2 分桶表
2.1 Hive中Join的问题
表的Join是数据分析处理过程中必不可少的操作,Hive同样支持Join的语法,Hive Join的底层还是通过MapReduce来实现的,但是Hive实现Join时面临一个问题:如果有两张非常大的表要进行
Join,两张表的数据量都很大,Hive底层通过MapReduce实现时,无法使用MapJoin提高Join的性
能,只能走默认的ReduceJoin,而ReduceJoin必须经过Shuffle过程,相对性能比较差,而且容易
产生数据倾斜,如何解决这个问题?
2.2 分桶表设计思想
针对以上的问题,Hive中提供了另外一种表的结构——分桶表结构。分桶表的设计有别于分区
表的设计,分区表是将数据划分不同的目录进行存储,而分桶表是将数据划分不同的文件进行存储。
分桶表的设计是按照一定的规则【通过MapReduce中的多个Reduce来实现】将数据划分到不同的
文件中进行存储,构建分桶表。
如果有两张表按照相同的划分规则【按照Join的关联字段】将各自的数据进行划分,在Join时,
就可以实现Bucket与Bucket的Join,避免不必要的比较。
例如:当前有两张表,订单表有1000万条,用户表有10万条,两张表的关联字段是userid,现
在要实现两张表的Join。
我们将订单表按照userid划分为3个桶,1000万条数据按照userid的hash取余存储在对应的
Bucket中。
同理,我们再将用户表按照相同的规则,存储在3个桶中。
在Join时,只需要将两张表的Bucket0与Bucket0进行Join,Bucket1与Bucket1进行Join,Bucket2
与Bucket2进行Join即可,不用让所有的数据挨个比较,降低了比较次数,提高了Join的性能。
2.3 分桶表测试
当前有两份较大的数据文件,emp员工数据和dept部门数据,现在要基于Hive实现两张表的
Join,我们可以通过分桶实现分桶Join提高性能。
⚫ 构建普通emp表
create database if not exists db_emp; use db_emp; --创建普通表 create table tb_emp01( empno string, ename string, job string, managerid string, hiredate string, salary double, jiangjin double, deptno string ) row format delimited fields terminated by ' '\t' '; --加载数据 load data local inpath '/export/data/emp01.txt' into table tb_emp01;
⚫ 构建分桶emp表
use db_emp; -- 创建分桶表 create table tb_emp02( empno string, ename string, job string, managerid string, hiredate string, salary double, jiangjin double, deptno string ) clustered by(deptno) sorted by (deptno asc) into 3 buckets row format delimited fields terminated by ' '\t' '; -- 写入分桶表 insert overwrite table tb_emp02 select * from tb_emp01;
⚫ 构建普通dept表
use db_emp; -- 创建部门表 create table tb_dept01( deptno string, dname string, loc string ) row format delimited fields terminated by ','; -- 加载数据 load data local inpath '/export/data/dept01.txt' into table tb_dept01;
⚫ 构建分桶dept表
use db_emp; --创建分桶表 create table tb_dept02( deptno string, dname string, loc string ) clustered by(deptno) sorted by (deptno asc) into 3 buckets row format delimited fields terminated by ','; --写入分桶表 insert overwrite table tb_dept02 select * from tb_dept01;
⚫ 普通的Join执行计划
explain select a.empno, a.ename, a.salary, b.deptno, b.dname from tb_emp01 a join tb_dept01 b on a.deptno = b.deptno;
