另一种扩展并加速Hadoop计算能力的计算架构—Presto

Hadoop自身的MapReduce计算框架是非常传统的批量处理模型，对这个模型大多数的应用都是基于Hive，直接使用SQL语句来操作并分析数据，但是在使用过程中，发现其计算的延迟性越来越成为一个显著的因素。因此，一种能够增加计算速度的计算模型还是必要的。

为了满足对于速度的需求，已经有很多基于Hadoop的新的计算框架诞生了，比如Cloudera发布的Impala，以及Apache Spark等都以内存计算框架的形式出现了。期间Facebook继发布Hive之后，为了进一步提升计算效率，开发了Presto，并且已经开源。

1. Presto是什么？

如同Hive一样，一个分布式的SQL执行引擎，但是它不是基于MapReduce计算模型；它是一个更快的交互式的数据分析工具（根据官方的给出的数据，是较Hive有10倍左右的性能提升），并且能够处理多种数据源。

2. 系统架构

Presto属于传统的主从结构，主要角色有两个：Coordinator和Worker。用户通过HTTP协议发送一个查询请求给Coordinator，Coordinator首先会通过Connector Plugin去找元数据（Hive的元数据，MySQL的元数据等等），以找到对应的表的结构，据此创建一个执行计划。；然后将任务发送给每个Worker，然后会通过Connector Plugin去读取相应的数据；然后，Workers在内存中运行任务；最后客户端会从一个Worker上获取到最终的结果。

Presto（0.76）目前的实现中，支持Cassandra/Hive/JMX/Kafka/MySQL/PostgreSQL等。

3. 部署

Presto与现有的Hadoop集群基本上是一种松散耦合的关系，更确切的说，它只与HDFS有联系，因为Presto需要从中读取数据。当然，它除了能够访问HDFS中的数据之外，还有上面提到的各种数据源。

第一步：明确系统的整体结构。在这里，我们需要确定两种角色的位置，Coordinator和Worker，Coordinator去指挥众多的Workers去工作。除此之外，还有一个Discovery Server的角色，它主要是保存Presto集群中关于Worker节点的元数据，Worker节点会周期性地向Discovery Server报送状态信息，而Coordinator安排工作的时候会使用到这些信息。

第二步：规划服务器：

lambda：负责Coordinator和Discovery Server的角色

a00,a01,a02：三台服务器担负Worker的角色

第三步：下载程序文件，到安装目录下，并做好链接

cd /opt/
wget http://central.maven.org/maven2/com/facebook/presto/presto-server/0.76/presto-server-0.76.tar.gz
tar xvzf presto-server-0.76.tar.gz
ln presto-server-0.76 presto -s
           

第四步：配置Coordinator （lambda）

cd /opt/ && mkdir etc
           

所有的配置文件都放在etc目录下。

1. 第一个需要创建的文件是config.properties，它主要包含了一些角色设定的开关：

coordinator=true
node-scheduler.include-coordinator=false
http-server.http.port=8080
task.max-memory=1GB
discovery-server.enabled=true
discovery.uri=http://lambda:8080
           

从中我们可以看到，我们将lambda设置成了Coordinator：coordinator=true

我们禁止在Coordinator上运行任务：node-scheduler.include-coordinator=false

本机的PrestoServer所监听的端口：http-server.http.port=8080

单个任务可以使用的最大的内存：task.max-memory=1GB

并且，我们启用了Discovery Server：discovery-server.enabled=true

最后，我们指定了Discovery Server的地址：discovery.uri=http://lambda:8080

2. JVM启动参数配置——jvm.config：

-server
-Xmx4G
-XX:+UseConcMarkSweepGC
-XX:+ExplicitGCInvokesConcurrent
-XX:+CMSClassUnloadingEnabled
-XX:+AggressiveOpts
-XX:+HeapDumpOnOutOfMemoryError
-XX:OnOutOfMemoryError=kill -9 %p
-XX:PermSize=150M
-XX:MaxPermSize=150M
-XX:ReservedCodeCacheSize=150M
-Xbootclasspath/p:/opt/presto/lib/floatingdecimal-0.1.jar
-Djava.library.path=/usr/lib/hadoop-0.20-mapreduce/lib/native/Linux-amd64-64
           

