全部产品
Search
文档中心

开源大数据平台E-MapReduce:在EMR集群运行TPC-DS Benchmark

更新时间:Mar 01, 2024

TPC-DS是大数据领域最为知名的Benchmark标准。阿里云E-MapReduce多次刷新TPC-DS官方最好成绩,并且是第一个通过认证的可运行TPC-DS 100 TB的大数据系统。本文介绍如何在EMR集群完整运行TPC-DS的99个SQL,并得到最佳的性能体验。

背景信息

TPC-DS是全球最知名的数据管理系统评测基准标准化组织TPC(事务性管理委员会)制定的标准规范,并由TPC管理测试结果的发布。TPC-DS官方工具只包含SQL生成器以及单机版数据生成工具,并不适合大数据场景,所以本文教程中使用的工具和集群信息如下:

  • Hive TPC-DS Benchmark测试工具

    该工具是业界最常用的测试工具,是由Hortonworks公司开发,支持使用Hive和Spark运行TPC-DS以及TPC-H等Benchmark。

  • EMR集群版本为EMR-5.15.1。

    Hive TPC-DS Benchmark测试工具是基于Hortonworks HDP 3版本开发的,对应的Hive版本是3.1。本文教程使用的是EMR-5.15.1版本,EMR-4.8.0及之后的版本、EMR-5.1.0以及之后的版本均可运行该教程。

使用限制

EMR-4.8.0及之后的版本、EMR-5.1.0以及之后的版本均可运行该教程。

注意事项

本文示例使用的是DataLake集群,所以Master节点名称为master-1-1。如果您使用的是Hadoop集群,请修改文档中的节点名称为emr-header-1。

步骤一:创建EMR集群和下载TPC-DS Benchmark工具

  1. 创建EMR-5.15.1集群,具体操作步骤,请参见创建集群

    image

    在创建集群时,请关注如下配置信息:

    • 集群类型:选择DataLake

    • 产品版本:以EMR-5.15.1版本为例。

    • 可选服务:使用默认配置。

    • 实例规格:如果想获得最佳性能,Core实例推荐使用大数据型或本地SSD。如果想用小规模数据快速完成所有流程,Core实例也可以选择4 vCPU 16 GiB规格的通用型实例。

      重要

      根据您选择运行的数据集确定集群规模,确保Core实例的数据盘总容量大于数据集规模的三倍。数据集相关信息,请参见步骤三:生成并加载数据

    • 元数据:推荐使用DLF统一元数据

    • 集群存储根路径:选择一个开通HDFS服务的Bucket。

      如果您当前的地域不支持OSS-HDFS,请考虑更换地域或改为使用HDFS服务,即在可选服务中去掉OSS-HDFS服务,选择HDFS服务。

      image

    • 挂载公网:在Master节点组中,打开挂载公网开关。

  2. 通过SSH方式连接集群的Master节点,具体操作请参见登录集群

  3. 安装Git和Maven。

    1. 执行以下命令,安装Git。

      sudo yum install -y git
    2. Apache Maven Project下载最新的Binary tar.gz archive。本文将以apache-maven-3.9.6-bin.tar.gz为例进行说明。

    3. 上传下载好的文件到EMR集群的Master节点,并解压缩。

      tar zxf apache-maven-3.9.6-bin.tar.gz
      cd apache-maven-3.9.6
      export MAVEN_HOME=`pwd`
      export PATH=`pwd`/bin:$PATH
  4. 下载TPC-DS Benchmark工具。

    • 通过Git下载。

      git clone https://github.com/hortonworks/hive-testbench.git
      重要

      在中国内地访问GitHub较慢,如果下载失败,可直接本地下载,将ZIP文件上传到EMR集群的Master节点,并解压缩。

    • 本地下载,将ZIP文件上传到EMR集群的Master节点,并解压缩。

      具体操作步骤如下:

      1. 下载hive-testbench-hdp3.zip文件。

      2. 执行以下命令,上传ZIP文件到EMR集群的Master节点。

        scp hive-testbench-hdp3.zip root@**.**.**.**:/root/
        说明

        **.**.**.**为Master节点的公网IP地址。您可以在集群的节点管理页面,单击Master节点组所在行的open图标,获取Master节点的公网IP地址。

      3. 执行以下命令,解压缩ZIP文件。

        unzip hive-testbench-hdp3.zip

步骤二:编译并打包数据生成器

  1. (可选)配置阿里云镜像。

    如果在中国内地可以使用阿里云镜像加速Maven编译。使用阿里云镜像,编译并打包数据生成器的耗时为2min~3min。

    1. 执行如下命令,新建文件目录。

      mkdir -p ~/.m2/
    2. 执行如下命令,将Maven配置文件拷贝到新文件目录下。

      cp $MAVEN_HOME/conf/settings.xml ~/.m2/
    3. 在~/.m2/settings.xml文件中添加镜像信息,具体内容如下:

      <mirror>
          <id>aliyun</id>
          <mirrorOf>central</mirrorOf>
          <name>Nexus aliyun</name>
          <url>http://maven.aliyun.com/nexus/content/groups/public</url>
      </mirror>
  2. 切换到hive-testbench-hdp3目录。

    cd hive-testbench-hdp3
  3. 下载tpcds-extern.patch文件,上传到当前目录下,然后复制到tpcds-gen/patches/all/目录中。

    重要

    EMR-5.10.0及后续版本使用Alibaba Cloud Linux (Alinux) 3,编译过程需要额外的patch文件。而对于EMR-5.10.0之前的版本,编译时不需要这个patch文件。

    cp tpcds-extern.patch ./tpcds-gen/patches/all/
  4. 使用TPC-DS工具集进行编译并打包数据生成器。

    ./tpcds-build.sh

步骤三:生成并加载数据

  1. 设置数据规模SF(Scale Factor)。

    SF单位相当于GB,所以SF=1相当于1 GB,SF=100相当于100 GB,SF=1000相当于1 TB,以此类推。本步骤示例采用小规模数据集,推荐使用SF=3。具体命令如下:

    SF=3
    重要

    请确保数据盘总大小是数据集规模的3倍以上,否则后续流程中会出现报错情况。

  2. 检查并清理Hive数据库。

    1. 检查Hive数据库是否存在。

      hive -e "desc database tpcds_bin_partitioned_orc_$SF"
    2. (可选)清理已经存在的Hive数据库。

      重要

      如果Hive数据库tpcds_bin_partitioned_orc_$SF已经存在,需要执行下面的命令清理数据库,否则后续流程会报错。如果不存在,则跳过该步骤。

      hive -e "drop database tpcds_bin_partitioned_orc_$SF cascade"
  3. 配置Hive服务地址。

    tpcds-setup.sh脚本默认配置的Hive服务地址与EMR集群环境不一致,所以需要将脚本中HiveSever的地址替换为EMR集群中的Hive服务地址。具体命令如下:

    sed -i 's/localhost:2181\/;serviceDiscoveryMode=zooKeeper;zooKeeperNamespace=hiveserver2?tez.queue.name=default/master-1-1:10000\//' tpcds-setup.sh

    脚本默认配置的Hive服务地址为:jdbc:hive2://localhost:2181/;serviceDiscoveryMode=zooKeeper;zooKeeperNamespace=hiveserver2?tez.queue.name=default。通过上述命令替换后的Hive服务地址为:jdbc:hive2://master-1-1:10000/

  4. 修复开源工具配置问题。

    部分参数在Hive 2和Hive 3等开源版本中不支持,继续使用TPC-DS会导致作业报错,所以需要参考以下命令替换参数。

    sed -i 's/hive.optimize.sort.dynamic.partition.threshold=0/hive.optimize.sort.dynamic.partition=true/' settings/*.sql
  5. 生成并加载数据。

    在SF=3时,该步骤耗时为40min~50min。如果运行正常,TPC-DS数据表将会加载到tpcds_bin_partitioned_orc_$SF数据库中。通过EMR存储和计算分离的架构能力,可以很方便地做到将数据保存在OSS-HDFS。

    执行以下命令,生成并加载数据。

    ./tpcds-setup.sh $SF

    初始化

  6. 获取Hive表统计信息。

    推荐使用Hive SQL ANALYZE命令获取Hive表统计信息,可以加快后续SQL的查询速度。此步骤在SF=3时,耗时为20min~30min。

    hive -f ./hive-testbench-hdp3/ddl-tpcds/bin_partitioned/analyze.sql \
        --hiveconf hive.execution.engine=tez \
        --database tpcds_bin_partitioned_orc_$SF
说明

