使用 S3 Select Pushdown 搭配 Presto 提高性能 - Amazon EMR
Amazon Web Services 文档中描述的 Amazon Web Services 服务或功能可能因区域而异。要查看适用于中国区域的差异,请参阅中国的 Amazon Web Services 服务入门

使用 S3 Select Pushdown 搭配 Presto 提高性能

使用 Amazon EMR 发行版 5.18.0 及更高版本,您可以将 S3 Select Pushdown 与 Amazon EMR 上的 Presto 搭配使用。此功能允许 Presto 将投影操作(例如,SELECT)和谓词操作(例如,WHERE)的计算工作“下推”至 Amazon S3。这允许查询仅从 Amazon S3 中检索所需数据,从而可以提高性能并减少某些应用程序在 Amazon EMR 和 Amazon S3 之间传输的数据量。

S3 Select Pushdown 是否适合我的应用程序?

建议您分别在使用和不使用 S3 Select Pushdown 的情况下对您的应用程序进行基准检验,以查看其是否适用于您的应用程序。

使用以下准则来确定您的应用程序是否为使用 S3 Select 的候选项:

  • 您的查询将筛选掉原始数据集的一半以上的数据。

  • 您的查询筛选谓词使用具有 Presto 和 S3 Select 支持的数据类型的列。S3 Select Pushdown 不支持时间戳、实数和双精度数据类型。建议对数值数据使用十进制数据类型。有关 S3 Select 支持的数据类型的更多信息,请参阅《Amazon Simple Storage Service 用户指南》中的数据类型

  • 您在 Amazon S3 和 Amazon EMR 集群之间的网络连接具有良好的传输速度和可用带宽。Amazon S3 不压缩 HTTP 响应,因此响应大小可能会根据压缩的输入文件而增大。

注意事项和限制

  • 仅支持以 CSV 格式存储的对象。对象可以解压缩,也可以选择使用 gzip 或 bzip2 压缩。

  • 不支持 AllowQuotedRecordDelimiters 属性。如果指定该属性,则查询将失败。

  • 使用客户提供的加密密钥进行的 Amazon S3 服务器端加密(SSE-C)与客户端加密都不受支持。

  • S3 Select Pushdown 不能替代使用列式或压缩文件格式(如 ORC 或 Parquet)。

启用 S3 Select Pushdown with PrestoDB 或 Trino

要在 Amazon EMR 上启用 PrestoDB 的 S3 Select Pushdown,请使用 presto-connector-hive 配置分类以将 hive.s3select-pushdown.enabled 设置为 true,如以下示例所示。有关更多信息,请参阅配置应用程序。还必须设置 hive.s3select-pushdown.max-connections 值。对于大部分应用程序,500 的默认设置应该能满足需求。有关更多信息,请参阅下面的 了解和调整 hive.s3select-pushdown.max-connections

对于 EMR 版本 6.1.0 - 6.3.0 或更高版本上的 PrestoSQL,只需将以下示例中的 presto-connector-hive 替换为 prestosql-connector-hive

Amazon EMR 6.4.0 及更高版本使用新名称 Trino 而不是 PrestoSQL。如果您使用 Trino,请在以下示例中将 presto-connector-hive 替换为 trino-connector-hive

[ { "classification": "presto-connector-hive", "properties": { "hive.s3select-pushdown.enabled": "true", "hive.s3select-pushdown.max-connections": "500" } } ]

了解和调整 hive.s3select-pushdown.max-connections

默认情况下,Presto 使用 EMRFS 作为其文件系统。emrfs-site 配置分类中的设置 fs.s3.maxConnections 指定允许通过 Presto 的 EMRFS 连接到 Amazon S3 的最大客户端连接数。默认情况下,此连接数为 500。S3 Select Pushdown 在访问 Amazon S3 执行谓词操作时绕过 EMRFS。在此示例中,hive.s3select-pushdown.max-connections 的值确定从 Worker 节点执行这些操作所允许的最大客户端连接数。但是,Presto 启动的任何未向下推送的发往 Amazon S3 的请求(例如 GET 操作)将继续由 fs.s3.maxConnections 的值控制。

如果您的应用程序遇到错误“Timeout waiting for connection from pool”,请增加 hive.s3select-pushdown.max-connectionsfs.s3.maxConnections 的值。