【原創，轉載請註明出處】

應屆生小祖參加了個需求分析會回來後跟我說被產品懟了一句：

"不就是寫SQL嗎，要那麼久嗎"

我去，欺負我小弟，這我肯定不能忍呀，於是我寫了一篇文章發在了公司的wiki

貼出來給大家看看，省略了一些敏感的內容。當然內部版言辭也會溫和一點，嘻嘻

在哪裡寫SQL？

這個問題高階點的問法是用哪種SQL引擎？

SparkSQL、Hive、Phoenix、Drill、Impala、Presto、Druid、Kylin （這裡的SQL引擎是廣義的，大家不必鑽牛角尖）

我用一句話概括下這幾個東西，先不管你們現在看不看得懂：

• Hive：把sql解析後用MapReduce跑
• SparkSQL：把sql解析後用Spark跑，比hive快點
• Phoenix：一個繞過了MapReduce執行在HBase上的SQL框架
• Drill/Impala/Presto 互動式查詢,都是類似google Dremel的東西，區別這裡就不說了
• Druid/Kylin olap預計算系統

這就涉及到更多的問題了，對這些元件不熟悉的同學可能調研過程就得花上一個多月。

比如需求是實時計算還是離線分析？

資料是增量資料還是靜態資料？

資料量有多大？

能容忍多長的響應時間？

總之，功能、效能、穩定性、運維難度、開發難度這些都是要考慮的

對哪裡的資料執行SQL？

你以為選完引擎就可以開寫了？too naive！

上面提到的大部分工具都僅僅是查詢引擎，儲存呢？

“啥，為啥還要管儲存？”

不管儲存，那是要把PB級的資料存在mysql是吧...

關係型資料庫像mysql這種，查詢引擎和儲存是緊耦合的，這其實是有助於優化效能的，你不能把它們拆分開來。

而大資料系統SQL引擎一般都是獨立於資料儲存系統，獲得了更大的靈活性。這都是出於資料量和效能的考慮。

這涉及到的問題就更多了。先要搞清楚引擎支援對接哪些儲存，怎麼存查詢起來方便高效。

可以對接的持久化儲存我截個圖，感受一下（這還只是一小部分）

用哪種語法寫SQL？

你以為儲存和查詢搞定就可以開寫了？你以為全天下的sql都是一樣的？並不是！

並不是所有的引擎都支援join

並不是所有的distinct都是精準計算的；

並不是所有的引擎都支援limit分頁；

還有，如果處理複雜的場景經常會需要自定義sql方法，那如何自定義呢，寫程式碼呀。

舉幾個簡單而常見的栗子：

見過這樣的sql嗎？

select `user`["user_id"] from tbl_test ;

見過這種操作嗎？

insert overwrite table tbl_test select * from tbl_test  where id>0; 

臥槽，這不會鎖死嗎？hive裡不會，但是不建議這樣做。

還能這麼寫

from tbl_test insert overwrite table tbl_test select *   where id>0; 

怎麼用更高效的方式寫SQL？

好了，全都搞定了，終於可以開始愉快地寫SQL了。

寫SQL的過程我用小祖剛來公司時的一句話來總結：

“臥槽，這條SQL有100多行！”

事實表，維表的資料各種join反覆join，這還不算完還要再join不同時間的資料，還要$#@%^$#^...

不說了，寫過的人一定知道有多噁心

（此處省略100多行字）

終於寫完了，千辛萬苦來到這一步，滿心歡喜敲下回車...

時間過去1分鐘...

10分鐘...

30分鐘...

1小時...

2小時...

......

別等了，這樣下去是不會有結果的。

老實看日誌吧，看日誌也是一門很大的學問。

首先你得搞清楚這個sql是怎麼執行，底層是mapReduce還是spark還是解析成了其他應用的put、get等介面;

然後得搞清楚資料是怎麼走的，有沒有發生資料傾斜，怎麼優化。

同時你還得注意資源，cpu、記憶體、io等

最後

產品又來需求了，現有系統還無法實現，上面四步再折騰一遍...

推薦閱讀