Hive/IcebergでのTPC-DS生成
DorisはTrino Connector互換フレームワークを通じてTPCDS Connectorを使用してTPCDSテストセットを素早く構築することをサポートしています。
Hive/IcebergTableのデータライトバック機能と組み合わせることで、DorisからDoris、Hive、IcebergTableのTPCDSテストデータセットを素早く構築できます。
このドキュメントでは主にTPCDS Connectorをデプロイしてテストデータセットを構築するために使用する方法について紹介します。
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バージョン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 -DskipTest
コンパイル後、trino/plugin/trino-tpcds/target/の下にtrino-tpcds-435/ディレクトリが作成されます。
また、事前にコンパイルされた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とBEのデプロイパスのconnectors/ディレクトリの下にtrino-tpcds-435/ディレクトリを配置します。（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、Connectorが正しくロードされることを確実にするため、FE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は並行処理数であり、最適な並行処理を実現するためにBEマシン1台あたりのコア数の2倍に設定することが推奨されます。データ生成効率を向上させます。
TPCDS Catalogの使用
TPCDS Catalogには、異なるScale Factorの事前構築されたTPCDSデータセットがあり、SHOW DATABASESおよびSHOW TABLESコマンドを使用して表示できます。
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 |
+------------------------+
SELECT文を使用してこれらのTableを直接クエリできます。
これらの事前構築済みデータセットのデータは実際には保存されておらず、クエリの実行時にリアルタイムで生成されます。そのため、これらの事前構築済みデータセットは直接的なBenchmarkテストには適していません。INSERT INTO SELECTを通じて他のターゲットTable（Dorisの内部Table、Hive、Iceberg、その他Dorisが書き込みをサポートするデータソースなど）にデータセットを書き込み、その後ターゲットTableでパフォーマンステストを実行するのに適しています。
TPCDSテストデータセットの構築
以下の例では、CTAS文を使用してHive上にTPCDSテストデータセットを迅速に構築します：
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 ;
3台の16C BEノードを持つDorisクラスターにおいて、TPCDS 1000 Hiveデータセットの作成には約3〜4時間かかります。