Question

我在雅典娜（HIVE / Presto）中具有以下分区表：

CREATE EXTERNAL TABLE IF NOT EXISTS mydb.mytable (
    id STRING,
    data STRING
)
PARTITIONED BY (
    year string,
    month string,
    day string
)
ROW FORMAT DELIMITED
FIELDS TERMINATED BY '\t'
LINES TERMINATED BY '\n'
LOCATION 's3://mybucket';

数据存储在以s3://mybucket/year=2020/month=01/day=30/之类的路径结构组织的s3中。

我想知道以下查询是否会利用分区优化：

SELECT 
  *
FROM 
  mydb.mytable
WHERE 
  (year='2020' AND month='08' AND day IN ('10', '11', '12')) OR 
  (year='2020' AND month='07' AND day IN ('29', '30', '31'));

我假设由于IN运算符将在一系列OR条件下进行转换，因此这仍然是一个查询，它将受益于分区。我说得对吗？

Answer 1

是的，在documentation中也有提及。

Athena在分区表上运行查询时，它将检查查询的WHERE子句中是否使用了任何分区列。如果使用分区列，则Athena请求AWS Glue数据目录返回与指定分区列匹配的分区规范。分区规范包括LOCATION属性，该属性告诉Athena在读取数据时使用哪个Amazon S3前缀。在这种情况下，仅扫描存储在此前缀中的数据。如果您未在WHERE子句中使用分区列，则Athena会扫描属于该表分区的所有文件。

Answer 2

不幸的是，雅典娜没有公开会使您更容易理解如何优化查询的信息。当前，您唯一可以做的就是运行各种查询变体，并查看GetQueryExecution API调用中返回的统计信息。

弄清楚Athena是否在查询中使用分区的一种方法是使用分区列的不同值运行查询，并确保扫描的数据量不同。如果数据量不同，则雅典娜（Athena）可以在查询计划期间修剪分区。

雅典娜（Hive / Presto）查询分区表IN语句

2 个答案: