通过EMR运行基于OSS-HDFS服务的TPC-DS Benchmark了解数据查询和分析的性能表现

TPC-DS作为大数据行业中最权威且被广泛认可的基准测试标准，用于衡量大规模数据处理系统的性能与效率的关键指标。阿里云EMR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集群环境下，充分利用OSS-HDFS服务的优势，成功执行TPC-DS Benchmark的99个SQL查询，并通过一系列优化策略实现更优的性能体验。

使用场景

大数据性能评估
当您希望评估使用OSS-HDFS服务作为Hadoop数据存储时的大数据处理性能，特别是对于大规模数据分析和查询优化工作负载，TPC-DS可以作为标准的决策支持系统基准测试工具。
数据湖架构验证
如果您正在构建或已经拥有基于阿里云OSS的数据湖架构，并且想验证其在复杂查询处理、ETL作业、数据仓库性能等方面的效率，可以通过在EMR集群上运行TPC-DS来获得客观、标准化的结果。
了解性能表现
当您进行集群扩容、硬件升级或者调整存储策略时，利用TPC-DS Benchmark可以帮助您了解随着数据量的增长和计算资源的变化，系统的整体性能表现。
成本效益分析
OSS作为对象存储服务，相比传统HDFS在成本结构上有一定优势。通过实测OSS-HDFS在TPC-DS下的性能，可以结合成本因素来确定是否适用于特定业务场景，从而作出更具经济效益的选择。

背景信息

TPC-DS作为全球权威的数据管理系统评测标准之一，由TPC组织设计和维护，但其官方提供的工具集主要服务于单机数据生成与SQL查询执行，并不适合直接应用于大规模分布式环境下的性能评估。为适用于大数据分析场景，您需要准备以下工具和EMR集群：

Hive TPC-DS Benchmark测试工具
该工具由Hortonworks开发，专为Hadoop生态系统中的Hive及Spark等组件定制，能够有效模拟大数据查询挑战，并支持在集群环境下生成和执行TPC-DS以及TPC-H标准中的复杂SQL查询。
5.15.1及以上版本EMR集群
要求使用EMR-5.15.1及以上版本的EMR集群，该版本集群兼容并支持Hortonworks Data Platform (HDP) 3系列，对应的Hive版本是3.1。

步骤1：创建EMR集群和下载TPC-DS Benchmark工具

创建EMR-5.15.1及以上版本的集群。

创建EMR集群时，请关注以下配置信息，其他配置项的说明，请参见创建集群。

模块	配置项	说明
软件设置	业务场景	选择新版数据湖。
	元数据	选择DLF统一元数据。
	集群存储根路径	选择已开启OSS-HDFS服务的Bucket。
硬件配置	节点组	emr-master节点开启挂载公网。
硬件配置	节点组	如果想获得最佳性能，emr-core节点实例规格推荐使用大数据型或本地SSD。如果希望用小规模数据快速完成所有流程，emr-core节点实例规格也可以选择通用型4 vCPU 16 GiB。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3：生成并加载数据。

通过SSH方式连接EMR集群的emr-master节点。具体操作，请参见登录集群。
安装Git和Maven。
1. 执行以下命令，安装Git。
```
sudo yum install -y git
```
2. 在Apache Maven Project下载最新的Binary tar.gz archive，例如apache-maven-3.9.6-bin.tar.gz。
3. 将下载的文件上传到EMR集群的Master节点，并解压。
```
tar zxf apache-maven-3.9.6-bin.tar.gz
```
4. 配置环境变量。
  1. 切换至apache-maven-3.9.6目录。
```
cd apache-maven-3.9.6
```
  2. 配置环境变量。
```
export MAVEN_HOME=`pwd`
export PATH=`pwd`/bin:$PATH
```
下载TPC-DS Benchmark工具。
1. 下载工具。
  - 通过Git下载
    在中国内地访问GitHub较慢，如果下载失败，可直接通过本地下载。
```
git clone https://github.com/hortonworks/hive-testbench.git
```
  - 通过本地下载hive-testbench-hdp3.zip文件。
2. 上传ZIP文件到EMR集群的emr-master节点。
3. 在EMR集群的emr-master节点，执行以下命令解压缩ZIP文件。
```
unzip hive-testbench-hdp3.zip
```

步骤2：编译并打包数据生成器

（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>
```
切换到hive-testbench-hdp3目录。
```
cd hive-testbench-hdp3
```
下载tpcds-extern.patch文件，上传到当前目录下，然后通过以下命令复制到tpcds-gen/patches/all/目录中。
```
cp tpcds-extern.patch ./tpcds-gen/patches/all/
```
使用TPC-DS工具集进行编译并打包数据生成器。
```
./tpcds-build.sh
```

步骤3：生成并加载数据

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。
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_$SF cascade"
```
配置Hive服务地址。
tpcds-setup.sh脚本默认配置的Hive服务地址与EMR集群环境不一致，所以需要将脚本中HiveSever的地址替换为EMR集群中的Hive服务地址。具体命令如下：
```
sed -i 's/localhost:2181\/;serviceDiscoveryMode=zooKeeper;zooKeeperNamespace=hiveserver2?tez.queue.name=default/master-1-1:10000\//' tpcds-setup.sh
```
脚本默认配置的Hive服务地址为：jdbc:hive2://localhost:2181/;serviceDiscoveryMode=zooKeeper;zooKeeperNamespace=hiveserver2?tez.queue.name=default。通过上述命令替换后的Hive服务地址为：jdbc:hive2://master-1-1:10000/。
修复开源工具配置问题。
部分参数在Hive 2和Hive 3等开源版本中不支持，继续使用TPC-DS会导致作业报错，所以需要参考以下命令替换参数。
```
sed -i 's/hive.optimize.sort.dynamic.partition.threshold=0/hive.optimize.sort.dynamic.partition=true/' settings/*.sql
```
生成并加载数据。
在SF=3时，该步骤耗时约40min~50min。如果运行正常，TPC-DS数据表将会加载到tpcds_bin_partitioned_orc_$SF数据库中。生成的数据会自动保存到创建EMR集群时指定的存储根路径（即已开通OSS-HDFS服务的Bucket根目录）。执行如下命令加载数据：
```
./tpcds-setup.sh $SF
```
获取Hive表统计信息。
推荐使用Hive SQL ANALYZE命令获取Hive表统计信息，可以加快后续SQL的查询速度。此步骤在SF=3时，耗时为20min~30min。
```
hive -f ./hive-testbench-hdp3/ddl-tpcds/bin_partitioned/analyze.sql \
    --hiveconf hive.execution.engine=tez \
    --database tpcds_bin_partitioned_orc_$SF
```

步骤4：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

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.sql和query11.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;
```

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3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。

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

切换到Spark SQL用例所在的文件目录。
```
cd spark-queries-tpcds/
```

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

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，以下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。

常见问题

通过脚本顺序执行99个Spark SQL报错，怎么解决？

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：

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. 在集群服务页签，单击Spark3服务区域的配置。
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。
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. 在确认对话框中，单击确定。