2.6 hive分区表
一、背景
#########
分区表实际上就是对应一个HDFS文件系统上的独立的文件夹,该文件夹下是该分区所有的数据文件。
Hive中的分区就是分目录,把一个大的数据集根据业务需要分割成更小的数据集。 在查询时通过WHERE子句中的表达式来选择查询所需要的指定的分区,这样的查询效率会提高很多。 #########
在Hive Select查询中一般会扫描整个表内容,会消耗很多时间做没必要的工作。有时候只需要扫描表中关心的一部分数据,因此建表时引入了partition概念。 分区表指的是在创建表时指定的partition的分区空间。 如果需要创建有分区的表,需要在create表的时候调用可选参数partitioned by,详见表创建的语法结构。
二、操作
1、创建一个分区表
#创建
hive (default)> create EXTERNAL table IF NOT EXISTS default.emp_partition(
> empno int,
> ename string,
> job string,
> mgr int,
> hiredate string,
> sal double,
> comm double,
> deptno int
> )
> partitioned by (month string)
> ROW FORMAT DELIMITED FIELDS TERMINATED BY '\t';
OK
Time taken: 0.592 seconds #
hive (default)> show tables;
OK
tab_name
......
emp_partition
2、加载数据到分区表
##
hive (default)> load data local inpath '/opt/datas/emp.txt' into table default.emp_partition partition(month='201509'); #month:建表时定义的字段
Copying data from file:/opt/datas/emp.txt
Copying file: file:/opt/datas/emp.txt
Loading data to table default.emp_partition partition (month=201509)
Partition default.emp_partition{month=201509} stats: [numFiles=1, numRows=0, totalSize=659, rawDataSize=0]
OK
Time taken: 0.549 seconds #查看HDFS目录
#可见创建了一个month=201509目录,数据在它下面;
hive (default)> dfs -ls -R /user/hive/warehouse/emp_partition/;
drwxr-xr-x - root supergroup 0 2019-04-22 17:17 /user/hive/warehouse/emp_partition/month=201509
-rw-r--r-- 1 root supergroup 659 2019-04-22 17:17 /user/hive/warehouse/emp_partition/month=201509/emp.txt
3、查询
###
hive (default)> select * from emp_partition where month = '201509'; #直接查这个目录下的即可;
OK
emp_partition.empno emp_partition.ename emp_partition.job emp_partition.mgr emp_partition.hiredate emp_partition.sal emp_partition.comm emp_partition.deptno emp_partition.month
7369 SMITH CLERK 7902 1980-12-17 800.0 NULL 20 201509
7499 ALLEN SALESMAN 7698 1981-2-20 1600.0 300.0 30 201509
7521 WARD SALESMAN 7698 1981-2-22 1250.0 500.0 30 201509
7566 JONES MANAGER 7839 1981-4-2 2975.0 NULL 20 201509
7654 MARTIN SALESMAN 7698 1981-9-28 1250.0 1400.0 30 201509
7698 BLAKE MANAGER 7839 1981-5-1 2850.0 NULL 30 201509
7782 CLARK MANAGER 7839 1981-6-9 2450.0 NULL 10 201509
7788 SCOTT ANALYST 7566 1987-4-19 3000.0 NULL 20 201509
7839 KING PRESIDENT NULL 1981-11-17 5000.0 NULL 10 201509
7844 TURNER SALESMAN 7698 1981-9-8 1500.0 0.0 30 201509
7876 ADAMS CLERK 7788 1987-5-23 1100.0 NULL 20 201509
7900 JAMES CLERK 7698 1981-12-3 950.0 NULL 30 201509
7902 FORD ANALYST 7566 1981-12-3 3000.0 NULL 20 201509
7934 MILLER CLERK 7782 1982-1-23 1300.0 NULL 10 201509
