xuchuanyin commented on a change in pull request #3523: [doc_chinese_doc ]add Create table scene by day sortColumn effect analysis chinese doc … URL: https://github.com/apache/carbondata/pull/3523#discussion_r363700794
########## File path: docs/zh_cn/明细数据查询的典型Carbon应用-点查 过滤条件.md ########## @@ -0,0 +1,525 @@ +<!-- + Licensed to the Apache Software Foundation (ASF) under one or more + contributor license agreements. See the NOTICE file distributed with + this work for additional information regarding copyright ownership. + The ASF licenses this file to you under the Apache License, Version 2.0 + (the "License"); you may not use this file except in compliance with + the License. You may obtain a copy of the License at + + http://www.apache.org/licenses/LICENSE-2.0 + + Unless required by applicable law or agreed to in writing, software + distributed under the License is distributed on an "AS IS" BASIS, + WITHOUT WARRANTIES OR CONDITIONS OF ANY KIND, either express or implied. + See the License for the specific language governing permissions and + limitations under the License. +--> + +# 明细数据查询的典型CarbonData应用-点查+过滤条件 + +## 背景 + + 本文主要针对使用CarbonData在明细数据查询场景下如何配置建表、加载、查询时参数为主要阐述对象，指导用户在建表时选择合适的字典配置及SORT_COLUMNS、SORT_SCOPE配置。并且给出了一组不同配置是进行加载，查询的耗时情况，用户可以根据自己的业务特点和场景选择合适的参数。 + + 本文中数据表及查询的主要特点是：表记录数都比较大，列数比较多，大约在100-600行之间，表的大小从数千万到数百亿之间。在查询的时候主要是进行点查和过滤，没有汇聚计算，偶尔有关联维表的场景。数据入库采取分批入库的方式，周期约为5分钟，按天建表。查询时可能有不少于20的并发查询。 + +典型的查询的使用框架，其中第五个求sum仅为作性能对比。 + +1.点查: select * from table where id_a=‘ ’ limit 1000; + +2.模糊查询: select * from table where id_a like '1234%' limit 1000; + +3.求记录总数: select count(1) from table; + +4.求最大/最小值: select max(id_a), min(id_a) from table; + +5.求sum(仅为了做性能对比): select sum(id_a) from table; + +数据的特点，列主要是以int, bigint, string列构成，描述一些号码列，时间列，ID列等，无复杂数据类型。 + + + +## 测试环境 + +| 集群 | CPU | vCore | Memory | 硬盘 | 描述 | +| ---------- | -------------------- | ----- | ------ | --------------------- | ------------------------------------------------------------ | +| Hadoop集群 | Gold 6132 CPU@2.60GZ | 56 | 256GB | SATA磁盘，12块做RAID0 | 2个namenode，6个datanode， 查询队列分配1/6的资源，等同于一个节点 | + + + +## 建表 Create table + +### 建表 Create table 时字典的选择 + + 建表时用户可以选择使用本地字典或者不使用字典。通常情况下使用本地字典数据加载时比较耗时，但是查询时较快; 而不使用本地字典时加载较快，查询不如使用本地字典。用户在实际使用时可以根据自身业务的诉求来选择合适的模式。关于CarbonData本地字典的具体描述可以参考官网的[文档](http://carbondata.apache.org/ddl-of-carbondata.html#create-table)。 + + 为此这里做了一个验证，分别对不使用字典，使用本地字典的数据表进行加载和点查操作，分析其加载和查询性能。 + +建表语句结构如下： + +1）不使用字典： + +``` +create table if not exists test.detail_benchmark1 +('id', BIGINT, 'imsi' STRING,'msisdn' STRING, `imei` STRING, ...) +TBLPROPERTIES ( 'LOCAL_DICTIONARY_ENABLE'='false', 'table_blocksize'='256') +``` + +2) 使用本地字典： + +``` +create table if not exists test.detail_loacl_dict +('id', BIGINT, 'imsi' STRING,'msisdn' STRING, `imei` STRING, ...) +TBLPROPERTIES ( 'LOCAL_DICTIONARY_INCLUDE'='IMSI,MSISDN,IMEI','table_blocksize'='256') +``` + +使用16亿数据量样本作为表数据，分168个批次分别加载到如上表中，其加载性能如下： + +| 表 | 数据量 | 加载耗时 秒 | +| ---------------------- | ---------- | ----------- | +| test.detail_benchmark1 | 1613149548 | 1109 | +| test.detail_loacl_dict | 1613149548 | 1876 | + +下面列表记录了每一个批次的加载耗时 + +| 加载批次 | 耗时 秒 detail_benchmark | 耗时 秒 detail_loacl_dict | +| -------- | ------------------------- | ------------------------- | +| 1 | 6.584 | 19.31 | +| 2 | 10.255 | 21.406 | +| 3 | 5.079 | 21.619 | +| 4 | 5.004 | 21.538 | +| 5 | 10.877 | 18.191 | +| 6 | 7.868 | 17.457 | +| 7 | 5.295 | 20.919 | +| 8 | 4.43 | 17.048 | +| 9 | 5.373 | 18.584 | +| 10 | 6.074 | 17.668 | +| 11 | 5.889 | 19.553 | +| 12 | 4.8 | 14.819 | +| 13 | 4.972 | 12 | +| 14 | 5.144 | 11.909 | +| 15 | 5.403 | 18.428 | +| 16 | 5.314 | 19.536 | +| 17 | 4.519 | 22.373 | +| 18 | 9.327 | 24.507 | +| 19 | 5.277 | 7.219 | +| 20 | 10.882 | 6.552 | +| 21 | 4.74 | 11.911 | +| 22 | 5.38 | 11.908 | +| 23 | 9.046 | 7.076 | +| 24 | 4.399 | 6.391 | +| 25 | 5.079 | 7.697 | +| 26 | 4.177 | 6.114 | +| 27 | 4.441 | 6.349 | +| 28 | 4.951 | 7.034 | +| 29 | 5.09 | 13.404 | +| 30 | 4.286 | 7.455 | +| 31 | 7.821 | 13.776 | +| 32 | 4.623 | 7.025 | +| 33 | 9.304 | 7.273 | +| 34 | 4.806 | 13.23 | +| 35 | 5.469 | 6.562 | +| 36 | 10.045 | 6.581 | +| 37 | 4.619 | 11.716 | +| 38 | 5.807 | 5.939 | +| 39 | 9.101 | 6.531 | +| 40 | 4.968 | 6.675 | +| 41 | 4.654 | 6.389 | +| 42 | 4.763 | 6.774 | +| 43 | 4.155 | 6.203 | +| 44 | 4.672 | 6.288 | +| 45 | 5.052 | 12.845 | +| 46 | 4.812 | 6.185 | +| 47 | 7.941 | 6.653 | +| 48 | 5.401 | 5.775 | +| 49 | 4.684 | 5.776 | +| 50 | 4.698 | 10.646 | +| 51 | 4.604 | 6.359 | +| 52 | 8.843 | 5.899 | +| 53 | 4.785 | 11.284 | +| 54 | 4.969 | 7.116 | +| 55 | 7.634 | 6.291 | +| 56 | 4.424 | 6.534 | +| 57 | 5.086 | 11.372 | +| 58 | 4.461 | 5.613 | +| 59 | 7.809 | 19.169 | +| 60 | 4.852 | 7.34 | +| 61 | 8.486 | 7.182 | +| 62 | 4.412 | 10.598 | +| 63 | 4.168 | 17.974 | +| 64 | 4.287 | 6.998 | +| 65 | 8.867 | 6.526 | +| 66 | 4.37 | 6.457 | +| 67 | 4.23 | 12.335 | +| 68 | 5.28 | 13.638 | +| 69 | 7.945 | 7.597 | +| 70 | 4.647 | 41.695 | +| 71 | 4.429 | 22.057 | +| 72 | 8.659 | 11.863 | +| 73 | 10.062 | 17.561 | +| 74 | 5.514 | 8.366 | +| 75 | 7.608 | 14.011 | +| 76 | 4.586 | 7.205 | +| 77 | 7.692 | 6.602 | +| 78 | 5.319 | 6.103 | +| 79 | 4.884 | 18.043 | +| 80 | 4.13 | 6.89 | +| 81 | 8.511 | 11.561 | +| 82 | 4.983 | 7.434 | +| 83 | 8.486 | 5.779 | +| 84 | 5.158 | 6.033 | +| 85 | 4.224 | 6.359 | +| 86 | 4.444 | 6.736 | +| 87 | 4.546 | 6.397 | +| 88 | 4.799 | 6.904 | +| 89 | 3.967 | 7.01 | +| 90 | 4.437 | 5.612 | +| 91 | 4.541 | 10.904 | +| 92 | 4.649 | 6.64 | +| 93 | 4.665 | 6.508 | +| 94 | 62.925 | 17.063 | +| 95 | 4.335 | 7.104 | +| 96 | 7.366 | 7.699 | +| 97 | 5.028 | 6.881 | +| 98 | 5.097 | 5.803 | +| 99 | 4.345 | 6.36 | +| 100 | 4.251 | 9.569 | +| 101 | 4.671 | 6.121 | +| 102 | 7.432 | 5.491 | +| 103 | 4.508 | 6.412 | +| 104 | 4.866 | 6.104 | +| 105 | 4.58 | 12.243 | +| 106 | 4.94 | 6.362 | +| 107 | 7.842 | 5.697 | +| 108 | 4.332 | 11.934 | +| 109 | 4.646 | 29.469 | +| 110 | 4.534 | 14.249 | +| 111 | 9.206 | 13.585 | +| 112 | 4.802 | 10.479 | +| 113 | 4.119 | 8.238 | +| 114 | 4.139 | 9.334 | +| 115 | 4.588 | 8.438 | +| 116 | 4.537 | 8.621 | +| 117 | 4.688 | 7.742 | +| 118 | 4.055 | 8.27 | +| 119 | 4.703 | 6.958 | +| 120 | 4.51 | 23.409 | +| 121 | 4.178 | 9.167 | +| 122 | 9.22 | 6.772 | +| 123 | 4.359 | 12.718 | +| 124 | 4.926 | 7.611 | +| 125 | 4.487 | 14.572 | +| 126 | 4.571 | 13.044 | +| 127 | 8.108 | 8.975 | +| 128 | 4.472 | 18.712 | +| 129 | 4.66 | 45.553 | +| 130 | 7.791 | 12.255 | +| 131 | 8.569 | 13.897 | +| 132 | 5.671 | 12.073 | +| 133 | 9.43 | 21.305 | +| 134 | 4.015 | 6.391 | +| 135 | 8.961 | 47.173 | +| 136 | 5.955 | 9.856 | +| 137 | 7.095 | 6.996 | +| 138 | 4.641 | 11.802 | +| 139 | 5.156 | 6.072 | +| 140 | 7.757 | 6.365 | +| 141 | 4.71 | 10.944 | +| 142 | 4.346 | 7.061 | +| 143 | 8.663 | 6.19 | +| 144 | 4.641 | 13.49 | +| 145 | 4.864 | 6.598 | +| 146 | 7.932 | 7.13 | +| 147 | 4.56 | 11.359 | +| 148 | 3.941 | 6.113 | +| 149 | 7.729 | 10.987 | +| 150 | 4.7 | 7.347 | +| 151 | 8.089 | 7.309 | +| 152 | 4.016 | 12.875 | +| 153 | 4.468 | 7.873 | +| 154 | 9.136 | 6.559 | +| 155 | 5.69 | 16.854 | +| 156 | 4.253 | 6.499 | +| 157 | 8.223 | 5.983 | +| 158 | 4.733 | 16.357 | +| 159 | 4.347 | 15.032 | +| 160 | 4.276 | 13.735 | +| 161 | 17.02 | 13.094 | +| 162 | 4.765 | 22.683 | +| 163 | 5.941 | 12.033 | +| 164 | 66.877 | 11.795 | +| 165 | 15.101 | 6.563 | +| 166 | 8.748 | 9.21 | +| 167 | 5.412 | 10.025 | +| 168 | 11.692 | 8.565 | +| 总计 | 1109.742 | 1876.579 | + + 从数据中可以看出，使用本地字典在数据加载时将花费更多的时间，不使用字典时耗时明显少，从168个批次的统计数据看使用本地字典将比不使用本地字典多消耗70%的加载时长，但是在查询性能上又有提升，详细见后续介绍。 + +查询性能的对比 + + 这里使用了一组点查的SQL对使用本地字典、全局字典和不使用字典的数据表进行了查询统计，记录一些统计结论。 + +点查询SQL分别使用 + +``` +select * from test.detail_benchmark where MSISDN="13900000000" limit 2000; +select * from test.detail_loacl_dict where MSISDN="13900000000" limit 2000; + +``` + +模糊查询SQL分别使用 + +``` +select * from test.detail_benchmark where MSISDN like "1361%" limit 2000; +select * from test.detail_loacl_dict where MSISDN like "1391%" limit 2000; +``` + + + +记录查询耗时情况如下： + +| 查询用例 | 耗时 秒 detail_benchmark | 耗时 秒 detail_loacl_dict | +| ------------------ | ------------------------ | ------------------------- | +| 点查询五次平均值 | 18.5 | 14.543 | +| 模糊查询五次平均值 | 10.832 | 4.118 | + + 从结果可以看出，使用本地字典查询较不使用本地字典点查的时候性能有较大的提升。使用本地字典点查询性能提升在30%左右，模糊查询性能提升超过1倍。 + + 用户在选择字典的使用上时，可以根据自身对数据加载的要求和查询要求来选择字典，本案例由于对数据入库的时效性有较高要求，为了避免数据加载的延迟，因此在建表的时候选择无字典的方案，牺牲了一些查询性能。 + + + +### 建表 Create table 时SORT_COLUMNS和SORT_SCOPE的选择 + + 关于SORT_COLUMNS的配置可以参考CarbonData[官网](http://carbondata.apache.org/ddl-of-carbondata.html#create-table)的说明, 当用户不指定SORT_COLUMNS时，默认将不建立SORT_COLUMNS，当前的SORT_COLUMNS只支持：string, date, timestamp, short, int, long, byte, boolean类型。SORT_COLUMNS 在用户指定的列上建立MKD索引，将有助于查询性能的提升，但是将稍微影响加载性能，因此只需要给需要的列上设置SORT_COLUMNS即可，无需给所有列都设置SORT_COLUMNS。 + + [SORT_SCOPE](http://carbondata.apache.org/ddl-of-carbondata.html#create-table)参数用户在指定了SORT_COLUMNS后，数据加载时排序的设置，当前支持的设置有： + +NO_SORT: 对加载的数据不排序 + +LOCAL_SORT: 加载的数据在本地排序 + +GLOBAL_SORT: 加载的数据全局排序，它提升了高并发下点查的效率，对加载的性能的影响较大。 + +在建表时，对使用SORT_COLUMNS时“NO_SORT”，“LOCAL_SORT”， “GLOBAL_SORT”的性能进行分析。 + +建表语句： + +```基准表``` + +``` +create table if not exists test.detail_benchmark1 +('id', BIGINT, 'imsi' STRING,'msisdn' STRING, `imei` STRING, ...) +TBLPROPERTIES ( 'LOCAL_DICTIONARY_ENABLE'='false', 'table_blocksize'='256') +``` + +```全局排序``` + +``` +create table if not exists test.detail_global_sort +('id', BIGINT, 'imsi' STRING,'msisdn' STRING, `imei` STRING, ...) + TBLPROPERTIES ( 'LOCAL_DICTIONARY_ENABLE'='false', TBLPROPERTIES ( 'LOCAL_DICTIONARY_ENABLE'='false', 'table_blocksize'='256', 'SORT_COLUMNS'='msisdn,req_time_sec,req_succed_flag', 'SORT_SCOPE'='GLOBAL_SORT') +``` + +```本地排序``` + +``` +create table if not exists test.detail_local_sort +('id', BIGINT, 'imsi' STRING,'msisdn' STRING, `imei` STRING, ...) + TBLPROPERTIES ( 'LOCAL_DICTIONARY_ENABLE'='false', TBLPROPERTIES ( 'LOCAL_DICTIONARY_ENABLE'='false', 'table_blocksize'='256', 