Impala的神奇指令「COMPUTE STATS」

493 查看

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 StatisticsTable 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


2018 - 知识虫 - 我的知识库 渝ICP备16002641号-2

渝公网安备 50010702501581号