Time taken: 0.355 seconds, Fetched: 14 row(s)
比如每个月的日志存一个分区表,现在统计三个月的日志中ip数:
#查询三个月的分区,然后union合并
select count(distinct ip) from emp_partition where month='201509'
union
select count(distinct ip) from emp_partition where month='201508'
union
select count(distinct ip) from emp_partition where month='201507'
; bin/hive-f xx. sql #可以放在脚本里执行
三、分区表的二级分区
上面的例子只有一级,下面看一下二级分区;
1、建表
###
create EXTERNAL table IF NOT EXISTS default.emp_partition(
empno int,
ename string,
job string,
mgr int,
hiredate string,
sal double,
comm double,
deptno int
)
partitioned by (month string, day string) #再添加一个字段即可
ROW FORMAT DELIMITED FIELDS TERMINATED BY '\t';
2、加载数据
###
load data local inpath '/opt/datas/emp.txt' into table default.emp_partition partition(month='201509', day='13');
3、查询
select * from emp_partition where month = '201509' and day = '13';
四、分区表注意事项
1、修复分区表-方式一
1、从上一节课的外部表可看出,只要定义好外部表的表结构,直接把数据放进表目录中就可以查询了;
但是分区表不能这样,创建好分区表,直接把数据放进数据目录,是查询不到的;
其中,mysql的metastore库的PARTITIONS表里记录了分区表的分区信息,如下:
mysql> select * from PARTITIONS;
+---------+-------------+------------------+--------------+-------+--------+
| PART_ID | CREATE_TIME | LAST_ACCESS_TIME | PART_NAME | SD_ID | TBL_ID |
+---------+-------------+------------------+--------------+-------+--------+
| 1 | 1555924635 | 0 | month=201509 | 22 | 21 |
+---------+-------------+------------------+--------------+-------+--------+ 接下来创建一个分区表,来说明一下怎么能查到直接放到分区表中的数据:
#创建
hive (default)> create table if not exists default.dept_part(
> deptno int,
> dname string,
> loc string
> )
> partitioned by (day string)
> ROW FORMAT DELIMITED FIELDS TERMINATED BY '\t';
OK
Time taken: 0.039 seconds hive (default)> show tables;
OK
tab_name
dept_part 2、把数据放到此分区表的目录中:
hive (default)> dfs -mkdir -p /user/hive/warehouse/dept_part/day=20150913; #先创建一个分区表目录 hive (default)> dfs -put /opt/datas/dept.txt /user/hive/warehouse/dept_part/day=20150913; #放数据 hive (default)> select * from dept_part; #可见现在查不到数据
OK
dept_part.deptno dept_part.dname dept_part.loc dept_part.day
Time taken: 0.034 seconds 而且mysql的metastore库的PARTITIONS表里也没有分区表的记录:
mysql> select * from PARTITIONS;
+---------+-------------+------------------+--------------+-------+--------+
| PART_ID | CREATE_TIME | LAST_ACCESS_TIME | PART_NAME | SD_ID | TBL_ID |
+---------+-------------+------------------+--------------+-------+--------+
| 1 | 1555924635 | 0 | month=201509 | 22 | 21 |
+---------+-------------+------------------+--------------+-------+--------+
1 row in set (0.00 sec) 3、怎么才能查到数据呢?
