sql - 使用Impala在INSERT INTO(Parquet)TABLE期间对分区键进行排序

Question

我有一个ETL作业，我想将.csv文件中的数据附加到Impala表中。目前，我通过使用新数据(.csv.lzo格式)创建一个临时外部.csv表来完成此操作，然后将其插入到主表中。

我使用的查询如下所示:

INSERT INTO TABLE main_table
PARTITION(yr, mth)
SELECT
    *,
    CAST(extract(ts, "year") AS SMALLINT) AS yr,
    CAST(extract(ts, "month") AS TINYINT) AS mth
FROM csv_table

main_table的定义如下(几列被截断):

CREATE TABLE IF NOT EXISTS main_table (
    tid             INT,
    s1              VARCHAR,
    s2              VARCHAR,
    status          TINYINT,
    ts              TIMESTAMP,
    n1              DOUBLE,
    n2              DOUBLE,
    p               DECIMAL(3,2),
    mins            SMALLINT,
    temp            DOUBLE
)
PARTITIONED BY (yr SMALLINT, mth TINYINT)
STORED AS PARQUET

数据大约为几GB(5500万行，约30列)，运行需要一个多小时。我很好奇为什么会这样(因为对于本质上来说是一个追加操作的东西来说这似乎很长)，并在查询计划中遇到了这个问题:

F01:PLAN FRAGMENT [HASH(CAST(extract(ts, 'year') AS SMALLINT),CAST(extract(ts, 'month') AS TINYINT))] hosts=2 instances=2
|  Per-Host Resources: mem-estimate=1.01GB mem-reservation=12.00MB thread-reservation=1
WRITE TO HDFS [default.main_table, OVERWRITE=false, PARTITION-KEYS=(CAST(extract(ts, 'year') AS SMALLINT),CAST(extract(ts, 'month') AS TINYINT))]
|  partitions=unavailable
|  mem-estimate=1.00GB mem-reservation=0B thread-reservation=0
|
02:SORT
|  order by: CAST(extract(ts, 'year') AS SMALLINT) ASC NULLS LAST, CAST(extract(ts, 'month') AS TINYINT) ASC NULLS LAST
|  materialized: CAST(extract(ts, 'year') AS SMALLINT), CAST(extract(ts, 'month') AS TINYINT)
|  mem-estimate=12.00MB mem-reservation=12.00MB spill-buffer=2.00MB thread-reservation=0
|  tuple-ids=1 row-size=1.29KB cardinality=unavailable
|  in pipelines: 02(GETNEXT), 00(OPEN)
|
01:EXCHANGE [HASH(CAST(extract(ts, 'year') AS SMALLINT),CAST(extract(ts, 'month') AS TINYINT))]
|  mem-estimate=2.57MB mem-reservation=0B thread-reservation=0
|  tuple-ids=0 row-size=1.28KB cardinality=unavailable
|  in pipelines: 00(GETNEXT)
|

显然，大多数时间和资源都花在了分区键的排序上:

Operator       #Hosts  Avg Time  Max Time   #Rows  Est. #Rows  Peak Mem  Est. Peak Mem  Detail                                                                                          
----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------
02:SORT             2    17m16s    30m50s  55.05M          -1  25.60 GB       12.00 MB                                                                                                  
01:EXCHANGE         2   9s493ms  12s822ms  55.05M          -1  26.98 MB        2.90 MB  HASH(CAST(extract(ts, 'year') AS SMALLINT),CAST(extract(ts, 'month') AS TINYINT)) 
00:SCAN HDFS        2  51s958ms     1m10s  55.05M          -1  76.06 MB      704.00 MB  default.csv_table

为什么Impala必须这样做？是否有任何方法可以对表进行分区而不必对分区键进行排序，或者在我的情况下可以加快表的速度，我要附加的整个.csv文件只有一个或两个分区键？

编辑:事实证明，这很可能是因为我正在使用Parquet文件格式。但我的问题仍然适用:当我知道实际上几乎不需要排序时，是否可以加快排序速度？

相比之下，像 SELECT COUNT(*) FROM csv_table WHERE extract(ts, "year") = 2018 AND extract(ts, "month") = 1这样的操作大约需要2-3分钟，而 ORDER BY(在插入过程中完成)则需要一个多小时。此示例仅具有键(2018,1)和(2018,2)。

Answer 1

Impala会进行排序，因为您使用了动态分区。特别是对于具有oncomputed stats的表，impala在动态分区方面不太好。我建议您在动态分区的情况下使用配置单元。如果您不打算使用 hive ，我的建议是:

在每次插入语句之前，都要在csv表上计算统计信息。

如果第一步无法正常工作，请对一些可能的分区使用静态分区，然后运行超出可能范围的动态分区。例如;如果有年份和月份的一种选择:

INSERT 
INTO TABLE main_table
PARTITION(yr=2019, mth=2)
SELECT
    *
FROM csv_table where CAST(extract(ts, "year") AS SMALLINT)=2019 and CAST(extract(ts, "month") AS TINYINT)=2;  
INSERT INTO TABLE main_table
PARTITION(yr, mth)
SELECT
    *,
    CAST(extract(ts, "year") AS SMALLINT),
    CAST(extract(ts, "month") AS TINYINT)
FROM csv_table where CAST(extract(ts, "year") AS SMALLINT)!=2019 and CAST(extract(ts, "month") AS TINYINT)!=2;

这些语句缩小了动态分区将要处理的集合。并有望减少花费的总时间。