使用 S3 Select Pushdown 搭配 Presto 提高性能 - Amazon EMR
S3 Select Pushdown 是否适合我的应用程序？注意事项和限制启用 S3 Select Pushdown with PrestoDB 或 Trino

本文属于机器翻译版本。若本译文内容与英语原文存在差异，则一律以英文原文为准。

使用 S3 Select Pushdown 搭配 Presto 提高性能

重要

不再向新客户提供 Amazon S3 Select。Amazon S3 Select 的现有客户可以像往常一样继续使用该功能。了解更多

在亚马逊EMR发布版本 5.18.0 及更高版本中，你可以在亚马逊上将 S3 selec t Pushdown 与 Presto 一起使用。EMR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 中检索所需的数据，这可以提高性能并减少某些应用程序中在 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。

  • 您的 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 不压缩响HTTP应，因此压缩后的输入文件的响应大小可能会增加。

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。

  • 不支持使用客户提供的加密密钥 (SSE-C) 的 Amazon S3 服务器端加密和客户端加密。

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

  • Amazon S3 Select 不支持 Presto 和 Trino 的跨区域查询。

启用 S3 Select Pushdown with PrestoDB 或 Trino

要在 Amazon 上EMR启用 PrestoDB 的 S3 Select Pushdown，presto-connector-hive请使用配置分类hive.s3select-pushdown.enabled将其true设置为，如下例所示。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 6.1.0-6.3.0 EMR 版本SQL上的 Presto，请在以下示例presto-connector-hive中替换为。prestosql-connector-hive

亚马逊 6.4.0 及更高EMR版本使用新名称 Trino 而不是 Presto。SQL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fs.s3.maxConnections中的设置指定了 Presto 允许与 Amazon S3 的最大客户端连接数。EMRFS默认情况下，此连接数为 500。访问 Amazon S3 进行谓词操作EMRFS时，S3 Select Pushdown 会绕过。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 向 Amazon S3 发起的任何未向下推的请求（例如GET操作）将继续受值的约束。fs.s3.maxConnections

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-connections 和 fs.s3.maxConnections 的值。