hive (default)> msck repair table dept_part; #修复一下分区表
OK
Partitions not in metastore: dept_part:day=20150913
Repair: Added partition to metastore dept_part:day=20150913
Time taken: 0.092 seconds, Fetched: 2 row(s) hive (default)> select * from dept_part; #此时就能查到数据了
OK
dept_part.deptno dept_part.dname dept_part.loc dept_part.day
10 ACCOUNTING NEW YORK 20150913
20 RESEARCH DALLAS 20150913
30 SALES CHICAGO 20150913
40 OPERATIONS BOSTON 20150913
Time taken: 0.037 seconds, Fetched: 4 row(s) mysql> select * from PARTITIONS; #而且MySQL的metastore库的PARTITIONS表里面也多了一条分区表的分区信息
+---------+-------------+------------------+--------------+-------+--------+
| PART_ID | CREATE_TIME | LAST_ACCESS_TIME | PART_NAME | SD_ID | TBL_ID |
+---------+-------------+------------------+--------------+-------+--------+
| 1 | 1555924635 | 0 | month=201509 | 22 | 21 |
| 2 | 1555986070 | 0 | day=20150913 | 24 | 22 |
+---------+-------------+------------------+--------------+-------+--------+
2 rows in set (0.00 sec)
2、修复分区表-方式二
#在dept_part里面再创建一个分区
hive (default)> dfs -mkdir -p /user/hive/warehouse/dept_part/day=20150914;
hive (default)> dfs -put /opt/datas/dept.txt /user/hive/warehouse/dept_part/day=20150914; #此时dept_part分区表中依然是4条数据
hive (default)> select * from dept_part;
OK
dept_part.deptno dept_part.dname dept_part.loc dept_part.day
10 ACCOUNTING NEW YORK 20150913
20 RESEARCH DALLAS 20150913
30 SALES CHICAGO 20150913
40 OPERATIONS BOSTON 20150913
Time taken: 0.038 seconds, Fetched: 4 row(s) #此时alter一下分区表
hive (default)> alter table dept_part add partition(day='20150914');
OK
Time taken: 0.065 seconds #再查询,已经有8条数据了
hive (default)> select * from dept_part;
OK
dept_part.deptno dept_part.dname dept_part.loc dept_part.day
10 ACCOUNTING NEW YORK 20150913
20 RESEARCH DALLAS 20150913
30 SALES CHICAGO 20150913
40 OPERATIONS BOSTON 20150913
10 ACCOUNTING NEW YORK 20150914
20 RESEARCH DALLAS 20150914
30 SALES CHICAGO 20150914
40 OPERATIONS BOSTON 20150914
Time taken: 0.033 seconds, Fetched: 8 row(s) #MySQL中也多了一条分区表的分区信息
mysql> select * from PARTITIONS;
+---------+-------------+------------------+--------------+-------+--------+
| PART_ID | CREATE_TIME | LAST_ACCESS_TIME | PART_NAME | SD_ID | TBL_ID |
+---------+-------------+------------------+--------------+-------+--------+
| 1 | 1555924635 | 0 | month=201509 | 22 | 21 |
| 2 | 1555986070 | 0 | day=20150913 | 24 | 22 |
| 3 | 1555986603 | 0 | day=20150914 | 25 | 22 |
+---------+-------------+------------------+--------------+-------+--------+
3 rows in set (0.00 sec) #我们还可以在select时加上where查询,这就是分区表的好处
hive (default)> select * from dept_part where day=20150914;
OK
dept_part.deptno dept_part.dname dept_part.loc dept_part.day
10 ACCOUNTING NEW YORK 20150914
20 RESEARCH DALLAS 20150914
30 SALES CHICAGO 20150914
40 OPERATIONS BOSTON 20150914
Time taken: 0.06 seconds, Fetched: 4 row(s)
3、查看分区表有多少分区
hive (default)> show partitions dept_part;
OK
partition
day=20150913
day=20150914
Time taken: 0.048 seconds, Fetched: 2 row(s)
2.6 hive分区表的更多相关文章
- 解决Spark读取Hive分区表出现Input path does not exist的问题
假设这里出错的表为test表. 现象 Hive读取正常,不会报错,Spark读取就会出现: org.apache.hadoop.mapred.InvalidInputException: Input ...
- Hadoop: the definitive guide 第三版 拾遗 第十二章 之Hive分区表、桶
Hive分区表 在Hive Select查询中一般会扫描整个表内容,会消耗很多时间做没必要的工作.有时候只需要扫描表中关心的一部分数据,因此建表时引入了partition概念.分区表指的是在创建表时指 ...
- Hive分区表的导入与导出
最近在做一个小任务,将一个CDH平台中Hive的部分数据同步到另一个平台中.毕竟我也刚开始工作,在正式开始做之前,首先进行了一段时间的练习,下面的内容就是练习时写的文档中的内容.如果哪里有错误或者疏漏 ...
