Presto 使用 Alluxio

Slack Docker Pulls GitHub edit source

Presto 是一个开源的分布式 SQL 查询引擎，用于对数据进行大规模的交互式分析查询。 本指南介绍了如何使用 Alluxio 作为分布式缓存层运行 Presto 进行查询，其中数据源可以是 AWS S3、Azure Blob Store、HDFS 和许多其他数据源。 使用此设置，Alluxio 将帮助 Presto 访问数据（不论是何数据源），并透明地将频繁访问的数据（例如，常用的表）缓存到 Alluxio 的分布式存储中。 将 Alluxio worker 与 Presto worker 同置部署，可以提升数据本地性，减少 I/O 访问延迟，尤其是在数据是远程的或网络缓慢或拥塞的情况下效果更明显。

前期准备

  • 安装 Java 8 Update 60 或更高版本（8u60+）的 64 位 Java。
  • 部署 Presto。 本指南基于presto-0.208测试。
  • 已经安装并运行 Alluxio。
  • 确保 Alluxio 客户端 jar 包是可用的。 在从 Alluxio 下载页面下载的压缩包的/<PATH_TO_ALLUXIO>/client/alluxio-2.6.0-client.jar中，可以找到 Alluxio 客户端 jar 包。
  • 确保 Hive metastore 正在运行以提供 Hive 表的元数据信息。

基础设置

配置 Presto 连接到 Hive Metastore

Presto 从 Hive Metastore 中获取数据库和表元数据的信息，同时获取表数据的文件系统位置。 编辑 Presto 的 ${PRESTO_HOME}/etc/catalog/hive.properties配置：

  1. connector.name=hive-hadoop2
  2. hive.metastore.uri=thrift://localhost:9083

分发 Alluxio 客户端 jar 包给所有 Presto 服务器

把 Alluxio 客户端 jar 包/<PATH_TO_ALLUXIO>/client/alluxio-2.6.0-client.jar 放到所有 Presto 服务器的${PRESTO_HOME}/plugin/hive-hadoop2/目录（该目录可能会因版本而不同）中。重启 Presto 服务：

  1. $ ${PRESTO_HOME}/bin/launcher restart

在完成基础配置后，Presto 应该能够访问 Alluxio 中的数据。 要为 Presto 配置更高级的特性，请参考高级设置中的步骤。

示例：使用 Presto 在 Alluxio 上查询表

在 Alluxio 上创建 Hive 表

下面是一个依靠 Alluxio 中的文件在 Hive 中创建内部表的示例。 你可以从 http://grouplens.org/datasets/movielens/ 下载数据文件（例如，ml-100k.zip）。 解压文件，并将文件u.user上传到 Alluxio 的/ml-100k/目录：

  1. $ ./bin/alluxio fs mkdir /ml-100k
  2. $ ./bin/alluxio fs copyFromLocal /path/to/ml-100k/u.user alluxio:///ml-100k

从 Alluxio 的已有文件创建一个 Hive 外部表：

  1. hive> CREATE TABLE u_user (
  2. userid INT,
  3. age INT,
  4. gender CHAR(1),
  5. occupation STRING,
  6. zipcode STRING)
  7. ROW FORMAT DELIMITED
  8. FIELDS TERMINATED BY '|'
  9. LOCATION 'alluxio://master_hostname:port/ml-100k';

在http://master_hostname:19999上查看 Alluxio WebUI，你可以看到 Hive 创建的目录和文件：

HiveTableInAlluxio

启动 Hive metastore

确保 Hive metastore 服务正在运行。Hive metastore 默认监听端口9083。如果 Hive metastore 没在运行，运行以下命令来启动 Hive metastore：

  1. $ ${HIVE_HOME}/bin/hive --service metastore

启动 Presto 服务器

启动 Presto 服务器。Presto 服务器默认在8080端口运行（可以通过${PRESTO_HOME}/etc/config.properties中的http-server.http.port设置）：

  1. $ ${PRESTO_HOME}/bin/launcher run

使用 Presto 查询表

按照 Presto CLI 指南下载presto-cli-<PRESTO_VERSION>-executable.jar，将其重命名为presto，并使用chmod +x使其变成可执行的（有时${PRESTO_HOME}/bin/presto中存在可执行的presto，你可以直接使用它）。

