Question

虽然Impala比Hive快得多，但我们使用了Hive，因为它支持复杂（嵌套）数据类型，如数组和映射。

我注意到Impala，从CDH5.5开始，现在支持复杂的数据类型。既然也可以在Impala中运行Hive UDF，我们可以在Impala中完成我们想要的一切，但速度要快得多。那是个好消息！

在浏览文档时，我发现Impala希望数据以Parquet格式存储。我的数据原始形式恰好是一个双列CSV，其中第一列是ID，第二列是以管道分隔的字符串数组，例如：

123,ASDFG|SDFGH|DFGHJ|FGHJK
234,QWERT|WERTY|ERTYU

创建了一个Hive表：

CREATE TABLE `id_member_of`(
  `id` INT, 
  `member_of` ARRAY<STRING>)
ROW FORMAT DELIMITED 
  FIELDS TERMINATED BY ',' 
  COLLECTION ITEMS TERMINATED BY '|' 
  LINES TERMINATED BY '\n' 
STORED AS INPUTFORMAT 
  'org.apache.hadoop.mapred.TextInputFormat' 
OUTPUTFORMAT 
  'org.apache.hadoop.hive.ql.io.HiveIgnoreKeyTextOutputFormat';

原始数据已加载到Hive表中：

LOAD DATA LOCAL INPATH 'raw_data.csv' INTO TABLE id_member_of;

创建了桌子的Parquet版本：

CREATE TABLE `id_member_of_parquet` (
 `id` STRING, 
 `member_of` ARRAY<STRING>) 
STORED AS PARQUET;

CSV支持的表中的数据已插入Parquet表中：

INSERT INTO id_member_of_parquet SELECT id, member_of FROM id_member_of;

现在可以在Hive中查询Parquet表：

hive> select * from id_member_of_parquet;
123 ["ASDFG","SDFGH","DFGHJ","FGHJK"]
234 ["QWERT","WERTY","ERTYU"]

奇怪的是，当我在Impala中查询同一个Parquet支持的表时，它不会返回数组列：

[hadoop01:21000] > invalidate metadata;
[hadoop01:21000] > select * from id_member_of_parquet;
+-----+
| id  |
+-----+
| 123 |
| 234 |
+-----+

问题：数组列发生了什么变化？你能看出我做错了什么吗？

Answer 1

事实证明这很简单：我们可以通过将数据添加到带有点的FROM来访问数组，例如

Query: select * from id_member_of_parquet, id_member_of_parquet.member_of
+-----+-------+
| id  | item  |
+-----+-------+
| 123 | ASDFG |
| 123 | SDFGH |
| 123 | DFGHJ |
| 123 | FGHJK |
| 234 | QWERT |
| 234 | WERTY |
| 234 | ERTYU |
+-----+-------+

Parquet支持的Hive表：在Impala中无法查询的数组列

1 个答案: