Hive优化 - 如何基于分区优化

    最近一直做系统优化，但从建模的角度今天有个小优化，原理比较简单，效果可能不是很大，但很有意思。

    这种优化的好处是不用改变sql代码，对用户是透明的。

    所以分享下。

    -

    由于hive在文件基础上，而会全部扫一个分区里面的内容。

    hive表的概念是基于hadoop的文件系统hdfs，表其实是分布式文件里面的一个文件目录。

    再加上没有索引，如果要取的表里面的某些字段就必须全部扫描该表对应的文件目录

    -

    如：建表way1：

    create table if not exists t_hm_0501_test_01

    (

    uid string,

    nick string

    )

    PARTITIONED BY (pt STRING , bc_seller string )

    row format delimited

    fields terminated by ‘\\t’

    lines terminated by ‘\\n’

    stored as textfile;

    -

    在hadoop的hdfs中其实是这样的目录

    -

    t_hm_0501_test_01表对应hdfs里的如下文件目录。

    /t_hm_0501_test_01

    ―-

    一级分区

    /t_hm_0501_test_01/pt=20110501000000

    /t_hm_0501_test_01/pt=20110502000000

    -

    二级分区

    /t_hm_0501_test_01/pt=20110501000000/bc_seller=0

    /t_hm_0501_test_01/pt=20110501000000/bc_seller=1

    最后那个分区目录后面放的是真正的数据文件

    ―

    如果有语句 select ,.. from t_hm_0501_test_01 where pt’=20110501000000’ and bc_seller=0

    Hadoop只读取/t_hm_0501_test_01/pt=20110501000000/bc_seller=0 下面的数据，不用处理bc_seller = 1 的数据。

    -

    如果这个表where条件中的值不是分区字段，则会全部扫里面的内容。

    如果我们把部分常用字段枚举成分区字段，则会减少扫的内容(条数)。

    ！！

    Way2：

    如果这样建表：

    create table if not exists t_hm_0501_test_01

    (

    uid string,

    nick string

    )

    PARTITIONED BY (pt STRING )

    row format delimited

    fields terminated by ‘\\t’

    lines terminated by ‘\\n’

    stored as textfile;

    -

    一级分区

    /t_hm_0501_test_01/pt=20110501000000

    /t_hm_0501_test_01/pt=20110502000000

    同样的sql 语句：

    select ,.. from t_hm_0501_test_01 where pt’=20110501000000’ and bc_seller=0

    -

    其实是扫的是：

    /t_hm_0501_test_01/pt=20110501000000 所有东西，包括下面bc_seller=1的数据，增加了脏数据。

    浪费了一些map 及其他资源。

    -

    这其实是一个树形结构，如果做得好就是个tree算法，可以最少的读取文件。

    而且这种优化的好处是不用改变sql代码，对用户是透明的。

    那么如何设定partition 及如何确定其分区值

    就成了关键。

还可以凭借一些业务经验去确定，更科学的是通过系统自动的解决该问题。

    这里通过对hive sql 元数据解析，写一下算法进行分析，得到更好的提出更优的分区

    具体如何选择需要，需要改字段满足一些特性。

比较容易枚举

字段指相对固定

频率最高的过滤字段

    ――――

    如下例子：

    如果你在数据分析的过程中，

    你的用户表操作的性别过滤很多，可以以性别作为分区。

    ―――-

    如果你经常分析成交数据

    大量分析计算30天的交易成交，其次是60天的成交。

    你也可以时段进行分区，这样可以节省你很多成本。

建议继续学习：

1. 如何获取hive建表语句    (阅读：6738)
2. Hive源码解析-之-词法分析器 parser    (阅读：5928)
3. HIVE中UDTF编写和使用    (阅读：5320)
4. Hive的入口 -- Hive源码解析    (阅读：4930)
5. Hive源码解析-之-语法解析器    (阅读：4442)
6. 用hadoop hive协同scribe log用户行为分析方案    (阅读：4191)
7. 几个HIVE的streaming    (阅读：3457)
8. 写好Hive 程序的五个提示    (阅读：3234)
9. Impala与Hive的比较    (阅读：3091)
10. Hive 随谈（一）    (阅读：2890)