聊聊数仓中 TPCD-DS&TPC-H 与查询性能的那些事儿

本文分享自华为云社区《GaussDB(DWS) 《DWS之TPCD-DS&TPC-H与查询性能的那些事儿》》，作者： 一剑战八荒 。

1 综述

本文目标在于，详细讲述使用 GaussDB(DWS)时，如何使用 TPC-DS/TPC-H 等标准数据模型，获取 DWS 的查询性能数据。主要包括，整体流程概述，DWS 集群和 ECS 弹性云服务器环境准备，TPC-DS/TPC-H 造数，建表与数据导入，执行查询与结果收集四个章节。

受限于编辑器的显示，为了更好地阅读效果，烦请下载附件的原版文档查看，获取相关脚本。

其中涉及的很多操作细节无法一一展开叙述，以梳理和展示整体的逻辑为主。其中主要涉及的工具 OBS/GDS/JDBC copy 后续会单独开篇叙述。若有无法解决的疑问，欢迎评论留言。

2 整体流程概述

3 DWS 集群和 ECS 弹性云服务器环境准备

3.1 创建 ECS 弹性云服务器

3.2 创建 DWS 数据仓库

4 TPC-DS/TPC-H 造数

4.1 准备数据生成工具

1. 远程连接 ECS 弹性云

2. 执行 yum install git，安装 git

3. 执行 yum install gcc，安装 gcc

4. 执行 mkdir –p /data1/script/tpcds-kit/tpcds1000X ; mkdir –p /data1/script/tpch-kit/tpch100X 创建 tpc-ds 或者 tpc-h 的存放目录

5. TPC-DS 造数工具 dsdgen 请从官网获取最新版本。

通过 FTP 或者 OBS 服务上传到 ECS 的 /data1/script/tpcds-kit;(OBS 使用方法详见附录 1)

TPC-H 造数工具可直接 git clone 下载。

cd /data1/script/tpch-kit;

git clone https://github.com/gregrahn/tpch-kit.git

1. 解压 tpch 的包，进入 dbgen 目录，make 编译对应的造数工具 dbgen

2. 解压 tpcds 的包，进入 tools 目录，make 编译对应的造数工具 dsdgen

4.2 生成数据文件

• 生成 TPCH 数据文件

进入 dbgen 目录后，执行./dbgen –s 100 > ./dbgen_100.log 2>&1 &，下发生成 100Xtpch 数据的命令到后台执行

可以通过 du –sh dbgen/*.tbl,判断数据文件的生成进度。100Xtpch 数据文件总大小约 107GB，

也可以通过 ps ux|grep dbgen，查看生成数据文件的进程是否退出

• 生成 TPCDS 数据文件

因为 tpcds1000X 的数据，单个标的数据文件较大，我们采取分片生成的策略。

进入 tools 目录后，执行

for c in {1..10};do (./dsdgen –sc 1000 –parallel 10 –child ${c} –dir /data1/script/tpcdsk-kit/tpcds1000X  > /dev/null 2>&1 &);done

其中，

-sc 指定数据规模

-parallel 指定分片数

-child 指定当前是生成分片中的第几片

-dir 指定生成数据文件存放的目录

可以通过 du –sh tpcds100X/*.dat,判断数据文件的生成进度。1000Xtpcds 数据文件总大小约 920GB，

也可以通过 ps ux|grep dsdgen，查看生成数据文件的进程是否退出。

5 建表与数据导入

5.1 GDS 方式导入

5.1.1 从数据仓库服务的连接管理页面下载 ECS 对应版本的 gsql 客户端，通过 ftp 或 obs 上传到 ECS 上；(OBS 使用方法详见附录 1)

5.1.2 在 ECS 上部署 GDS，详见华为云官方资料https://support.huaweicloud.com/tg-dws/dws_07_0759.html

5.1.3 在 ECS 上通过 gsql 工具连接集群，连接群集群所需的 ip 和端口号信息，可以从数据仓库服务的连接管理页面获取

5.1.4 在 ECS 上使用 gsql 连接集群，创建 tpch/tpcds 的内表和 gds 外表。建表语句详见如下 sql 文件，

5.1.5 在 ECS 使用 gsql 连接集群，通过 GDS 外表，使用 insert into [目标表] select * from [目标表外表]的方式导入数据到集群内。

5.2 JDBC copy 方式导入

5.2.1 从数据仓库服务的连接管理页面下载 ECS 对应版本的 JDBC 驱动，通过 ftp 或 obs 上传到 ECS 上；(OBS 使用方法详见附录 1)

5.2.2 上传 JDBC 驱动和 copy 的 java 脚本到 ECS，此处提供 dws_copy.java 源码

5.2.3 在 ECS 上 javac 编译 java 文件，然后生成 copy 编译后源码和 JDBC 驱动的 jar 包,Copy.jar。编译和生成 jar 包详细流程如下图，

5.2.4 在 ECS 上 java –jar Copy.jar 通过 JDBC copy 数据到集群内。

可执行源码和二次封装的 shell JDBC 导数执行脚本详见如下压缩包

6 执行查询与结果收集

6.1 通过编写 shell 脚本自动化执行查询和结果收集。

脚本压缩包如下，其中包含 query.conf 和 run_query.sh 两个文件。

query.conf 为集群信息配置文件，包含如下四个变量

db_name=tpcds_test 数据库名称

db_port=6000 数据库端口号

db_user=tpcds_user 数据库用户

user_passwd=Gauss_234 数据库用户密码

编辑 query.conf 为集群对应的信息后，执行 sh run_query.sh 即可开始查询执行和结果收集。

注意事项：

1. gsql 客户端的使用需要每次连接后，source gsql_env，执行查询脚本前请确认 gsql 可执行；

2. 每个查询会跑 6 次，一次收集执行计划，两次预热，三次正式查询，最终结果取后三次查询的平均值；

3. 查询脚本执行后会立即生成 query_log_yymmdd_hhmmss 名称的目录，其中

exlain_log 子目录存放查询计划，

pre_warm 子目录存放预热执行结果，

real_test 子目录存放正式查询执行结果,

query_result.csv 文件，csv 格式汇总所有查询的执行结果,csv 中结果实例如下图

7 附录

7.1 华为云 OBS 官方使用指导

https://support.huaweicloud.com

点击关注，第一时间了解华为云新鲜技术~​