hadoop - 按现有字段分区 Hive 表？

Question

我可以在插入现有字段时对 Hive 表进行分区吗？

我有一个 10 GB 的文件，其中包含一个日期字段和一个小时字段。我可以将这个文件加载到一个表中，然后插入覆盖到另一个使用这些字段作为分区的分区表中吗？像下面这样的东西会起作用吗？

INSERT OVERWRITE TABLE tealeaf_event  PARTITION(dt=evt.datestring,hour=evt.hour) 
SELECT * FROM staging_event evt;

谢谢!

特拉维斯

Answer 1

我刚刚遇到这个问题，试图回答同样的问题，它很有帮助，但还不够完整。简短的回答是肯定的，问题中的查询之类的东西可以工作，但语法不太正确。

假设您有三个表，它们是使用以下语句创建的:

CREATE TABLE staging_unpartitioned (datestring string, hour int, a int, b int);

CREATE TABLE staging_partitioned (a int, b int) 
    PARTITIONED BY (datestring string, hour int);

CREATE TABLE production_partitioned (a int, b int) 
    PARTITIONED BY (dt string, hour int);

列 a 和 b 只是一些示例列。 dt 和 hour 是我们想要在它到达生产表后进行分区的值。将暂存数据从 staging_unpartitioned 和 staging_partitioned 移动到生产环境看起来完全一样。

INSERT OVERWRITE TABLE production_partitioned PARTITION (dt, hour)
    SELECT a, b, datestring, hour FROM staging_unpartitioned;

INSERT OVERWRITE TABLE production_partitioned PARTITION (dt, hour)
    SELECT a, b, datestring, hour FROM staging_partitioned;

这使用称为动态分区的过程，您可以阅读有关 here 的信息.需要注意的重要一点是，哪些列与哪些分区相关联是由 SELECT 顺序决定的。所有动态分区必须最后按顺序选择。

当您尝试运行上面的代码时，您很可能会因设置的属性而出错。首先，如果您禁用了动态分区，它将无法工作，因此请确保:

set hive.exec.dynamic.partition=true;

如果您没有在动态分区之前至少在一个静态分区上进行分区，那么您可能会遇到错误。当您打算用动态分区覆盖其子分区时，此限制可以避免您意外删除根分区。根据我的经验，这种行为从来没有帮助，而且常常令人讨厌，但你的里程可能会有所不同。无论如何，很容易改变:

set hive.exec.dynamic.partition.mode=nonstrict;

那应该就可以了。