Presto 入门

Presto是一个分布式的查询引擎，本身并不存储数据，但是可以接入多种数据源，并且支持跨数据源的级联查询。Presto是一个OLAP的工具，擅长对海量数据进行复杂的分析；但是对于OLTP场景，并不是Presto所擅长，所以不要把Presto当做数据库来使用。

Presto对比MySQL

• 首先Mysql是一个数据库，具有存储和计算分析能力，而Presto只有计算分析能力；

• 其次数据量方面，Mysql作为传统单点关系型数据库不能满足当前大数据量的需求，于是有各种大数据的存储和分析工具产生，Presto就是这样一个可以满足大数据量分析计算需求的一个工具。



Presto数据源

• Presto需要从其他数据源获取数据来进行运算分析，它可以连接多种数据源，包括Hive、RDBMS（MySQL、Oracle、Tidb等）、Kafka、MongoDB、Redis等。

Presto优势

• Presto是一个低延迟高并发的内存计算引擎，相比Hive，执行效率要高很多。



Presto数据使用

Presto使用Catalog、Schema和Table这3层结构来管理数据。



• Catalog:就是数据源。Hive是数据源，MySQL也是数据源，Hive 和MySQL都是数据源类型，可以连接多个Hive和多个Mysql，每个连接都有一个名字。一个Catalog可以包含多个Schema，大家可以通过show catalogs 命令看到Presto连接的所有数据源。

• Schema：相当于一个数据库实例，一个Schema包含多张数据表。show schemas from 'catalogname'可列出catalogname下的所有schema。

• Table：数据表，与一般意义上的数据库表相同。show tables from 'catalogname.schemaname'可查看'catalogname.schemaname'下的所有表。

• 在Presto中定位一张表，一般是catalog为根，例如：一张表的全称为 hive.testdata.test，标识 hive(catalog)下的 testdata(schema)中test表。

可以简理解为：数据源的大类.数据库.数据表。

Presto对比Hive

• Hive是一个基于HDFS(分布式文件系统)的一个数据库，具有存储和分析计算能力， 支持大数据量的存储和查询。Hive 作为数据源，结合Presto分布式查询引擎，这样大数据量的查询计算速度就会快很多。

• Presto支持标准SQL，这里需要提醒大家的是，在使用Hive数据源的时候，如果表是分区表，一定要添加分区过滤，不加分区扫描全表是一个很暴力的操作，执行效率低下并且占用大量集群资源，大家尽量避免这种写法。

• 这里提到Hive分区，我简单介绍一下概念。Hive分区就是分目录，把一个大的数据集根据业务需要分割成更细的数据集。

• 举个例子：假如一个表的数据都放在/user/table/目录下，如果想把数据按照每天的数据细分，则就变成/user/table/2018-06-01/，/user/table/2018-06-02/，……如果查询某一天的数据，就可以直接取某一天目录下的数据，不需要扫描其他天的数据，节省了时间和资源。



Presto接入方式

• Presto的接入方式有多种：presto-cli，jdbc，http，golang，SQLAlchemy，PHP等，其中presto-cli是Presto官方提供的。

应用场景

• MySQL跨库查询

• BI的web后端查询

为什么Presto查询速度快？

为啥Presto查询速度快？虽然是在内存中的，但是还是查的Hive的数据源，为什么比Hive自己快？可以理解为类似于MySQL不同的引擎么？Presto比Hive自带的引擎快？



Presto是常驻任务，接受请求立即执行，全内存并行计算；Hive需要用yarn做资源调度，接受查询需要先申请资源，启动进程，并且中间结果会经过磁盘。