hive中简单介绍分区表

所介绍内容基本上是翻译官方文档，比较肤浅，如有错误，请指正！

hive中创建分区表没有什么复杂的分区类型(范围分区、列表分区、hash分区、混合分区等)。分区列也不是表中的一个实际的字段，而是一个或者多个伪列。意思是说在表的数据文件中实际上并不保存分区列的信息与数据。

下面的语句创建了一个简单的分区表：



create table partition_test

(member_id string,

name string

)

partitioned by (

stat_date string,

province string)

row format delimited fields terminated by ',';



这个例子中创建了stat_date和province两个字段作为分区列。通常情况下需要先预先创建好分区，然后才能使用该分区，例如：



alter table partition_test add partition (stat_date='20110728',province='zhejiang');



这样就创建好了一个分区。这时我们会看到hive在HDFS存储中创建了一个相应的文件夹：



$ hadoop fs -ls /user/hive/warehouse/partition_test/stat_date=20110728

Found 1 items

drwxr-xr-x - admin supergroup 0 2011-07-29 09:53 /user/hive/warehouse/partition_test/stat_date=20110728/province=zhejiang



每一个分区都会有一个独立的文件夹，下面是该分区所有的数据文件。在这个例子中stat_date是主层次，province是副层次，所有stat_date='20110728'，而province不同的分区都会在/user/hive/warehouse/partition_test/stat_date=20110728 下面，而stat_date不同的分区都会在/user/hive/warehouse/partition_test/ 下面，如：



$ hadoop fs -ls /user/hive/warehouse/partition_test/

Found 2 items

drwxr-xr-x - admin supergroup 0 2011-07-28 19:46 /user/hive/warehouse/partition_test/stat_date=20110526

drwxr-xr-x - admin supergroup 0 2011-07-29 09:53 /user/hive/warehouse/partition_test/stat_date=20110728



注意，因为分区列的值要转化为文件夹的存储路径，所以如果分区列的值中包含特殊值，如 '%', ':', '/', '#',它将会被使用%加上2字节的ASCII码进行转义，如：



hive> alter table partition_test add partition (stat_date='2011/07/28',province='zhejiang');

OK

Time taken: 4.644 seconds



$hadoop fs -ls /user/hive/warehouse/partition_test/

Found 3 items

drwxr-xr-x - admin supergroup 0 2011-07-29 10:06 /user/hive/warehouse/partition_test/stat_date=2011%2F07%2F28

drwxr-xr-x - admin supergroup 0 2011-07-28 19:46 /user/hive/warehouse/partition_test/stat_date=20110526

drwxr-xr-x - admin supergroup 0 2011-07-29 09:53 /user/hive/warehouse/partition_test/stat_date=20110728



我使用一个辅助的非分区表partition_test_input准备向partition_test中插入数据：



hive> desc partition_test_input;

OK

stat_date string

member_id string

name string

province string



hive> select * from partition_test_input;

OK

20110526 1 liujiannan liaoning

20110526 2 wangchaoqun hubei

20110728 3 xuhongxing sichuan

20110728 4 zhudaoyong henan

20110728 5 zhouchengyu heilongjiang



然后我向partition_test的分区中插入数据：



hive> insert overwrite table partition_test partition(stat_date='20110728',province='henan') select member_id,name from partition_test_input where stat_date='20110728' and province='henan';

Total MapReduce jobs = 2

...

1 Rows loaded to partition_test

OK



还可以同时向多个分区插入数据，0.7版本以后不存在的分区会自动创建，0.6之前的版本官方文档上说必须要预先创建好分区：



hive>

> from partition_test_input

> insert overwrite table partition_test partition (stat_date='20110526',province='liaoning')

> select member_id,name where stat_date='20110526' and province='liaoning'

> insert overwrite table partition_test partition (stat_date='20110728',province='sichuan')

> select member_id,name where stat_date='20110728' and province='sichuan'

> insert overwrite table partition_test partition (stat_date='20110728',province='heilongjiang')

> select member_id,name where stat_date='20110728' and province='heilongjiang';

Total MapReduce jobs = 4

...

3 Rows loaded to partition_test

OK



特别要注意，在其他数据库中，一般向分区表中插入数据时系统会校验数据是否符合该分区，如果不符合会报错。而在hive中，向某个分区中插入什么样的数据完全是由人来控制的，因为分区键是伪列，不实际存储在文件中，如：





hive> insert overwrite table partition_test partition(stat_date='20110527',province='liaoning') select member_id,name from partition_test_input;

Total MapReduce jobs = 2

...

