Hive/Iceberg で TPC-DS を生成する
Doris では、TPCDS Connector を Trino Connector 互換フレームワークを介して使用し、TPCDS テスト用データセットをすばやく構築できます。
Hive/Iceberg テーブルへのデータ書き戻し機能と組み合わせることで、Doris、Hive、Iceberg の各テーブル向けの TPCDS テスト用データセットを Doris からすばやく構築できます。
このドキュメントでは、主に TPCDS Connector をデプロイして使用し、テスト用データセットを構築する方法を説明します。
この機能は Doris バージョン 3.0.0 以降でサポートされています。
TPCDS Connector のコンパイル
JDK 17 が必要です。
git clone https://github.com/trinodb/trino.git
git checkout 435
cd trino/plugin/trino-tpcds
mvn clean install -DskipTests
コンパイル後、trino-tpcds-435/ ディレクトリが trino/plugin/trino-tpcds/target/ の下に生成されます。
コンパイル済みの trino-tpcds-435.tar.gz を直接ダウンロードして展開することもできます。
TPCDS Connector のデプロイ
すべての FE および BE のデプロイ先で、trino-tpcds-435/ ディレクトリを connectors/ ディレクトリの下に配置します。配置先ディレクトリが存在しない場合は、手動で作成できます。
├── bin
├── conf
├── connectors
│ ├── trino-tpcds-435
...
デプロイ後は、Connector が正しく読み込まれるように FE ノードと BE ノードを再起動することを推奨します。
TPCDS Catalog の作成
CREATE CATALOG `tpcds` PROPERTIES (
"type" = "trino-connector",
"trino.connector.name" = "tpcds",
"trino.tpcds.split-count" = "32"
);
tpcds.split-count は並列実行数です。最適な並列度でデータ生成の効率を高めるため、BE マシンあたりのコア数の 2 倍に設定することを推奨します。
TPCDS Catalog の使用
TPCDS Catalog には、スケールファクターの異なる TPCDS データセットがあらかじめ用意されています。SHOW DATABASES コマンドと SHOW TABLES コマンドで確認できます。
mysql> SWITCH tpcds;
Query OK, 0 rows affected (0.00 sec)
mysql> SHOW DATABASES;
+--------------------+
| Database |
+--------------------+
| information_schema |
| mysql |
| sf1 |
| sf100 |
| sf1000 |
| sf10000 |
| sf100000 |
| sf300 |
| sf3000 |
| sf30000 |
| tiny |
+--------------------+
mysql> USE sf1;
mysql> SHOW TABLES;
+------------------------+
| Tables_in_sf1 |
+------------------------+
| call_center |
| catalog_page |
| catalog_returns |
| catalog_sales |
| customer |
| customer_address |
| customer_demographics |
| date_dim |
| dbgen_version |
| household_demographics |
| income_band |
| inventory |
| item |
| promotion |
| reason |
| ship_mode |
| store |
| store_returns |
| store_sales |
| time_dim |
| warehouse |
| web_page |
| web_returns |
| web_sales |
| web_site |
+------------------------+
これらのテーブルは、SELECT 文を使用して直接クエリできます。
あらかじめ用意されたデータセットのデータは実際には保存されておらず、クエリ時にリアルタイムで生成されます。そのため、これらのデータセットを直接ベンチマークテストに使用することは適していません。INSERT INTO SELECT を使用して、Doris の内部テーブルや Hive、Iceberg など、Doris から書き込み可能なデータソースの対象テーブルにデータセットを書き込んだ後、その対象テーブルで性能テストを行う用途に適しています。
TPCDS テスト用データセットの構築
次の例では、CTAS 文を使用して Hive 上に TPCDS テスト用データセットをすばやく構築します。
CREATE TABLE hive.tpcds100.call_center PROPERTIES("file_format" = "parquet") AS SELECT * FROM tpcds.sf100.call_center ;
CREATE TABLE hive.tpcds100.catalog_page PROPERTIES("file_format" = "parquet") AS SELECT * FROM tpcds.sf100.catalog_page ;
CREATE TABLE hive.tpcds100.catalog_returns PROPERTIES("file_format" = "parquet") AS SELECT * FROM tpcds.sf100.catalog_returns ;
