如何使用Data Lake Analytics创建分区表

前言

​​Data Lake Analytics ​​（后文简称DLA）提供了无服务化的大数据分析服务，帮助用户通过标准的SQL语句直接对存储在OSS、TableStore上的数据进行查询分析。

在关系型数据库中，用户可以对大数据量的表进行分区，提高查询的性能。同样在DLA中，用户可以使用分区表将数据进行细化，达到缩短查询响应时间的目的。

本文将以OSS数据源为例，详细介绍如何在DLA中创建和使用分区表。

创建分区表

在DLA中，创建一张分区表需要在建表语句中指定 PARTITIONED BY， 例如

创建一张名为tbl3_part的分区表，该表有两个分区列，分别为p和q。

CREATE EXTERNAL TABLE tbl3_part 
(foo int, bar string)
PARTITIONED BY (p string, q string)
STORED AS TEXTFILE
LOCATION 'oss://oss-jinluo-openanalytics-test/datasets/test/test_partition/table3/';

分区表在OSS上的目录结构

DLA可以将存储在OSS上的目录或文件映射成一张表。表中的数据就是OSS中的文件内容。

对于分区表来说，分区列对应OSS上的目录，而且是有特殊命名规则的目录：

2. 分区列对应表的LOCATION下的一个子目录，目录的命名规则为 分区列名=分区值
3. 如果有多个分区列，则需要按照建表语句中指定的分区列的顺序依次嵌套

对于上面例子中的建表语句，OSS上的目录结构为：

$osscmd ls oss://oss-jinluo-openanalytics-test/datasets/test/test_partition/table3
prefix list is:
object list is:
2018-08-08 14:23:17 5.68KB Standard oss://oss-jinluo-openanalytics-test/datasets/test/test_partition/table3/p=3/q=3/kv1.txt
2018-08-08 18:01:08 5.68KB Standard oss://oss-jinluo-openanalytics-test/datasets/test/test_partition/table3/p=30/q=30/kv1.txt

使用MSCK命令更新分区信息

建表成功后，需要执行 MSCK REPAIR TABLE 命令，将分区信息同步到DLA中。

MSCK REPAIR TABLE tbl3_part；

执行MSCK成功后，通过 SHOW PARTITIONS 语句可以看到表中所有的分区信息。

mysql> show partitions tbl3_part;
+-----------+
| Result    |
+-----------+
| p=3/q=3   |
| p=30/q=30 |
+-----------+

MSCK只能识别符合DLA分区列命名规则的目录，即分区列的目录名为 分区列名=分区列值。

因此，当OSS上的分区目录发上变化时，执行MSCK命令，DLA可以根据OSS中当前分区值信息自动同步。

使用ALTER命令添加/删除分区

对于已经存在的但是不满足DLA分区列命名规则的目录，用户可以通过 ALTER命令更新表的分区信息。

添加分区

语法：

ALTER TABLE table_name ADD [IF NOT EXISTS] PARTITION partition_spec [LOCATION 'location'][, PARTITION partition_spec [LOCATION 'location'], ...];

partition_spec:
  : (partition_column = partition_col_value, partition_column = partition_col_value, ...)

可以一次指定添加多个分区，分区之间用逗号分隔。

示例，

ALTER TABLE order_part ADD 
    PARTITION (dt='2008-08-08', status='ready') location '/path/to/ready/part080808',
    PARTITION (dt='2008-08-09', status='new') location '/path/to/new/part080809';

对于上面的语句，

2. 如果新增的分区已经存在，则执行失败，报错 "Partition already exists";
3. 如果使用了 [IF NOT EXISTS], 当新增分区已存在时，执行不会报错，新的LOCATION会覆盖掉原有分区所指向的目录；

删除分区

语法：

ALTER TABLE table_name DROP [IF EXISTS] PARTITION partition_spec[, PARTITION partition_spec, ...];

可以一次指定删除多个分区，分区之间用逗号分隔。

示例，

ALTER TABLE order_part DROP
    PARTITION (dt='2008-08-08', status='ready');

对于上面的语句，

2. 如果删除的分区不存在，执行不会报错;
3. 如果使用了 [IF EXISTS], 当删除分区不存在时，执行不会报错；
4. DROP 分区目前只支持 "分区列=分区值" 的指定方式。不支持分区值是一个表达式，比如 partitionCol > 100；
5. 如果删除的分区目录名符合 分区列名=分区列值 的命名规则，执行MSCK命令仍会将已经删除的分区自动添加。

分区表查询

全表查询时，得到的是所有分区下的数据。

mysql> select count(*) from tbl3_part;
+-------+
| _col0 |
+-------+
|  1000 |
+-------+

当执行 SELECT * 时，可以发现分区列将以列的形式出现在表中定义的数据列的后面。

mysql> select * from tbl3_part limit 3;
+------+---------+------+------+
| foo  | bar     | p    | q    |
+------+---------+------+------+
|  238 | val_238 | 3    | 3    |
|   86 | val_86  | 3    | 3    |
|  311 | val_311 | 3    | 3    |
+------+---------+------+------+

查询时可以使用分区列做filter

mysql> select count(*) from tbl3_part where p='3';
+-------+
| _col0 |
+-------+
|   500 |
+-------+

注意事项

2. OSS上分区列的目录结构的嵌套顺序需要与表中定义的顺序一致
   比如 对于本文例子中的目录结构，下面的建表语句是错误的。

CREATE EXTERNAL TABLE tbl3_part 
(col1 int, col2 string)
PARTITIONED BY (q string, p string)
STORED AS TEXTFILE
LOCATION 'oss://oss-jinluo-openanalytics-test/datasets/test/test_partition/table3/';

2. 分区表只会扫描分区列所在目录下的数据.
   对于下面的目录结构

$osscmd ls oss://oss-jinluo-openanalytics-test/datasets/test/test_partition/table4/
prefix list is:
object list is:
2018-08-08 14:23:56 5.68KB Standard oss://oss-jinluo-openanalytics-test/datasets/test/test_partition/table4/kv1.txt
2018-08-08 14:23:48 5.68KB Standard oss://oss-jinluo-openanalytics-test/datasets/test/test_partition/table4/p=4/kv2.txt
2018-08-08 14:23:40 5.68KB Standard oss://oss-jinluo-openanalytics-test/datasets/test/test_partition/table4/p=4/q=4/kv3.txt

如果建表语句中指定的分区列为 p 和 q，则该表的数据文件只有 kv3.txt.

数据文件 kv1.txt 和 kv2.txt 将不会被计算在内。

2. 如果有新增的OSS分区目录，则需要手动执行 MSCK REPAIR TABLE table_name 命令或者ALTER ADD PARTITION命令使其生效，再进行查询。

 

---

本文作者：金络