5 Rows loaded to partition_test

OK



hive> select * from partition_test where stat_date='20110527' and province='liaoning';

OK

1 liujiannan 20110527 liaoning

2 wangchaoqun 20110527 liaoning

3 xuhongxing 20110527 liaoning

4 zhudaoyong 20110527 liaoning

5 zhouchengyu 20110527 liaoning



可以看到在partition_test_input中的5条数据有着不同的stat_date和province，但是在插入到partition(stat_date='20110527',province='liaoning')这个分区后，5条数据的stat_date和province都变成相同的了，因为这两列的数据是根据文件夹的名字读取来的，而不是实际从数据文件中读取来的：



$ hadoop fs -cat /user/hive/warehouse/partition_test/stat_date=20110527/province=liaoning/000000_0

1,liujiannan

2,wangchaoqun

3,xuhongxing

4,zhudaoyong

5,zhouchengyu



下面介绍一下动态分区，因为按照上面的方法向分区表中插入数据，如果源数据量很大，那么针对一个分区就要写一个insert，非常麻烦。况且在之前的版本中，必须先手动创建好所有的分区后才能插入，这就更麻烦了，你必须先要知道源数据中都有什么样的数据才能创建分区。

使用动态分区可以很好的解决上述问题。动态分区可以根据查询得到的数据自动匹配到相应的分区中去。 

使用动态分区要先设置hive.exec.dynamic.partition参数值为true，默认值为false，即不允许使用：



hive> set hive.exec.dynamic.partition;

hive.exec.dynamic.partition=false

hive> set hive.exec.dynamic.partition=true;

hive> set hive.exec.dynamic.partition;

hive.exec.dynamic.partition=true



动态分区的使用方法很简单，假设我想向stat_date='20110728'这个分区下面插入数据，至于province插入到哪个子分区下面让数据库自己来判断，那可以这样写：



hive> insert overwrite table partition_test partition(stat_date='20110728',province)

> select member_id,name,province from partition_test_input where stat_date='20110728';

Total MapReduce jobs = 2

...

3 Rows loaded to partition_test

OK



stat_date叫做静态分区列，province叫做动态分区列。select子句中需要把动态分区列按照分区的顺序写出来，静态分区列不用写出来。这样stat_date='20110728'的所有数据，会根据province的不同分别插入到/user/hive/warehouse/partition_test/stat_date=20110728/下面的不同的子文件夹下，如果源数据对应的province子分区不存在，则会自动创建，非常方便，而且避免了人工控制插入数据与分区的映射关系存在的潜在风险。



注意，动态分区不允许主分区采用动态列而副分区采用静态列，这样将导致所有的主分区都要创建副分区静态列所定义的分区：



hive> insert overwrite table partition_test partition(stat_date,province='liaoning')

> select member_id,name,province from partition_test_input where province='liaoning';

FAILED: Error in semantic analysis: Line 1:48 Dynamic partition cannot be the parent of a static partition 'liaoning'



动态分区可以允许所有的分区列都是动态分区列，但是要首先设置一个参数hive.exec.dynamic.partition.mode ：



hive> set hive.exec.dynamic.partition.mode;

hive.exec.dynamic.partition.mode=strict



它的默认值是strick，即不允许分区列全部是动态的，这是为了防止用户有可能原意是只在子分区内进行动态建分区，但是由于疏忽忘记为主分区列指定值了，这将导致一个dml语句在短时间内创建大量的新的分区（对应大量新的文件夹），对系统性能带来影响。

所以我们要设置：

hive> set hive.exec.dynamic.partition.mode=nostrick;



再介绍3个参数：

hive.exec.max.dynamic.partitions.pernode （缺省值100）：每一个mapreduce job允许创建的分区的最大数量，如果超过了这个数量就会报错

hive.exec.max.dynamic.partitions （缺省值1000）：一个dml语句允许创建的所有分区的最大数量

hive.exec.max.created.files （缺省值100000）：所有的mapreduce job允许创建的文件的最大数量



当源表数据量很大时，单独一个mapreduce job中生成的数据在分区列上可能很分散，举个简单的例子，比如下面的表要用3个map：

1

1

1

2

2

2

3

3

3



如果数据这样分布，那每个mapreduce只需要创建1个分区就可以了： 

         |1

map1 --> |1 

         |1 



         |2

map2 --> |2 

         |2 



         |3

map3 --> |3 

         |3

但是如果数据按下面这样分布，那第一个mapreduce就要创建3个分区： 



         |1

map1 --> |2 

         |3 



         |1

map2 --> |2 

         |3 



         |1

map3 --> |2 

         |3



下面给出了一个报错的例子：

hive> set hive.exec.max.dynamic.partitions.pernode=4;

hive> insert overwrite table partition_test partition(stat_date,province)

> select member_id,name,stat_date,province from partition_test_input distribute by stat_date,province;

Total MapReduce jobs = 1

...

[Fatal Error] Operator FS_4 (id=4): Number of dynamic partitions exceeded hive.exec.max.dynamic.partitions.pernode.. Killing the job.

Ended Job = job_201107251641_0083 with errors

FAILED: Execution Error, return code 2 from org.apache.hadoop.hive.ql.exec.MapRedTask



为了让分区列的值相同的数据尽量在同一个mapreduce中，这样每一个mapreduce可以尽量少的产生新的文件夹，可以借助distribute by的功能，将分区列值相同的数据放到一起：



hive> insert overwrite table partition_test partition(stat_date,province)

> select member_id,name,stat_date,province from partition_test_input distribute by stat_date,province;

Total MapReduce jobs = 1

...

18 Rows loaded to partition_test

OK



好了，关于hive的分区表先简单介绍到这里，后续版本如果有功能的更新我也会再更新。