hive add partition 多个分区数据 hive分区太多

转载

小蝌蚪 2023-09-05 08:25:26

文章标签 优化 string hadoop sql 数据分析 文章分类 Hive 大数据

最近一直做系统优化，但从建模的角度今天有个小优化，原理比较简单，效果可能不是很大，但很有意思。

这种优化的好处是不用改变sql代码，对用户是透明的。

所以分享下。

由于hive在文件基础上，而会全部扫一个分区里面的内容。

hive表的概念是基于hadoop的文件系统hdfs，表其实是分布式文件里面的一个文件目录。

再加上没有索引，如果要取的表里面的某些字段就必须全部扫描该表对应的文件目录

如：建表way1：

create table if not exists t_hm_0501_test_01
(
uid
nick string
)
PARTITIONED BY (pt
row format delimited
fields terminated by ‘/t’
lines terminated by ‘/n’
stored as textfile;
-
在hadoop的hdfs中其实是这样的目录
–
t_hm_0501_test_01表对应hdfs里的如下文件目录。
/t_hm_0501_test_01
—-
一级分区
/t_hm_0501_test_01/pt=20110501000000
/t_hm_0501_test_01/pt=20110502000000
–
二级分区
/t_hm_0501_test_01/pt=20110501000000/bc_seller=0
/t_hm_0501_test_01/pt=20110501000000/bc_seller=1
最后那个分区目录后面放的是真正的数据文件
—
如果有语句 select ,.. from t_hm_0501_test_01  where pt’=20110501000000’ and bc_seller=0
Hadoop只读取/t_hm_0501_test_01/pt=20110501000000/bc_seller=0 下面的数据，不用处理bc_seller = 1 的数据。
–
如果这个表where条件中的值不是分区字段，则会全部扫里面的内容。
如果我们把部分常用字段枚举成分区字段，则会减少扫的内容（条数）。
！！
Way2：
如果这样建表：
create table if not exists t_hm_0501_test_01
(
uid
nick string
)
PARTITIONED BY (pt
row format delimited
fields terminated by ‘/t’
lines terminated by ‘/n’
stored as textfile;
-
一级分区
/t_hm_0501_test_01/pt=20110501000000
/t_hm_0501_test_01/pt=20110502000000
同样的sql 语句：
select ,.. from t_hm_0501_test_01  where pt’=20110501000000’ and bc_seller=0
-

其实是扫的是：

/t_hm_0501_test_01/pt=20110501000000 所有东西，包括下面bc_seller=1的数据，增加了脏数据。

浪费了一些map 及其他资源。

这其实是一个树形结构，如果做得好就是个tree算法，可以最少的读取文件。

而且这种优化的好处是不用改变sql代码，对用户是透明的。

那么如何设定partition 及如何确定其分区值

就成了关键。

1. 还可以凭借一些业务经验去确定，更科学的是通过系统自动的解决该问题。

这里通过对hive sql 元数据解析，写一下算法进行分析，得到更好的提出更优的分区

具体如何选择需要，需要改字段满足一些特性。

1. 比较容易枚举

2. 字段指相对固定