'SORT_COLUMNS'='msisdn,req_time_sec,req_succed_flag', 'SORT_SCOPE'='LOCAL_SORT') +``` + +```不排序``` + +``` +create table if not exists test.detail_no_sort +('id', BIGINT, 'imsi' STRING,'msisdn' STRING, `imei` STRING, ...) + TBLPROPERTIES ( 'LOCAL_DICTIONARY_ENABLE'='false', TBLPROPERTIES ( 'LOCAL_DICTIONARY_ENABLE'='false', 'table_blocksize'='256', 'SORT_COLUMNS'='msisdn,req_time_sec,req_succed_flag', 'SORT_SCOPE'='NO_SORT') +``` + +验证其加载性能如下： + +| 表 | 数据量 | 加载耗时 秒 | +| ----------------------- | ---------- | ----------- | +| test.detail_benchmark | 1613149548 | 1109 | +| test.detail_global_sort | 1613149548 | 6674 | +| test.detail_local_sort | 1613149548 | 2473 | +| test.detail_no_sort | 1613149548 | 1576 | + + 通过验证的结果可以看出，在SORT_COLUMNS配置后，使用GLOBAL_SORT加载耗时最高，约为local_sort的2.7倍，约为no_sort的4.2倍；使用NO_SORT加载耗时最低，LOCAL_SORT的耗时略高于NO_SORT高约50%左右。实际中采取哪种策略还要考虑对查询的诉求。 + +下面给出了基于上述几种场景下的点查和模糊查询的性能对比。 + +查询时使用的ＳＱＬ： + +``` +select * from test.detail_global_sort where MSISDN="13900000000" limit 2000; +select * from test.detail_global_sort where MSISDN like "1391%" limit 2000; + +select * from test.detail_locall_sort where MSISDN="13900000000" limit 2000; +select * from test.detail_locall_sort where MSISDN like "1391%" limit 2000; + +select * from test.detail_no_sort where MSISDN="13900000000" limit 2000; +select * from test.detail_no_sort where MSISDN like "1391%" limit 2000; +``` + +验证后性能结果如下： + +| 查询五次平均值 | detail_benchmark | detail_global_sort | detail_local_sort | detail_no_sort | +| -------------- | ---------------- | ------------------ | ----------------- | -------------- | +| 点查询 | 18.5 | 1.357 | 2.457 | 5.847 | +| 模糊查询 | 10.832 | 1.785 | 1.835 | 2.164 | + + 通过查询结果可以看出，点查询和模糊查询，global_sort最快，local_sort次之，no_sort最差。点查时no_sort耗时约为global_sort的4.2倍，约为local_sort的2.3倍；global_sort比local_sort快80%左右。模糊查询时global_sort与local_sort差别不大，但是与no_sort有20%以上的提升。 + + 综合考虑global_sort虽然查询最快，但是加载耗时也最高，相比local_sort在加载耗时与no_sort差别在50%左右，点查询性能提升在2倍以上，本案例最终使用local_sort作为排序方式。 + + 在业务具体选择时需根据自身的诉求，结合加载和查询性能诉求综合选择采用哪种排序方式。 + +### 总结： + + 用户在选择字典和设置SORT_COLUMNS、SORT_SCOPE的时候需要结合自身的加载和查询诉求，综合考虑使用哪种方案。 + + 本例中，明细数据查询场景对数据加载入库有较强的时效性要求，数据是一批次一批次的到来，一个批次一个批次进行加载，因此加载不可以延迟，否则将导致数据积压无法入库的问题。但是对查询也有一定的性能要求，希望用户的点查要尽可能的快。因此在综合考虑和分析后采用不建立字典，设置SORT_COLUMNS为最长查询的三个字段，SORT_SCOPE设置为LOCAL_SORT，这样的组合性能是能满足本例业务诉求。 + +最终的建表语句选如下： + +``` +create table IF NOT EXISTS example_table +( +`SID` BIGINT, +`IMSI` STRING, +`MSISDN` STRING, +`IMEI` STRING, +`MS_IP` STRING, +`TMSI` STRING, +`TRANS_TYPE` INT, +`REQ_TIME_SEC` BIGINT, +`REQ_SUCCED_FLAG` INT +..... +) STORED BY 'org.apache.carbondata.format' +TBLPROPERTIES ( 'LOCAL_DICTIONARY_ENABLE'='false','SORT_COLUMNS'='msisdn,req_time_sec,req_succed_flag', 'SORT_SCOPE'='LOCAL_SORT' ) +``` + + + +## 加载 Load data + +加载样例： + +```LOAD DATA INPATH 'hdfs://hacluster/somepath' +LOAD DATA INPATH 'hdfs://hacluster/somepath' +INTO TABLE example_table +OPTIONS('DELIMITER'='|', 'QUOTECHAR'='|', 'BAD_RECORDS_ACTION'='FORCE', +'BAD_RECORDS_LOGGER_ENABLE'='false', +'FILEHEADER'='SID,IMSI,MSISDN,IMEI,MS_IP,TMSI,TRANS_TYPE, +REQ_TIME_SEC,REQ_SUCCED_FLAG', +'MULTILINE'='true', 'ESCAPECHAR'='\')``` +``` + + 数据入库的时候是采用分批入库，每一个批次对应一个文件夹，加载时没有什么特殊的，主要是一些与数据相关的参数的配置。 + +这里面有一些参数起使用和含义如下： + +DELIMITER：加载命令中可以指定数据的分隔符，本案例中是以“|”为分割，使用中可以根据数据中的具体格式来指定。 + +QUOTECHAR：加载命令中可以指定数据的引用字符，引用字符内的分割符将被忽略。 + +BAD_RECORDS_ACTION：对于坏记录，BAD_RECORDS_ACTION 属性主要有四种操作类型：FORCE, REDIRECT, IGNORE 和 FAIL。这里使用了 FORCE选项。对于该参数的其他几种选项在中文文档中有如下说明： + + a) FAIL 是其默认的值。如果使用 FAIL 选项，则如果发现任何坏记录，数据加载将会失败。 + + b) 如果使用了 REDIRECT 选项, CarbonData 会将所有坏记录添加到单独的 CSV 文件中。 但是，在后续的数据加载我们不能使用这个文件，因为其内容可能与原始记录不完全匹配。建议你事先对原始源数据进行清理，以进行下一步的数据处理。此选项主要用于提醒你哪些记录是坏记录. + + c) 如果使用了 FORCE 选项，那么会在加载数据之前将坏记录存储为 NULL，然后再存储 + + d) 如果使用了 IGNORE 选项，那么坏记录不会被加载，也不会写到单独的 CSV 文件中。 + + e) 在加载的数据中，如果所有记录都是坏记录，则 BAD_RECORDS_ACTION 选项将会无效，加载操作会失败。 + +BAD_RECORDS_LOGGER_ENABLE: 这里配置false是为了提交加载性能，遇到坏记录的时候不记录。 + +FILEHEADER：是对应的文件的文件头，也就是列名，实际上在加载csv文件的时候,如果源文件不存在头信息，可以在加载命令中增加该选项，来提供文件头。当加载不带头文件的csv文件，并且文件头和表的模式一致时，可以在加载时选择 'HEADER'='false'，这样就可以不指定FILEHEADER了。 + +MULTILINE： 设置为true，表示CSV 引号中带有换行符。 + +ESCAPECHAR：如果用户希望严格验证 CSV 文件中的转义字符，可以提供转义字符。 + +除此以外还有一些控制参数，详细可以参考：http://carbondata.iteblog.com/data-management-on-carbondata.html 中的描述。 + +下面给出一些加载队列的主要配置参数以供参考，更详细的信息可以参考CarbonData的官方文档： + +http://carbondata.apache.org/configuration-parameters.html + +| 参数名 | 设置数值 | 参数描述 | +| --------------------------------------- | -------- | ------------------------------------------------------------ | +| enable.unsafe.sort | True | 指定在数据加载期间是否使用不安全排序(unsafe sort)。不安全排序会减少数据加载过程中的垃圾回收，从而提高性能。 | Review comment: True->true，后面也一样 ---------------------------------------------------------------- This is an automated message from the Apache Git Service. To respond to the message, please log on to GitHub and use the URL above to go to the specific comment. For queries about this service, please contact Infrastructure at: us...@infra.apache.org With regards, Apache Git Services