运行简单的查询（使用你实际的 Presto 服务器主机名和端口替换localhost:8080）：

  1. $ ./presto --server localhost:8080 --execute "use default;select * from u_user limit 10;" \
  2.   --catalog hive --debug

你可以从控制台看到查询结果：

PrestoQueryResult

Presto 服务器日志：

PrestoQueryLog

高级设置

自定义 Alluxio 用户属性

要配置其他 Alluxio 属性，可以将包含alluxio-site.properties的配置路径（即${ALLUXIO_HOME}/conf）追加到 Presto 文件夹下的etc/jvm.config的 JVM 配置中。 这种方法的优点是能够在同一个alluxio-site.properties文件中设置所有的 Alluxio 属性。

  1. ...
  2. -Xbootclasspath/a:<path-to-alluxio-conf>

或者，你可以将这些属性添加到 Hadoop 配置文件（core-site.xml，hdfs-site.xml）中，并使用文件$presto/etc/catalog/hive.properties中的 Presto 属性hive.config.resources来为每个 Presto worker 指明文件位置。

  1. hive.config.resources=/<PATH_TO_CONF>/core-site.xml,/<PATH_TO_CONF>/hdfs-site.xml

示例：连接 HA 模式的 Alluxio

要使用容错模式的 Alluxio，需要在 classpath 中的alluxio-site.properties文件中适当设置 Alluxio 集群的属性。

  1. alluxio.zookeeper.enabled=true
  2. alluxio.zookeeper.address=zkHost1:2181,zkHost2:2181,zkHost3:2181

或者，你可以将属性添加到hive.config.resources所包含的 hadoop core-site.xml配置中。

  1. <configuration>
  2.   <property>
  3.     <name>alluxio.zookeeper.enabled</name>
  4.     <value>true</value>
  5.   </property>
  6.   <property>
  7.     <name>alluxio.zookeeper.address</name>
  8.     <value>zkHost1:2181,zkHost2:2181,zkHost3:2181</value>
  9.   </property>
  10. </configuration>

示例：更改 Alluxio 默认写类型

例如，更改alluxio.user.file.writetype.default，从默认的MUST_CACHE改为CACHE_THROUGH。

一种方法是在alluxio-site.properties中设置属性，并将此文件分发到每个 Hive 节点的 classpath：

  1. alluxio.user.file.writetype.default=CACHE_THROUGH

或者，更改conf/hive-site.xml：

  1. <property>
  2.   <name>alluxio.user.file.writetype.default</name>
  3.   <value>CACHE_THROUGH</value>
  4. </property>

提高并行度

Presto 的 Hive 集成使用hive.max-split-size配置来控制查询的并行度。 对于 Alluxio 1.6 或更早版本，建议将此大小设置为不小于 Alluxio 的块大小，以避免同一块中的读取竞争。对于以后的 Alluxio 版本，由于 Alluxio Worker 上有了异步缓存，这不再是一个问题。

避免 Presto 读取大文件超时

建议将alluxio.user.network.data.timeout增加到较大的值（例如10min），以避免从远程的 worker 读取大文件时超时失败。

故障排除指南

查询出现错误信息“No FileSystem for scheme: alluxio”

当你看到类似如下错误信息时，很可能 Alluxio 客户端 jar 包没有被放入到 Presto worker 的 classpath 中。请按照说明来解决此问题。

  1. Query 20180907_063430_00001_cm7xe failed: No FileSystem for scheme: alluxio
  2. com.facebook.presto.spi.PrestoException: No FileSystem for scheme: alluxio
  3.     at com.facebook.presto.hive.BackgroundHiveSplitLoader$HiveSplitLoaderTask.process(BackgroundHiveSplitLoader.java:189)
  4.     at com.facebook.presto.hive.util.ResumableTasks.safeProcessTask(ResumableTasks.java:47)
  5.     at com.facebook.presto.hive.util.ResumableTasks.access$000(ResumableTasks.java:20)
  6.     at com.facebook.presto.hive.util.ResumableTasks$1.run(ResumableTasks.java:35)
  7.     at io.airlift.concurrent.BoundedExecutor.drainQueue(BoundedExecutor.java:78)
  8.     at java.util.concurrent.ThreadPoolExecutor.runWorker(ThreadPoolExecutor.java:1149)
  9.     at java.util.concurrent.ThreadPoolExecutor$Worker.run(ThreadPoolExecutor.java:624)
  10.     at java.lang.Thread.run(Thread.java:748)