请描述在使用 Apache Drill 时，针对查询执行过程可以采取哪些优化手段？主要包含哪些常规的调优方法？

回答思路

1. 【回答框架 1】Apache Drill 的查询调优核心在于减少数据扫描量、优化执行计划并合理利用分布式资源。首要策略是启用分区裁剪和列式存储，比如 Parquet 会按列选择性读取，并利用元数据优化扫描路径。
2. 【回答框架 2】针对数据分布，可通过文件合并和排序（如排序归并）减少小文件过多对规划器的开销；同时调整 planner.width.max_per_node、planner.width.max_nodes 等并行度参数，使执行计划匹配集群规模。
3. 【回答框架 3】内存管理方面，设置合适的内存配置（如 planner.memory.max_query_memory_per_node）避免溢写磁盘，并根据查询特征调整 hash aggregate、join 的 operator 内存比例。利用 Drill 的 MPP 架构，尽量让过滤和聚合下推到数据源端，减少网络传输。
4. 【回答框架 4】此外，可启用结果缓存和元数据缓存（如启用 metadata cache 来加速读取），并针对特定数据源如 Hive 表配置 metastore 同步。对于复杂查询，通过 EXPLAIN 分析计划中的非高效算子，调整 SQL 写法或设计数据模型。
5. 【回答框架 5】最后，监控并调优系统资源，如磁盘 I/O、网络带宽和 CPU 使用率，必要时通过 workload management 限制并发，保护关键查询的稳定性。定期维护表统计信息，帮助优化器选择更优连接顺序。
6. 【关键点 1】利用列式存储和分区裁剪减少扫描数据量。
7. 【关键点 2】调整并行度与内存配置，如 planner.width.max_per_node 和 per-node 内存上限。
8. 【关键点 3】尽量下推过滤和聚合到数据源，减少网络与 CPU 开销。
9. 【关键点 4】使用 EXPLAIN 定位执行计划中的性能瓶颈，优化 SQL 或表结构。
10. 【关键点 5】合理设置缓存和元数据管理，监控资源并控制并发。
11. 【易错点 1】简单调大并行度不一定提升性能，可能加剧网络和调度开销，需结合资源上限测试。
12. 【易错点 2】跳过执行计划分析，仅盲目增加内存或索引可能掩盖根本问题，如数据倾斜或表设计不合理。
13. 【易错点 3】认为 all 查询都应全量扫描，忽略列裁剪和过滤条件下推，导致无效 I/O。