- Hive分区表新增字段及修改表名,列名,列注释,表注释,增加列,调整列顺序,属性名等操作
一.Hive分区表新增字段 参考博客:https://blog.csdn.net/yeweiouyang/article/details/44851459 二.Hive修改表名,列名,列注释,表注释, ...
- spark 将dataframe数据写入Hive分区表
从spark1.2 到spark1.3,spark SQL中的SchemaRDD变为了DataFrame,DataFrame相对于SchemaRDD有了较大改变,同时提供了更多好用且方便的API.Da ...
- 如何每日增量加载数据到Hive分区表
如何每日增量加载数据到Hive分区表 hadoop hive shell crontab 加载数据 数据加载到Hive分区表(两个分区,日期(20160316)和小时(10))中 每日加载前一天的日志 ...
- Hive分区表创建,增加及删除
1.创建Hive分区表,按字段分区 CREATE TABLE test1 ( id bigint , create_time timestamp , user_id string) partition ...
- hive中导入json格式的数据(hive分区表)
hive中建立外部分区表,外部数据格式是json的如何导入呢? json格式的数据表不必含有分区字段,只需要在hdfs目录结构中体现出分区就可以了 This is all according to t ...
- Hive分区表动态添加字段
场景描述: 公司埋点项目,数据从接口服务写入kafka集群,再从kafka集群消费写入HDFS文件系统,最后通过Hive进行查询输出.这其中存在一个问题就是:埋点接口中的数据字段是变化,后续会有少量字 ...
- hive 分区表
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 ...
随机推荐
- 怎样在C语言里实现“面向对象编程”
有人觉得面向对象是C++/Java这样的高级语言的专利,实际不是这样.面向对象作为一种设计方法.是不限制语言的.仅仅能说,用C++/Java这样的语法来实现面向对象会更easy.更自然一些. 在本节中 ...
- forEach for for in for of性能问题
var arr = new Array(1000); console.time('forEach'); arr.forEach(data => { }); console.timeEnd('fo ...
- 用python编写的无线AP扫描器
代码如下: #coding=utf-8 import os import sys import subprocess from scapy.all import * RSN = 48 #管理帧信息元素 ...
- ETL Automation完整安装方法_(元数据存放在mysql数据库)
安装前介质准备: DBI-1.636.tar.gz DBD-mysql-4.037.tar.gz ETL.tar mysql-5.6.12-linux-glibc2.5-x86_64.tar.gz P ...
- 模式匹配之尺度空间---scale space
转载:http://www.cnblogs.com/cfantaisie/archive/2011/06/14/2080917.html 主要步骤 1).尺度空间的生成: 2).检测尺度 ...
- Redis persistence demystified
https://redis.io/topics/persistence http://oldblog.antirez.com/post/redis-persistence-demystified.ht ...
- android DownloadManager.getInputStream返回null的一种情况
将下载操作的代码放到一个新的子线程中来执行.
- linux 网络设备,网卡配置 ,相关
网络设备,网卡配置: Eth0是物理网卡:唯一mac地址,Bcast:广播地址,MAsk:子网掩码, Lo:系统自带的回环的ip地址,可以做一些基本的测试应用,比如没有网卡就用127.0.0.1, r ...
- CSS控制文本的长度,超过一行显示省略号
代码如下: <div style="width:100px;height:20px;text-overflow:ellipsis; white-space:nowrap; overfl ...
- hihocoder#1050 : 树中的最长路(树中最长路算法 两次BFS找根节点求最长+BFS标记路径长度+bfs不容易超时,用dfs做TLE了)
#1050 : 树中的最长路 时间限制:10000ms 单点时限:1000ms 内存限制:256MB 描述 上回说到,小Ho得到了一棵二叉树玩具,这个玩具是由小球和木棍连接起来的,而在拆拼它的过程中, ...