使用TPC-DS工具生成数据

1、下载工具

两种渠道

a、官网（建议直接跳过～）

地址：http://www.tpc.org/tpc_documents_current_versions/current_specifications.asp

在信息填写正确的情况下，无法下载。看网友的解答，需要用谷歌浏览器才能下载。尝试未果。

b、github上下载

地址： https://github.com/gregrahn/tpcds-kit.git

ps：官方的包生成sql的时候会报错，上面这个大神已经修复。

2、编译

操作环境：Ubuntu16

进入TPC-DS工具包所在目录，由于下载的是源码，需要编译后才能使用。

a、解压

unzip  tpcds-kit-master.zip

b、编译

编译之前请确认依赖环境ok

ubuntu：

 sudo apt-get install gcc make flex bison byacc git

CentOS/RHEL：

 sudo yum install gcc make flex bison byacc git

tpcds-kit-master/tools

make  -f  Makefile.suite

编译过程中报错：

make: yacc: Command not found。报错是因为yacc没有安装。

安装yacc

sudo apt-get install -y byacc

再次编译

又报错对‘yy_create_buffer’未定义的引用。对C/C++不熟悉，搜索了一下也没有相关的解答。百思不得其解之下，换了个思路。可能是第一次编译报错生成的错误文件对第二次编译产生的影响。

于是删除解压后的目录，重新编译成功。

如果生成dsdgen和dsqgen且无报错，说明编译成功

ll *gen

3、生成数据

第一次使用这个工具我是一脸懵比的。因为官方的文档特喵的根本看不懂。回想一下，你碰到不熟悉的linux命令是怎么做的？man或者--help，对吧。这里也可以用--help。

先不着急生成数据，看一下帮助信息先。

./dsdgen  --help

DIR：数据存放目录。
SCALE：数据量，以GB为单位。
TABLE：生成哪张表的数据，一共有24张表哦。
PARALLEL：生成的数据一共分为多少份，一般生成TB级数据才会用到。
CHILD：当前数据是第几份，与PARALLEL配对使用。
FORCE：强制写入数据。

常用的参数就上面几个。下面我们来生成1G包含所有表的数据。

./dsdgen  -scale  -dir ../data/

等待dsdgen程序正常退出后，1G数据需要2～3min左右，进入data目录查看生成的数据。

cd ../data

假如只想生成其中某一张表的数据呢？这就需要用到-table参数了，以web_returns表为例。

./dsdgen  -scale  -dir ../data -table web_returns

报错了，信息如下：

web_returns是子表，它是依赖于父表web_sales的。生成父表的时候也会同时生成子表，我们来验证一下。

./dsdgen  -scale  -dir ../data -table web_sales

说明一下，最终生成的数据量以少于scale值的。

dsdgen的用法暂时先总结到这里。

4、生成SQL

查询SQL使用dsqgen生成，主要用于测试数据仓库的性能，一共99个。详细用法可以用--help查看帮助信息。这里不做介绍直接生成。

./dsqgen  -DIRECTORY ../query_templates/ -TEMPLATE "query1.tpl" -DIALECT netezza -FILTER Y > ../sql/query1.sql

```
-DIRECTORY：SQL模板的路径
```
```
-TEMPLATE：SQL模板的名称
```

-DIALECT：include query dialect defintions found in <s>.tpl

```
-FILTER：重定向到标准输出。
```

查看生成的SQL：

一共有99,每一个都要这样生成多费劲呀。来写个for循环一把生成所有的SQL。

shell版：

 #!/bin/sh

 for i in `seq  `

 do

 ./dsqgen  -DIRECTORY ../query_templates/ -TEMPLATE "query${i}.tpl" -DIALECT netezza -FILTER Y > ../sql/query${i}.sql

 done

Python3版：

 #coding:utf-8

 import os

 print("generate query sql")

 for i in range(1,100):

     tpl = "query"+str(i)+".tpl"

     qsql = "query" +str(i) +".sql"

     #拼接命令

     cmd = "./dsqgen  -DIRECTORY ../query_templates/ "+"-TEMPLATE "+tpl+" -DIALECT netezza -FILTER Y > "+"../sql/"+qsql

     #print(cmd)

     #执行命令

     os.system(cmd)

去sql目录下查看刚才生成的SQL：

这种情况下还是shell更快一点。

5、总结

通过TPC-DS，可以生成指定量级的数据。
碰到报错不要慌，先google或bing，不要用某度，原因你懂的。
TPC-DS基本用法已经总结完了，但是实际操作中还有很多问题，比如：

我想要生成10T数据怎么搞？
怎么判断生成的数据是否正确呢？
child和parallel怎么使用？
数据和SQL生成完了怎么测试？
。。。。。。

后面有时间再总结。