hive - Amazon Athena 上的重复数据删除

Question

我们有流应用程序在 S3 上存储数据。 S3 分区可能有重复的记录。我们通过 Athena 查询 S3 中的数据。

有没有办法从 S3 文件中删除重复项，以便我们在从 Athena 查询时不会得到它们？

Answer 1

您可以编写一个小的 bash 脚本来执行 hive/spark/presto 查询以读取数据，删除重复项，然后将其写回 S3。

我不使用 Athena，但因为它只是 presto，所以我假设你可以做任何可以在 Presto 中做的事情。

bash 脚本执行以下操作:

读取数据并应用不同的过滤器(或您想要应用的任何逻辑)，然后将其插入到另一个位置。

例如 :

CREATE TABLE mydb.newTable AS
SELECT DISTINCT *
FROM hive.schema.myTable

如果是重复性任务，那么 INSER OVERWRITE 会更好。

不要忘记设置 hive db 的位置，以便轻松识别数据目的地。

语法引用: https://prestodb.io/docs/current/sql/create-table.html

使用 aws s3 CLI command 删除旧的数据目录.

将新数据移动到旧目录

现在您可以安全地读取同一张表，但记录是不同的。