"一、数据准备利用TPCH官方工具生成文本文件形式的原始数据，共8个表，数据量总规模100G，各文件大小见后表。然后根据这些文本文件生成SPL的二进制文件，每个表对应一个二进制文件。组表 .."

sjr 北京
乾学院 32 号会员
1 回帖 • 1,199 浏览 • 2 年前

用 TPCH 练习性能优化

计算＆AI

tpch(25) 性能优化(158)

一、数据准备

利用TPCH官方工具生成文本文件形式的原始数据，共8个表，数据量总规模100G，各文件大小见后表。

然后根据这些文本文件生成SPL的二进制文件，每个表对应一个二进制文件。

组表有一些索引信息，总会有一个最低的空间占用，不适合存储小数据表。因此这里小数据表采用行式的集文件，以减少存储量，计算时全部读入。大数据表使用列式的组表，并以主键作为维，在转存时要用sortx()排序。

生成集成文件，以region表为例：

	A
1	=file("region.tbl").import(; , "\|").new(_1:R_REGIONKEY, _2:R_NAME, _3:R_COMMENT).sort(R_REGIONKEY)
2	=file("region.btx").export@b(A1)

集文件不需要显式创建数据结构，直接写出数据即可。

生成组表，以customer表为例：

	A
1	=file("customer.tbl").cursor(; , "\|").new(_1:C_CUSTKEY, _2:C_NAME, _3:C_ADDRESS, _4:C_NATIONKEY, _5:C_PHONE, _6:C_ACCTBAL, _7:C_MKTSEGMENT, _8:C_COMMENT).sortx(C_CUSTKEY;15000000)
2	=file("customer.ctx").create(#C_CUSTKEY, C_NAME, C_ADDRESS, C_NATIONKEY, C_PHONE, C_ACCTBAL, C_MKTSEGMENT, C_COMMENT)
3	>A2.append(A1)

组表创建时要列出数据结构并指明主键字段(前面加#)，数据要按主键排序。sortx的第二个参数可根据内存大小来确定，省略不写也能工作。

partsupp和lineitem分别是part和orders的子表。要保证子表和主表同步分段，创建组表时要用@p选项，以lineitem表为例:

	A
1	=file("lineitem.tbl").cursor(; , "\|").new(_1:L_ORDERKEY, _4:L_LINENUMBER, _2:L_PARTKEY, _3:L_SUPPKEY, _5:L_QUANTITY, _6:L_EXTENDEDPRICE,_7:L_DISCOUNT, _8:L_TAX, _9:L_RETURNFLAG, _10:L_LINESTATUS,_11:L_SHIPDATE, _12:L_COMMITDATE, _13:L_RECEIPTDATE,_14:L_SHIPINSTRUCT, _15:L_SHIPMODE, _16:L_COMMENT).sortx(L_ORDERKEY,L_LINENUMBER;4000000)
2	=file("lineitem.ctx").create@p(#L_ORDERKEY,#L_LINENUMBER,L_PARTKEY, L_SUPPKEY, L_QUANTITY, L_EXTENDEDPRICE,L_DISCOUNT, L_TAX, L_RETURNFLAG, L_LINESTATUS, L_SHIPDATE, L_COMMITDATE, L_RECEIPTDATE,L_SHIPINSTRUCT, L_SHIPMODE, L_COMMENT)
3	>A2.append(A1)

A2中使用了@p，会确保在数据分段时不会把L_ORDERKEY相同的记录分到两段，以获得正确的并行计算结果。

原始文件大小、SPL文件大小见下表。