大数据技术之Presto应用实践(一)

问题导读：
1、什么是Presto？
2、Presto、Impala性能优劣有哪些？
3、Presto如何安装部署？
4、Presto如何使用命令行进行Client的安装？

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
                1.5.1 优点
                1.5.2 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


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！



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 Connector。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

        Presto 和 Impala这两种典型的内存数据库之间具体的性能测试比较就不详细展开叙述，感兴趣可以去看这篇链接：https://blog.csdn.net/u012551524/article/details/79124532

        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。



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/t ... todb-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
复制代码

        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/
复制代码

        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
复制代码

        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
复制代码

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
复制代码

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
复制代码

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
复制代码

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
复制代码

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/
复制代码

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
复制代码

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
复制代码

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
复制代码

        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/i ... -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
复制代码

        4. 给文件增加执行权限

[root@node01 bin]# chmod +x presto
复制代码

下一篇：
大数据技术之Presto应用实践(二)
https://www.aboutyun.com/forum.php?mod=viewthread&tid=30494




作者：大数据梦想家
链接：https://blog.csdn.net/weixin_44318830/article/details/114339496

感谢分享