需要注意的是最后两行：

-Xbootclasspath/p:/opt/presto/lib/floatingdecimal-0.1.jar：这会在解析浮点数的时候，提升性能

-Djava.library.path=/usr/lib/hadoop-0.20-mapreduce/lib/native/Linux-amd64-64：这是为了在Presto中支持LZO

3. 配置日志级别——log.properties

com.facebook.presto=INFO
           

4. 配置与本节点密切相关的一些元数据：

node.environment=production
node.id=24a2f667-0395-402d-8521-303050cda031
node.data-dir=/var/presto/data
           

node.environment=production： 设置环境的名称，同一集群中的Presto节点必须有相同的环境名

node.id=24a2f667-0395-402d-8521-303050cda031：节点独一无二的标识，Presto服务的重启、更新前后，这个值必须一致。

node.data-dir=/var/presto/data：Presto存储日志和其它数据的地方。

5.  配置catalog：

mkdir catalog && cd catalog
           

在其中新建一个Hive的配置：hive.properties，其配置内容为：

connector.name=hive-cdh5
hive.metastore.uri=thrift://gamma:9083
hive.config.resources=/etc/hadoop/conf/core-site.xml,/etc/hadoop/conf/hdfs-site.xml
           

connector.name=hive-cdh5： 集群的版本是CDH5，故我们使用这个插件

hive.metastore.uri=thrift://gamma:9083：这个是Hive元数据服务的地址

hive.config.resources=/etc/hadoop/conf/core-site.xml,/etc/hadoop/conf/hdfs-site.xml：由于使用了HDFS　HA，我们需要指定一下HDFS相关配置文件。

通过以上的四步，Coordinator已经设置完毕。

下面来设置Workers。其实，所有的配置的目录结构都是一样的，只需要修改上述的两个文件就可以达成Workers上的统一配置：

修改第一个文件：config.properties：

coordinator=false
http-server.http.port=8080
task.max-memory=1GB
discovery.uri=http://lambda:8080
           

我们看到，作为Worker节点，已经将coordinator禁用掉：coordinator=false；

PrestoServer的监听地址，还是8080端口；

单任务内存数还是1GB；

指向我们的DiscoveryServer：discovery.uri=http://lambda:8080

修改第二个文件：node.properties

node.environment=production
node.id=c0550bd7-fcc2-407d-bfda-b1f26fb341b0
node.data-dir=/var/presto/data
           

除了node.id的配置修改外，其它都保持一致即可，这个ID需要每个节点都不同，所以，这个不能简单的拷贝到其它Worker节点上，而要在每个节点上都修改成一个独一无二的值，我这里是通过uuidgen这个命令来生成的这个串。

4. 添加对LZO的支持：

1. 我们需要在每个Presto节点上的对应的插件目录下，放置hadoop-lzo.jar文件，以使其运行时可以加载到相关类：

cd /opt/presto/plugin/hive-cdh5
cp /usr/lib/hadoop/lib/hadoop-lzo.jar .
           

2. JVM启动参数中，添加如下参数：

-Djava.library.path=/usr/lib/hadoop-0.20-mapreduce/lib/native/Linux-amd64-64
           

这样，HDFS中的LZO文件就可以正常访问到了。

5. 关于性能的一些测试经验：

 如果不禁止Coordinator上运行任务（node-scheduler.include-coordinator=false），那么性能的降低也非常明显。

以上，只是一些尝试性的总结和经验，希望能对有需要的同学有帮助，如果文中有疏漏或者错误，也欢迎大家不吝赐教。

关于Presto的有用的资料：

http://prestodb.io/docs/current/installation/deployment.html

http://www.slideshare.net/frsyuki/presto-hadoop-conference-japan-2014