Hive/IcebergでのTPC-H生成

DorisはTrinoコネクタ互換フレームワークを使用してTPCHコネクタでTPCHテストセットを迅速に構築することをサポートしています。

Hive/Icebergテーブルのデータ書き戻し機能と組み合わせることで、DorisからDoris、Hive、IcebergテーブルのTPCHテストデータセットを迅速に構築できます。

この文書では主にTPCHコネクタのデプロイ方法と使用方法について紹介し、テストデータセットを構築します。

ヒント

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。

TPCHコネクタのコンパイル

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-tpch
mvn clean install -DskipTests

コンパイル後、trino/plugin/trino-tpch/target/の下にtrino-tpch-435/ディレクトリが作成されます。

また、プリコンパイル済みのtrino-tpch-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。

TPCHコネクターのデプロイ

trino-tpch-435/ディレクトリを、すべてのFEおよびBEデプロイメントパスのconnectors/ディレクトリに配置してください。（存在しない場合は手動で作成できます）。

├── bin
├── conf
├── connectors
│   ├── trino-tpch-435
...

デプロイ後、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。

TPCH Catalogの作成

CREATE CATALOG `tpch` PROPERTIES (
    "type" = "trino-connector",
    "trino.connector.name" = "tpch",
    "trino.tpch.column-naming" = "STANDARD",
    "trino.tpch.splits-per-node" = "32"
);

tpch.splits-per-nodeは同時実行数で、最適な同時実行性を実現するためにBEマシンあたりのコア数の2倍に設定することが推奨されます。これによりデータ生成効率が向上します。

"tpch.column-naming" = "STANDARD"の場合、TPCHテーブルの列名はl_orderkeyのようにテーブル名の略語で始まり、そうでなければorderkeyとなります。

TPCH Catalogの使用

TPCH Catalogには異なるScale FactorのTPCHデータセットが事前設定されており、SHOW DATABASESおよびSHOW TABLESコマンドで確認できます。

mysql> SWITCH tpch;
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 |
+---------------+
| customer      |
| lineitem      |
| nation        |
| orders        |
| part          |
| partsupp      |
| region        |
| supplier      |
+---------------+

SELECT文を使用してこれらのテーブルを直接クエリできます。

ヒント

これらの事前設定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、これらの事前設定されたデータセットは直接のBenchmarkテストには適していません。INSERT INTO SELECTを通じてこれらのデータセットを他のターゲットテーブル（Doris内部テーブル、Hive、Iceberg、およびDorisが書き込みをサポートする他のすべてのデータソース）に書き込み、その後ターゲットテーブルでパフォーマンステストを実行することに適しています。

TPCH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上でTPCHテストデータセットを素早く構築します：

CREATE TABLE hive.tpch100.customer PROPERTIES("file_format" = "parquet") AS SELECT * FROM tpch.sf100.customer  ;
CREATE TABLE hive.tpch100.lineitem PROPERTIES("file_format" = "parquet") AS SELECT * FROM tpch.sf100.lineitem  ;
CREATE TABLE hive.tpch100.nation   PROPERTIES("file_format" = "parquet") AS SELECT * FROM tpch.sf100.nation    ;
CREATE TABLE hive.tpch100.orders   PROPERTIES("file_format" = "parquet") AS SELECT * FROM tpch.sf100.orders    ;
CREATE TABLE hive.tpch100.part     PROPERTIES("file_format" = "parquet") AS SELECT * FROM tpch.sf100.part      ;
CREATE TABLE hive.tpch100.partsupp PROPERTIES("file_format" = "parquet") AS SELECT * FROM tpch.sf100.partsupp  ;
CREATE TABLE hive.tpch100.region   PROPERTIES("file_format" = "parquet") AS SELECT * FROM tpch.sf100.region    ;
CREATE TABLE hive.tpch100.supplier PROPERTIES("file_format" = "parquet") AS SELECT * FROM tpch.sf100.supplier  ;

ヒント

3台の16C BEノードを持つDorisクラスターにおいて、TPCH 1000 Hiveデータセットの作成には約25分かかり、TPCH 10000では約4～5時間かかります。