大数据入门之Presto/Trino

Presto/Trino：是用来高速，实时，跨源的数据查询。

What is Presto ?

• Presto是由Facebook开发的分布式sql查询引擎，用来进行高速、实时的数据查询
• Presto的产生是为了解决Hive的MapReduce模型太慢且不能通过BI等工具展现HDFS的问题
• Presto是一个计算引擎，它不存储数据，通过丰富的connector获取第三方服务的数据，并支持扩展。可以通过连接Hive，来实现快速query hive table
• 可以跨数据源进行联合查询

查询例子:

# 联合查询hive的表和mysql的表
select * from hive.testdb.tableA a join mysql.testdb.tableB b
where a.id = b.id

show catalogs
show schemas

Presto 数据模型:

• Catalog: 即数据源，Hive, Mysql都是数据源，Presto可以连接多个Hive,Mysql
• Schema: 类比于database,一个catalog下有多个schema
• table: 数据表，一个schema下有多个数据表

Presto 和Trino的关系

2020年12月PrestoSQL 更名为 Trino，所以Trino实际上是Prestode rebrand，至于为什么？ 参考

说到底是Presto在Facebook的几个核心创始人员和公司闹掰了，然后出去后创立了新的公司为了Presto/Trino的发展。但是Facebook已经注册了Presto的商标权，所以不得已只能改名字了。

Presto架构

• Presto从Hive Metastore获取元数据信息;
• 获取元数据信息后，从HDFS访问数据;
• 最终讲结果返回给client。

• Coordinator负责解析SQL语句，生成查询计划并访问Hive metastore，分发执行任务
• Discovery Server负责维护Coordinator和worker的关系，通常内嵌于Coordinator节点
• Worker负责执行查询任务以及于HDFS进行交互读取数据。

Presto VS Spark

pyhive访问presto

• pip package: presto
• 或者用sqlalchemy