CREATE TABLE hive.tpcds100.catalog_sales PROPERTIES("file_format" = "parquet") AS SELECT * FROM tpcds.sf100.catalog_sales ;
CREATE TABLE hive.tpcds100.customer PROPERTIES("file_format" = "parquet") AS SELECT * FROM tpcds.sf100.customer ;
CREATE TABLE hive.tpcds100.customer_address PROPERTIES("file_format" = "parquet") AS SELECT * FROM tpcds.sf100.customer_address ;
CREATE TABLE hive.tpcds100.customer_demographics PROPERTIES("file_format" = "parquet") AS SELECT * FROM tpcds.sf100.customer_demographics ;
CREATE TABLE hive.tpcds100.date_dim PROPERTIES("file_format" = "parquet") AS SELECT * FROM tpcds.sf100.date_dim ;
CREATE TABLE hive.tpcds100.dbgen_version PROPERTIES("file_format" = "parquet") AS SELECT * FROM tpcds.sf100.dbgen_version ;
CREATE TABLE hive.tpcds100.household_demographics PROPERTIES("file_format" = "parquet") AS SELECT * FROM tpcds.sf100.household_demographics;
CREATE TABLE hive.tpcds100.income_band PROPERTIES("file_format" = "parquet") AS SELECT * FROM tpcds.sf100.income_band ;
CREATE TABLE hive.tpcds100.inventory PROPERTIES("file_format" = "parquet") AS SELECT * FROM tpcds.sf100.inventory ;
CREATE TABLE hive.tpcds100.item PROPERTIES("file_format" = "parquet") AS SELECT * FROM tpcds.sf100.item ;
CREATE TABLE hive.tpcds100.promotion PROPERTIES("file_format" = "parquet") AS SELECT * FROM tpcds.sf100.promotion ;
CREATE TABLE hive.tpcds100.reason PROPERTIES("file_format" = "parquet") AS SELECT * FROM tpcds.sf100.reason ;
CREATE TABLE hive.tpcds100.ship_mode PROPERTIES("file_format" = "parquet") AS SELECT * FROM tpcds.sf100.ship_mode ;
CREATE TABLE hive.tpcds100.store PROPERTIES("file_format" = "parquet") AS SELECT * FROM tpcds.sf100.store ;
CREATE TABLE hive.tpcds100.store_returns PROPERTIES("file_format" = "parquet") AS SELECT * FROM tpcds.sf100.store_returns ;
CREATE TABLE hive.tpcds100.store_sales PROPERTIES("file_format" = "parquet") AS SELECT * FROM tpcds.sf100.store_sales ;
CREATE TABLE hive.tpcds100.time_dim PROPERTIES("file_format" = "parquet") AS SELECT * FROM tpcds.sf100.time_dim ;
CREATE TABLE hive.tpcds100.warehouse PROPERTIES("file_format" = "parquet") AS SELECT * FROM tpcds.sf100.warehouse ;
CREATE TABLE hive.tpcds100.web_page PROPERTIES("file_format" = "parquet") AS SELECT * FROM tpcds.sf100.web_page ;
CREATE TABLE hive.tpcds100.web_returns PROPERTIES("file_format" = "parquet") AS SELECT * FROM tpcds.sf100.web_returns ;
CREATE TABLE hive.tpcds100.web_sales PROPERTIES("file_format" = "parquet") AS SELECT * FROM tpcds.sf100.web_sales ;
CREATE TABLE hive.tpcds100.web_site PROPERTIES("file_format" = "parquet") AS SELECT * FROM tpcds.sf100.web_site ;
16 コアの BE ノードが 3 台ある Doris クラスターでは、TPCDS 1000 の Hive データセットの作成に約 3～4 時間かかります。