⚫ 分桶的Join执行计划
--开启分桶 SMB join set hive.optimize.bucketmapjoin = true; set hive.auto.convert.sortmerge.join= true; set hive.optimize.bucketmapjoin.sortedmerge = true; --查看执行计划 explain select a.empno, a.ename, a.salary, b.deptno, b.dname from tb_emp02 a join tb_dept02 b on a.deptno = b.deptno;
3 索引设计
3.1 Hive中的索引
在传统的关系型数据库例如MySQL、Oracle等数据库中,为了提高数据的查询效率,可以为表
中的字段单独构建索引,查询时,可以基于字段的索引快速的实现查询、过滤等操作。
Hive中也同样提供了索引的设计,允许用户为字段构建索引,提高数据的查询效率。但是Hive的索引与关系型数据库中的索引并不相同,比如,Hive不支持主键或者外键。Hive索引可以建立在
表中的某些列上,以提升一些操作的效率,例如减少MapReduce任务中需要读取的数据块的数量。
在可以预见到分区数据非常庞大的情况下,分桶和索引常常是优于分区的。而分桶由于SMBJoin对关联键要求严格,所以并不是总能生效。官方文档:
https://cwiki.apache.org/confluence/display/Hive/LanguageManual+DDL#LanguageManualDD L-Create/Drop/AlterIndex
注意:官方明确表示,索引功能支持是从Hive0.7版本开始,到Hive3.0不再支持。
3.2 索引的原理及使用
Hive中索引的基本原理:当为某张表的某个字段创建索引时,Hive中会自动创建一张索引表,
该表记录了该字段的每个值与数据实际物理位置之间的关系,例如数据所在的HDFS文件地址,以
及所在文件中偏移量offset等信息。
Hive的索引目的是提高Hive表指定列的查询速度。没有索引时,类似’WHERE tab1.col1 = 10’ 的
查询,Hive会加载整张表或分区,然后处理所有的rows,但是如果在字段col1上面存在索引时,那
么只会加载和处理文件的一部分。
构建数据时,Hive会根据索引字段的值构建索引信息,将索引信息存储在索引表中
查询数据时,Hive会根据索引字段查询索引表,根据索引表的位置信息读取对应的文件数据。
下面我们来实现索引的构建,例如:
当前有一张分区表tb_login_part,默认查询数据时,是没有索引的,当查询登陆日期时可以通
过分区过滤来提高效率,但是如果想按照用户ID进行查询,就无法使用分区进行过滤,只能全表扫
描数据。
如果我们需要经常按照用户ID查询,那么性能就会相对较差,我们可以基于用户ID构建索引来
加快查询效率。
⚫ 可以使用Hive3.0以下版本测试
⚫ 创建索引
--为表中的 userid 构建索引 create index idx_user_id_login on table tb_login_part(userid) --索引类型为 Compact,Hive 支持 Compact 和 Bitmap 类型,存储的索引内容不同 as 'COMPACT' --延迟构建索引 with deferred rebuild;
⚫ 构建索引
alter index idx_user_id_login ON tb_login_part rebuild;
通过运行一个MapReduce程序来构建索引
⚫ 查看索引
desc default__tb_login_part_idx_user_id_login__;
select * from default__tb_login_part_idx_user_id_login__;
索引中记录了每个用户ID对应的文件以及在文件中的位置
⚫ 删除索引
DROP INDEX idx_user_id_login ON tb_login_part;
3.3 索引的问题与应用
⚫ 问题
Hive构建索引的过程是通过一个MapReduce程序来实现的,这就导致了Hive的一个
问题,每次Hive中原始数据表的数据发生更新时,索引表不会自动更新,必须手动执行
一个Alter index命令来实现通过MapReduce更新索引表,导致整体性能较差,维护相对繁琐。例如:
◼ 表中数据发生新增或者修改
◼ 索引表没有更新
◼ 手动更新索引表
alter index idx_user_id_login ON tb_login_part rebuild;
⚫ 应用
由于Hive的索引设计过于繁琐,所以从Hive3.0版本开始,取消了对Hive Index的支
持及使用,不过如果使用的是Hive1.x或者Hive2.x在特定的场景下依旧可以使用Hive
Index来提高性能。
实际工作场景中,一般不推荐使用Hive Index,推荐使用ORC文件格式中的索引来代替Hive Index提高查询性能。