基于Hive进行数仓建设的资源元数据信息统计：Hive篇

在数据仓库建设中，元数据管理是非常重要的环节之一。根据Kimball的数据仓库理论，可以将元数据分为这三类：

技术元数据，如表的存储结构结构、文件的路径
业务元数据，如血缘关系、业务的归属
过程元数据，如表每天的行数、占用HDFS空间、更新时间

而基于这3类元数据"搭建"起来的元数据系统，通常又会实现如下核心功能：

1. 血缘关系

如表级别/字段级别的血缘关系，这些主要体现在我们日常的SQL和ETL任务里。

2. 大数据集群计算资源管理

针对利用不同的计算引擎如Spark/Flink/Mapreduce，可以到Yarn（也可能是其他资源管理器）上采集相关任务的使用情况。如CPU、内存、磁盘IO使用情况。
然后可以把这些资源使用情况绘制成图。通过可视化界面可以直观发现某些任务中的异常情况，以及发现某些严重消耗资源的表或业务，及时通知相关负责人有针对性的分析处理和优化。

3. 数据如何同步以及权限管理等

4. Hive库表元数据信息统计

这里对Hive库表统计信息主要是指：行数、文件数、所占HDFS存储大小、最后一次操作时间等。

通过持续不断的采集这些指标，形成可视化曲线图，数据仓库相关人员都可以从这个图中发现数据规律或数据质量问题。对于利用数仓进行业务开发的人员，可以通过这些曲线图来分析业务量变化趋势。在此基础之上，还可以做数据质量校验、数值分布探查等功能。

本文主要介绍如何利用Hive进行对Hive库、分区表/非分区表相关指标的统计。

而在我们实际生产中，我们不仅可以通过如下的方式及时更新和获取Hive元数据库中相关表记录的指标信息，我们也可以参考下述相关SQL在Hive/Spark底层的执行过程，实现我们自己的一整套业务逻辑。

1. Hive元数据库中主要涉及的元数据表

DBS：存储Hive中所有数据库的基本信息，如库ID、表ID、创建时间、用户、表名、表的类型等。

TBS：存储Hive表、视图等的基本信息，如表ID、表名、创建时间、用户、表类型等。

TABLE_PARAMS：存储表等的属性信息，表ID、PARAM_KEY（如EXTERNAL）、PARAM_VALUE（与PARAM_KEY对应的值）。

PARTITIONS：存储Hive分区统计信息相关的元数据，如分区ID、表ID、创建时间、分区名（partCol=partVal）等信息。

PARTITION_PARAMS：存储Hive分区统计信息相关的元数据，如分区ID、PARAM_KEY（如文件数）、PARAM_VALUE（与

PARAM_KEY对应的值）。

2. Hive和Spark支持的Hive库表元数据信息统计

2.1 Hive

2.1.1 语法支持

默认情况下，在对Hive表进行数据insert时，会自动更新元数据库表中的统计信息，但主要是文件数、占用HDFS空间大小等，不包括行数。

1）分区表

Hive分区表元数据统计信息SQL语法需要指定到具体分区，如分区字段或者分区名=分区值

-- 1. 统计更新tab_partition的分区字段为dt的所有元数据信息

analyze table tab_partition partition(dt) COMPUTE STATISTICS;

-- 2. 统计更新单个分区元数据统计信息

analyze table tab_partition partition(dt='20200722000000') COMPUTE STATISTICS;

在Hive shell中执行analyze时，如果进行了元数据信息统计会打印类似如下信息：

Partition default.test_partition2{dt=20200718000000} stats: [numFiles=1, numRows=2, totalSize=418, rawDataSize=6]

2）非分区表

-- 非分区表粒度到表

analyze table tab_no_partition COMPUTE STATISTICS;

2.1.2 Hive元数据库中涉及的元数据统计信息字段

1）Hive分区表

-- 表级别：TABLE_PARAMS

-- Hive分区级别：PARTITION_PARAMS

numFiles：文件数

numRows：行数

totalSize：占用HDFS空间大小

rawDataSize：原生数据大小

transient_lastDdlTime：最近一次操作时间

2）Hive非分区表

对于Hive分区表，因为最小粒度是表级别。因此，元数据统计信息也是表级别的。

-- TABLE_PARAMS

numFiles、numRows、totalSize、rawDataSize、transient_lastDdlTime：含义同上

3. Hive

默认情况下，在对Hive表进行数据insert时，Hive会自动更新元数据统计信息，但是不统计行数。如需获取numRow，可以再次执行analyze SQL

1）直接通过Hive进行表的创建

以分区表testdb.test_analyze为例，表刚创建时Hive元数据库中表TABLE_PARAMS的信息：

+------+---------------------+-----------+

|TBL_ID|           PARAM_KEY |PARAM_VALUE|

+------+---------------------+-----------+

|  3016|            EXTERNAL |       TRUE|

|  3016|transient_lastDdlTime| 1595405772|

+------+---------------------+-----------+

2）对表testdb.test_analyze进行数据的保存和元数据信息统计：

insert overwrite table testdb.test_analyze partition(partCol=20200721000000) select id,name from testdb.test_partition1 where partCol=20190626000000;

analyze table testdb.test_analyze partition(partCol='20200721000000') COMPUTE STATISTICS;

3）连接Hive元数据库，查询testdb.test_analyze的元数据统计信息

-- 1. 连接Hive元数据库

connect jdbc where

url="jdbc:mysql://localhost:3306/hive?useUnicode=true&amp;characterEncoding=UTF-8"

and driver="com.mysql.jdbc.Driver"

and user="root"

and password="root"

as db_1;

-- 2. 将TABLE_PARAMS、DBS、TBLS、PARTITIONS、PARTITION_PARAMS注册为临时表

-- load jdbc.`db_1.TABLE_PARAMS` as TABLE_PARAMS ;

load jdbc.`db_1.DBS` as dbs;

load jdbc.`db_1.TBLS` as tbls;

load jdbc.`db_1.PARTITIONS` as partitions;

load jdbc.`db_1.PARTITION_PARAMS` as partition_params;

-- 3. 获取testdb.test_analyze的元数据统计信息

select d.NAME,t.TBL_NAME,t.TBL_ID,p.PART_ID,p.PART_NAME,a.*

from tbls t

left join dbs d

on t.DB_ID = d.DB_ID

left join partitions p

on t.TBL_ID = p.TBL_ID

left join partition_params a

on p.PART_ID=a.PART_ID

where t.TBL_NAME='test_analyze' and d.NAME='testdb';

4）结果

-- 测试时，testdb.test_analyze只有partCol=20200721000000的分区。因此，统计信息也只有partCol=20200721000000的

+------+------------+------+-------+----------------------+-------+--------------------+--------------------+

|  NAME|    TBL_NAME|TBL_ID|PART_ID|             PART_NAME|PART_ID|           PARAM_KEY|         PARAM_VALUE|

+------+------------+------+-------+----------------------+-------+--------------------+--------------------+

|testdb|test_analyze|  3016|  52976|partCol=20200721000000|  52976|COLUMN_STATS_ACCU...|{"BASIC_STATS":"t...|

|testdb|test_analyze|  3016|  52976|partCol=20200721000000|  52976|            numFiles|                   1|

|testdb|test_analyze|  3016|  52976|partCol=20200721000000|  52976|             numRows|                   1|

|testdb|test_analyze|  3016|  52976|partCol=20200721000000|  52976|         rawDataSize|                   3|

|testdb|test_analyze|  3016|  52976|partCol=20200721000000|  52976|           totalSize|                 383|

|testdb|test_analyze|  3016|  52976|partCol=20200721000000|  52976|transient_lastDdl...|          1595407507|

+------+------------+------+-------+----------------------+-------+--------------------+--------------------+

下篇文章将介绍如何利用Spark进行Hive库表元数据信息统计，以及二者的区别。关注微信公众号：大数据学习与分享，抢先看技术干货