因为同时使用了数据湖构建(DLF)来保存Hive表的元数据,所以数据生成后,您可以随时释放当前的EMR集群,并在同一地域的其他EMR集群上再次查询当前生成的TPC-DS数据集。

步骤四:运行TPC-DS SQL

本步骤分别介绍如何使用Hive和Spark运行TPC-DS SQL。

使用Hive运行TPC-DS SQL

  1. 通过以下命令执行单SQL。

    TPC-DS SQL共有99个文件都放在sample-queries-tpcds工作目录下(包括query10.sqlquery11.sql等文件)。在SF=3时,所有的SQL都可以在5min内返回结果。

    重要

    因为TPC-DS Query和数据都是随机生成,所以部分SQL查询返回结果数为0属于正常现象。

    cd sample-queries-tpcds
    hive --database tpcds_bin_partitioned_orc_$SF
    set hive.execution.engine=tez;
    source query10.sql;
  2. 利用工具包中的脚本顺序执行99个完整SQL。具体命令如下:

    cd ~/hive-testbench-hdp3
    # 生成一个Hive配置文件,并指定Hive执行引擎为Tez。
    echo 'set hive.execution.engine=tez;' > sample-queries-tpcds/testbench.settings
    ./runSuite.pl tpcds $SF

    批量执行SQL

使用Spark运行TPC-DS SQL

TPC-DS工具集中包含Spark SQL用例,用例位于spark-queries-tpcds目录下,可以使用spark-sql或者spark-beeline等命令行工具执行这些SQL。本步骤以Spark Beeline工具连接Spark ThriftServer为例,介绍如何使用Spark运行TPC-DS SQL来查询步骤三:生成并加载数据生成的TPC-DS数据集。

说明

EMR Spark支持HDFS和OSS等多种存储介质保存的数据表,也支持数据湖构建(DLF)元数据。

  1. 使用Spark Beeline ANALYZE命令获得Hive表统计信息,加快后续SQL查询速度。

    cd ~/hive-testbench-hdp3
    spark-beeline -u jdbc:hive2://master-1-1:10001/tpcds_bin_partitioned_orc_$SF \
      -f ./ddl-tpcds/bin_partitioned/analyze.sql
  2. 切换到Spark SQL用例所在的文件目录。

    cd spark-queries-tpcds/
  3. 通过以下命令执行单个SQL。

    spark-beeline -u jdbc:hive2://master-1-1:10001/tpcds_bin_partitioned_orc_$SF -f q1.sql
  4. 通过脚本顺序执行99个SQL。

    TPC-DS工具集中没有包含批量执行Spark SQL的脚本,所以本步骤提供一个简单脚本供参考。

    for q in `ls *.sql`; do
      spark-beeline -u jdbc:hive2://master-1-1:10001/tpcds_bin_partitioned_orc_$SF -f $q > $q.out
    done
    重要
    • SQL列表中q30.sql文件存在列名c_last_review_date_sk错写为c_last_review_date的情况,所以该SQL运行失败属于正常现象。

    • 通过脚本顺序执行99个Spark SQL的时候,如果出现报错情况,解决方案请参见常见问题

常见问题

Q:通过脚本顺序执行99个Spark SQL的时候报错,怎么解决?

A:Spark ThriftServer服务的默认内存不适合较大规模数据集测试,如果在测试过程中出现Spark SQL作业提交失败,原因可能是Spark ThriftServer出现OutOfMemory异常。针对这种情况的解决方法为调整Spark服务配置spark_thrift_daemon_memory的值后重启ThriftServer服务。具体操作步骤如下:

  1. 进入Spark服务页面。

    1. 登录E-MapReduce控制台

    2. 在顶部菜单栏处,根据实际情况选择地域和资源组

    3. 单击目标集群操作列的集群服务

    4. 集群服务页面,单击Spark服务区域的配置

  2. 调整服务配置spark_thrift_daemon_memory的值。

    1. 搜索参数spark_thrift_daemon_memory

    2. 根据使用的数据集规模调整对应的参数值。

      您可以将默认的值调大。

    3. 单击保存

    4. 在弹出的对话框中,输入执行原因,单击保存

  3. 重启Spark。

    1. 在Spark服务页面,选择右上角的更多操作 > 重启

    2. 在弹出的对话框中,输入执行原因,单击确定

    3. 确认对话框中,单击确定