Question

我将传感器数据存储在S3中（每5分钟写入一次数据）：

farm_iot/sensor_data/farm/farm0001/sensor01/1541252701443

1541252701443是一个包含测量值的json文件：

{  "temperature": 14.78,  "pressure": 961.70,  "humidity": 68.32}

我肯定缺少一些蜂巢技能。不幸的是，我没有找到一个提取时间序列json数据的示例，这使我入门。我也不确定Wheather Hive / Athena是否支持这种数据争夺。

我正在努力为此数据创建一个雅典娜表...

CREATE EXTERNAL TABLE IF NOT EXISTS farm.sensor_data (
  device string,
  sensor string,
  data_point string,
  value double
)
ROW FORMAT SERDE 'org.openx.data.jsonserde.JsonSerDe'
WITH SERDEPROPERTIES (
  'serialization.format' = '1'
) LOCATION 's3://farm-iot/sensor_data/farm/farm0001/sensor01/'
PARTITIONED BY (timestamp string)
TBLPROPERTIES ('has_encrypted_data'='false')

我正在考虑的另一条路是将数据存储在易于处理的结构中/也许我还没有对数据进行足够的分区？！！

所以也许我应该将 dt 添加到这样的结构中：

farm_iot/sensor_data/2018-11-03-02-45-02/farm/farm0001/sensor01/1541252701443

仍然无法将我带到我想去的地方

+---------------+----------+----------+-------------+--------+
| timestamp     | device   | sensor   | data_point  | value  |
+---------------+----------+----------+-------------+--------+
| 1541252701443 | farm0001 | sensor01 | temperature |  14.78 |
+---------------+----------+----------+-------------+--------+
| 1541252701443 | farm0001 | sensor01 | humidity    |  68.32 |
+---------------+----------+----------+-------------+--------+
| 1541252701443 | farm0001 | sensor01 | pressure    | 961.70 |
+---------------+----------+----------+-------------+--------+

任何指向这个目标的指针将不胜感激。谢谢！

请注意：我不想使用胶水，而是想了解如何手动进行。除了昨天已经创建了约16.000个表的胶水：）

Answer 1

让我尝试解释一下我前面看到的一些问题。

看起来您想要的输出期望某些数据是路径文件位置，设备和传感器的一部分，但是并未将其定义为表定义的一部分，只有表定义或virtual columns中的列会能得到的。
几个小文件可能会影响查询的性能（但这不会影响您想要的结果）
Hive分区用于提高查询的性能，避免扫描所有数据。分区指向文件夹，在这种情况下，您尝试访问特定文件
您所需的输出基本上是在多条记录中爆炸1条记录，不应在表定义中处理，可以通过select语句完成
Hive分区具有partitionname=partitionvalue的命名约定，这不是强制性的，但如果您想使用一些高级命令来根据文件夹结构自动添加分区，则该实用程序很有用。

如果您主要通过传感器或设备进行查询，这就是我要解决的问题

更改数据结构

理想情况下，您的文件夹结构应来自

farm_iot/sensor_data/farm/farm0001/sensor01/1541252701443

到farm_iot / sensor_data / farm / device = farm0001 / sensor = sensor01 / 1541252701443

更改表定义

您的表定义应包含您的分区位置，以便能够在不使用正则表达式的情况下选择它并利用它的性能改进（我想一个常见的查询将按设备或传感器进行过滤。除此之外，您还需要添加所有属于文件的json列

CREATE EXTERNAL TABLE IF NOT EXISTS farm.sensor_data (
  temperature double,
  preassure double,
  humidity double
)
ROW FORMAT SERDE 'org.openx.data.jsonserde.JsonSerDe'
WITH SERDEPROPERTIES (
  'serialization.format' = '1'
) LOCATION 's3://farm-iot/sensor_data/farm/'
PARTITIONED BY (device string, sensor string)
TBLPROPERTIES ('has_encrypted_data'='false')

查询数据

我们缺少时间戳，它实际上是json输入文件名的一部分。我们可以使用以下虚拟列INPUT__FILE__NAME在select语句中包含文件名

select device, sensor, temperature, preassure, humidity, INPUT__FILE__NAME as mytimestamp from farm.sensor_data

如果要确定压力，温度和湿度以及不同的行，我建议使用这三个数组创建一个数组并将其爆炸，使用UNION ALL运行3个查询以附加结果应该效率很高

添加新分区

如果遵循Hive约定，则在包含新设备/传感器后，可以利用命令msck repair table自动添加新分区。在最坏的情况下，如果要保留文件夹结构，可以按如下所示添加分区

ALTER TABLE test ADD PARTITION (device='farm0001', sensor='sensor01') location 's3://farm_iot/sensor_data/farm/farm0001/sensor01'

注意：新分区不会自动添加，您始终需要添加它们

我尝试添加尽可能多的细节。如果不清楚，请告诉我。

编辑：如果您的查询主要基于时间序列（例如日期范围），则建议您在天级别（不小于此范围）添加一个分区，以提高查询的性能。因此您的表定义看起来像

CREATE EXTERNAL TABLE IF NOT EXISTS farm.sensor_data (
  temperature double,
  preassure double,
  humidity double
)
ROW FORMAT SERDE 'org.openx.data.jsonserde.JsonSerDe'
WITH SERDEPROPERTIES (
  'serialization.format' = '1'
) LOCATION 's3://farm-iot/sensor_data/farm/'
PARTITIONED BY (dt=long, device string, sensor string)
TBLPROPERTIES ('has_encrypted_data'='false')

您的文件夹结构类似于

farm_iot / sensor_data / farm / dt = 20191204 / device = farm0001 / sensor = sensor01 / 1541252701443

为澄清起见，您不需要为每个新分区修改表，只需将此分区添加到表中，这实质上就是Hive知道创建新分区的方式。如果您决定使用分区，这是唯一的方法，如果不这样做（这会影响性能），还有其他一些选择可以使分区工作

EDIT2：

如果您希望保持数据结构不变并且不使用分区，则可以按照以下方法获得预期结果

CREATE EXTERNAL TABLE IF NOT EXISTS yourdb.sensordata (
  temperature double,
  pressure double,
  humidity double
)
ROW FORMAT SERDE 'org.openx.data.jsonserde.JsonSerDe'
WITH SERDEPROPERTIES (
  'serialization.format' = '1'
) 
LOCATION 's3://farm-iot/sensor_data/farm/'
TBLPROPERTIES ('has_encrypted_data'='false');

SET hive.mapred.supports.subdirectories=TRUE;
SET mapred.input.dir.recursive=TRUE;
select * from yourdb.sensordata;

select 
split(input__file__name, "/")[size(split(input__file__name, "/")) - 1] as ts,
split(input__file__name, "/")[size(split(input__file__name, "/")) - 3] as device,
split(input__file__name, "/")[size(split(input__file__name, "/")) - 2] as sensor,
'temperature' as data_point,
temperature as value
from yourdb.sensordata
union all
select 
split(input__file__name, "/")[size(split(input__file__name, "/")) - 1] as ts,
split(input__file__name, "/")[size(split(input__file__name, "/")) - 3] as device,
split(input__file__name, "/")[size(split(input__file__name, "/")) - 2] as sensor,
'pressure' as data_point,
pressure as value
from yourdb.sensordata
union all
select 
split(input__file__name, "/")[size(split(input__file__name, "/")) - 1] as ts,
split(input__file__name, "/")[size(split(input__file__name, "/")) - 3] as device,
split(input__file__name, "/")[size(split(input__file__name, "/")) - 2] as sensor,
'humidity' as data_point,
humidity as value
from yourdb.sensordata;

如您所见，我从文件路径中获取了大多数信息，但是需要设置一些标志来递归地告诉Hive读取文件夹

ts,device,sensor,_data_point,value
1541252701443,farm0001,sensor01,temperature,14.78
1541252701443,farm0001,sensor01,pressure,961.7
1541252701443,farm0001,sensor01,humidity,68.32

Answer 2

首先感谢@hlagos的帮助。

AWS Athena无法按照我需要的方式转换json传感器数据（我们在@hlagos答案的注释中进行了讨论）。因此，处理这种情况的“最简单”方法是将数据格式从json更改为CSV，以更接近我需要的格式。

我现在将传感器数据以CSV格式存储在S3中（每5分钟写入一次数据），另外还添加了我们讨论的日期和设备分区。

结果文件夹结构：

farm_iot/sensor_data/farm/day=20181129/device=farm0001/1543535738493

CSV文件的数据内容：

sensor01,temperature,2.82
sensor01,pressure,952.83
sensor01,humidity,83.64
sensor02,temperature,2.61
sensor02,pressure,952.74
sensor02,humidity,82.41

AWS Athena表定义：

CREATE EXTERNAL TABLE IF NOT EXISTS farm.sensor_data (
  `sensor` string,
  `data_point` string,
  `value` double 
) 
PARTITIONED BY (day string, device string)
ROW FORMAT DELIMITED
    FIELDS TERMINATED BY ','
    ESCAPED BY '\\'
    LINES TERMINATED BY '\n'
LOCATION 's3://farm-iot/sensor_data/farm/'
TBLPROPERTIES ('has_encrypted_data'='false');

我这样添加的分区（稍后我将有一个脚本来提前创建分区）：

msck repair table farm.sensor_data

现在我可以查询数据了

select regexp_extract("$path", '[^/]+$') as timestamp, device, sensor, 
    data_point, value from farm.sensor_data where day='20181104'

Results
    timestamp       device      sensor      data_point  value
1   1541310040278   farm0001    sensor01    temperature 21.61
2   1541310040278   farm0001    sensor01    pressure    643.65
3   1541310040278   farm0001    sensor01    humidity    74.84
4   1541310040278   farm0001    sensor02    temperature 9.14
5   1541310040278   farm0001    sensor02    pressure    956.04
6   1541310040278   farm0001    sensor02    humidity    88.01
7   1541311840309   farm0001    sensor01    temperature 21.61
8   ...

AWS Athena创建表和分区

2 个答案:

更改数据结构

更改表定义

查询数据

添加新分区