Question

我有一个带有某些示例数据的Hive orc test_dev_db.TransactionUpdateTable表，该表将保存需要更新到主表（test_dev_db.TransactionMainHistoryTable）的增量数据，该主表已划分为Country，Tran_date列。

Hive增量负载表架构：它包含19行需要合并。

CREATE TABLE IF NOT EXISTS test_dev_db.TransactionUpdateTable 
(
Transaction_date timestamp,
Product       string,
Price         int,
Payment_Type  string,
Name          string, 
City          string,
State         string,
Country       string
)
ROW FORMAT DELIMITED
FIELDS TERMINATED BY ','
STORED AS orc
;

Hive主表模式：总行数为77。

CREATE TABLE IF NOT EXISTS test_dev_db.TransactionMainHistoryTable
(
Transaction_date timestamp,
Product       string,
Price         int,
Payment_Type  string,
Name          string,
City          string,
State         string
)
PARTITIONED BY (Country string,Tran_date string) 
ROW FORMAT DELIMITED
FIELDS TERMINATED BY ','
STORED AS orc
;

我正在查询下面运行，以将增量数据与主表合并。

SELECT
  case when i.transaction_date is not null then cast(substring(current_timestamp(),0,19) as timestamp)  
  else t.transaction_date   end as transaction_date,
  t.product,
  case when i.price is not null then i.price else t.price end as price,
  t.payment_type,
  t.name,
  t.city,
  t.state,
  t.country,
  case when i.transaction_date is not null then substring(current_timestamp(),0,10) 
  else t.tran_date end as tran_date
  from
test_dev_db.TransactionMainHistoryTable t
full join test_dev_db.TransactionUpdateTable i on (t.Name=i.Name)
;
/hdfs/path/database/test_dev_db.db/transactionmainhistorytable/country=Australia/tran_date=2009-03-01
/hdfs/path/database/test_dev_db.db/transactionmainhistorytable/country=Australia/tran_date=2009-05-01

并在下面的查询中运行以过滤出需要合并的特定分区，以免重写未更新的分区。

SELECT
  case when i.transaction_date is not null then cast(substring(current_timestamp(),0,19) as timestamp)  
  else t.transaction_date   end as transaction_date,
  t.product,
  case when i.price is not null then i.price else t.price end as price,
  t.payment_type,
  t.name,
  t.city,
  t.state,
  t.country,
  case when i.transaction_date is not null then substring(current_timestamp(),0,10) else t.tran_date end as tran_date
  from
(SELECT 
  *
  FROM 
test_dev_db.TransactionMainHistoryTable
where Tran_date in
(select distinct  from_unixtime(to_unix_timestamp (Transaction_date,'yyyy-MM-dd HH:mm'),'yyyy-MM-dd') from test_dev_db.TransactionUpdateTable
))t
full join test_dev_db.TransactionUpdateTable i on (t.Name=i.Name)
;

在两种情况下，仅

仅需更新Transaction_date，Price和分区列tran_date。尽管横向查询需要更长的时间才能执行，但这两个查询都运行良好。

分区表的执行计划为：

 Stage: Stage-5
    Map Reduce
      Map Operator Tree:
          TableScan
            alias: transactionmainhistorytable
            filterExpr: tran_date is not null (type: boolean)
            Statistics: Num rows: 77 Data size: 39151 Basic stats: COMPLETE Column stats: COMPLETE
            Map Join Operator
              condition map:
                   Left Semi Join 0 to 1
              keys:
                0 tran_date (type: string)
                1 _col0 (type: string)
              outputColumnNames: _col0, _col1, _col2, _col3, _col4, _col5, _col6, _col7, _col8

我在第二次查询中做错什么了吗？是否需要同时使用两个partition列才能进行更好的修剪。任何帮助或建议，我们将不胜感激。

Answer 1

也许这不是一个完整的答案，但我希望这些想法会有所帮助。

where tran_date IN (select ... )

实际上与

相同

LEFT SEMI JOIN (SELECT ...)

这反映在计划中：

Map Join Operator
              condition map:
                   Left Semi Join 0 to 1
              keys:
                0 tran_date (type: string)
                1 _col0 (type: string)

它作为map-join执行。首先，选择子查询数据集，然后将其放置在分布式缓存中，并加载到要在map-join中使用的内存中。所有这些步骤：选择，加载到内存，映射联接比读取和覆盖所有表都要慢，因为它是如此之小且过度分区：统计数据显示行数：77数据大小：39151-太小，无法被两个分区列，甚至太小而根本无法分区。尝试使用更大的表，并使用EXPLAIN EXTENDED检查真正被扫描的内容。

此外，替换为：

from_unixtime(to_unix_timestamp (Transaction_date,'yyyy-MM-dd HH:mm'),'yyyy-MM-dd')

带有substr(Transaction_date,0,10)或date(Transaction_date)

使用substring(current_timestamp,0,10)和current_date只是为了简化代码。

如果要在计划中显示分区过滤器，请尝试替换作为分区列表传递的分区过滤器，您可以在单独的会话中选择该分区过滤器，并使用shell将分区列表传递给where子句，请参见以下答案： https://stackoverflow.com/a/56963448/2700344

使用Hive分区表优化联接性能

1 个答案: