Impala的神奇指令「COMPUTE STATS」

发表于 更新于 分类于 Disqus：

「用户画像系统」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

1
2
3
4
5
Query: select count(a.sn) from usermodel_inter_total_label a join usermodel_inter_total_info b
on a.sn = b.sn where a.log_date = '2014-12-15' and a.label = 'porn' and a.heat > 0.1 
and b.log_date = '2014-12-15' 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：

1
2
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 Statistics和Table 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

1
2
COMPUTE STATS usermodel_inter_total_info;
COMPUTE STATS usermodel_inter_total_label;

优化后

1
2
3
4
5
Query: select count(a.sn) from usermodel_inter_total_label a join usermodel_inter_total_info b
on a.sn = b.sn where a.log_date = '2014-12-15' and a.label = 'porn' and a.heat > 0.1 
and b.log_date = '2014-12-15' 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：

1
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：

1
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：

1
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：

1
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）。