rnk
  FROM lineitem
) t
WHERE rnk = 1

[BAD]
SELECT checksum(rnk)
FROM (
  SELECT row_number() OVER (PARTITION BY l_orderkey, l_partkey ORDER BY l_shipdate DESC) AS rnk
  FROM lineitem
) t
WHERE rnk = 1

6.3 注意事项

​ ​ORC​ ​​和​ ​Parquet​ ​ 都支持 列式存储 ，但是 ORC对Presto支持更好 （Parquet对Impala支持更好）

对于列式存储而言，存储文件为二进制的，对于经常增删字段的表，建议不要使用列式存储（修改文件元数据代价大）。对比数据仓库， dwd层建议不要使用ORC，而dm层则建议使用 。

6.4 可能会踩的坑

使用 Presto 需要注意如下几点：

6.4.1 如何加快在Presto上的数据统计

很多的时候，在Presto上对数据库跨库查询，例如Mysql数据库。这个时候Presto的做法是从MySQL数据库端拉取最基本的数据，然后再去做进一步的处理，例如统计等聚合操作。

举个例子：

SELECT count(id) FROM table_1 WHERE condition=1;

上面的SQL语句会分为3个步骤进行：

（1）Presto发起到Mysql数据库进行查询

SELECT id FROM table_1 WHERE condition=1;

（2）对结果进行count计算

（3）返回结果

所以说，对于Presto来说，其跨库查询的瓶颈是在数据拉取这个步骤。若要提高数据统计的速度，可考虑 把 Mysql 中相关的数据表定期转移到HDFS中，并转存为高效的列式存储格式ORC 。

所以定时归档是一个很好的选择，这里还要注意，在归档的时候我们要选择一个归档字段，如果是按日归档，我们可以用日期作为这个字段的值，采用​ ​yyyyMMdd​ ​​的形式，例如​ ​20180123​ ​.

一般创建归档数据库的SQL语句如下：

CREATE TABLE IF NOT EXISTS table_1 (
id INTEGER,
........
partition_date INTEGER
)WITH ( format = 'ORC', partitioned_by = ARRAY['partition_date'] );

查看创建的库结构：

SHOW CREATE TABLE table_1; /*Only Presto*/

带有分区的表创建完成之后，每天只要更新分区字段​ ​partition_date​ ​就可以了，聪明的Presto 就能将数据放置到规划好的分区了。

如果要查看一个数据表的分区字段是什么，可以下面的语句：

SHOW PARTITIONS FROM table_1 /*Only Presto*/

6.4.2 查询条件中尽量带上分区字段进行过滤

如果数据被规当到 HDFS 中，并带有分区字段。在每次查询归档表的时候，要带上分区字段作为过滤条件，这样可以加快查询速度。因为 有了分区字段作为查询条件，就能帮助Presto避免全区扫描，减少Presto需要扫描的HDFS的文件数 。

6.4.3 多多使用 WITH 语句

使用 Presto 分析统计数据时，可考虑把多次查询合并为一次查询，用 Presto 提供的子查询完成。

这点和我们熟知的MySQL的使用不是很一样。

例如：

WITH subquery_1 AS (
    SELECT a1, a2, a3 
    FROM Table_1 
    WHERE a3 between 20180101 and 20180131
),               /*子查询subquery_1,注意：多个子查询需要用逗号分隔*/
subquery_2 AS (
    SELECT b1, b2, b3
    FROM Table_2
    WHERE b3 between 20180101 and 20180131
)                /*最后一个子查询后不要带逗号，不然会报错。*/        
SELECT 
    subquery_1.a1, subquery_1.a2, 
    subquery_2.b1, subquery_2.b2
FROM subquery_1
    JOIN subquery_2
    ON subquery_1.a3 = subquery_2.b3;

6.4.4 利用子查询，减少读表的次数，尤其是大数据量的表

具体做法是，将使用频繁的表作为一个子查询抽离出来，避免多次 read。

6.4.5 只查询需要的字段

一定要避免在查询中使用 SELECT * 这样的语句，就像只有告诉我们需要查询数据越具体，工作效率越高。

对于我们的数据库而言也是这样，任务越明确，工作效率越高。

对于要查询全部字段的需求也是这样，没有偷懒的捷径，把它们都写出来。

6.4.6 Join查询优化

Join左边尽量放小数据量的表，而且最好是重复关联键少的表。

6.4.7 字段名引用

避免字段名与关键字冲突：MySQL对于关键字冲突的字段名加 反引号 ，Presto 对与关键字冲突的字段名加 双引号 。当然，如果字段名不与关键字冲突，则可以不加双引号。

6.4.8 时间函数

对于 ​ ​timestamp​ ​​，需要进行比较的时候，需要添加 ​ ​timestamp​ ​​ 关键字，而 MySQL 中对 ​ ​timestamp​ ​ 可以直接进行比较。

/*MySQL的写法*/
SELECT t FROM a WHERE t > '2017-01-01 00:00:00'; 

/*Presto中的写法*/
SELECT t FROM a WHERE t > timestamp '2017-01-01 00:00:00';

6.4.9 MD5 函数的使用

Presto 中 MD5 函数传入的 是 ​ ​binary​ ​​ 类型，返回的也是​ ​binary​ ​​类型，要对字符串进行 ​ ​MD5​ ​操作时，需要转换：

SELECT to_hex(md5(to_utf8('1212')));

6.4.10 不支持 INSERT OVERWRITE 语法

Presto中不支持 ​ ​insert overwrite​ ​​语法，只能先​ ​delete​ ​​，然后​ ​insert into​ ​

6.4.11 ORC 格式

Presto 中对 ORC 文件格式进行了针对性优化，但在 impala 中目前不支持ORC格式的表，hive中支持 ORC 格式的表，所以想用列式存储的时候可以优先考虑ORC格式

6.4.12 PARQUET 格式

Presto 目前支持 parquet 格式，支持查询，但不支持 ​ ​insert​ ​