hive里的索引

Posted 2020-08-21 大数据和人工智能躺过的坑

　　Hive支持索引，但是Hive的索引与关系型数据库中的索引并不相同，比如，Hive不支持主键或者外键。

Hive索引可以建立在表中的某些列上，以提升一些操作的效率，例如减少MapReduce任务中需要读取的数据块的数量。

在可以预见到分区数据非常庞大的情况下，索引常常是优于分区的。

　　博主我推荐各位博文们通过查阅Hive文档对Hive表的索引进行更深入的了解。

　　需要时刻记住的是，Hive并不像事物数据库那样针对个别的行来执行查询、更新、删除等操作。这些操作依赖高效的索引来实现高性能。

　　Hive是一种批处理工具，通常用在多任务节点的场景下，快速地扫描大规模数据。关系型数据库则适用于典型的单机运行、I/O密集型的场景。

Hive通过并行化来实现性能，因此Hive更适用于全表扫描这样的操作，而不是像使用关系型数据库一样操作。

 

 

 

为什么要创建索引？
　　Hive的索引目的是提高Hive表指定列的查询速度。
　　没有索引时，类似‘WHERE tab1.col1 = 10‘ 的查询，Hive会加载整张表或分区，然后处理所有的rows，
　　但是如果在字段col1上面存在索引时，那么只会加载和处理文件的一部分。
　　与其他传统数据库一样，增加索引在提升查询速度时，会消耗额外资源去创建索引和需要更多的磁盘空间存储索引。
　　Hive 0.7.0版本中，加入了索引。Hive 0.8.0版本中增加了bitmap索引。

 

 

 

预习案例

说明:
原表是user
创建索引后的表是user_index_table
索引是user_index

 

 

先创建原表

create table user(
id int,
name string
)
ROW FORMAT DELIMITED FIELDS TERMINATED BY ‘\t‘
STORED AS TEXTFILE;

 

往原表里导入数据

LOAD DATA LOCAL INPATH ‘/export1/tmp/wyp/row.txt‘ OVERWRITE INTO TABLE user;

 

 

给原表做个测试

SELECT * FROM user where id =500000;
Total MapReduce CPU Time Spent: 5 seconds 630 msec
OK
500000 wyp.
Time taken: 14.107 seconds, Fetched: 1 row(s)
可以看出，一共用了14.107s。

 

 

在原表user上创建索引user_index，得到创建索引后的表user_index_table

CREATE INDEX user_index ON TABLE user(id) AS ‘org.apache.hadoop.hive.ql.index.compact.CompactIndexHandler‘ WITH deferred REBUILD IN TABLE user_index_table;
或者如下写都是一样的，建议如下写
hive > create index user_index on table user(id)
> as ‘org.apache.hadoop.hive.ql.index.compact.CompactIndexHandler‘
> with deferred rebuild
> IN TABLE user_index_table;

 

 

给原表user更新数据

ALTER INDEX user_index on user REBUILD;

 

 

删除索引

DROP INDEX user_index on user;

 

 

查看索引

SHOW INDEX on user;

 

 

 

 

 

 

 

 创建表和索引案例

步骤一：创建索引测试表

CREATE TABLE index_test(
id INT,
name STRING
)
PARTITIONED BY (dt STRING)
ROW FORMAT DELIMITED FILEDS TERMINATED BY ‘,‘;
说明：
创建一个索引测试表 index_test，dt作为分区属性，
“ROW FORMAT DELIMITED FILEDS TERMINATED BY ‘,‘” 表示用逗号分割字符串，默认为‘\001’。

 

 

 

步骤二：创建临时索引表

create table index_tmp(
id INT,
name STRING,
dt STRING
)
ROW FORMAT DELIMITED FILEDS TERMINATED BY ‘,‘;
说明：临时索引表是table index_tmp

 

 

步骤三：加载数据到临时索引表中

load data local inpath ‘/home/hadoop/djt/test.txt‘ into table index_tmp;

 

 

 

 

步骤四：设置 Hive 的索引属性来优化索引查询

set hive.exec.dynamic.partition.mode=nonstrict;----设置所有列为 dynamic partition
set hive.exec.dynamic.partition=true;----使用动态分区

 

 

 

步骤五：查询临时索引表中的数据，插入到索引测试表中。

insert overwrite table index_test partition(dt) select id,name,dt from index_tmp;

 

 

 

步骤六：使用 索引测试表，在属性 id 上创建一个索引 

create index index1_index_test on table index_test(id) as ‘org.apache.hadoop.hive.ql.index.compact.CompactIndexHandler‘ WITH DEFERERD REBUILD;
建议如下写
create index index1_index_test on table index_test(id)
as ‘org.apache.hadoop.hive.ql.index.compact.CompactIndexHandler‘
WITH DEFERERD REBUILD;
索引是index1_index_test
索引测试表是 index_test
在索引测试表的属性id上创建的索引

 

 

 

步骤七：填充索引测试表的索引数据

alter index index1_index_test on index_test rebuild;

 

 

 

步骤八：查看索引测试表的创建的索引

show index on index_test

 

 

 

步骤九：查看索引测试表的分区信息

show partitions index_test;

 

 

 

步骤十：查看索引测试表的索引数据

$ hadoop fs -ls /usr/hive/warehouse/default_index_test_index1_index_test_

 

 

 

步骤十一：删除索引测试表的索引

drop index index1_index_test on index_test;
show index on index_test;

 

 

步骤十二：索引测试表的索引数据也被删除

$ hadoop fs -ls /usr/hive/warehouse/default_index_test_index1_index_test_
no such file or directory

 

 

步骤十三：修改配置文件信息

hive.optimize.index.filter 和 hive.optimize.index.groupby 参数默认是 false。
使用索引的时候必须把这两个参数开启，才能起到作用。
hive.optimize.index.filter.compact.minsize 参数
为输入一个紧凑的索引将被自动采用最小尺寸、默认5368709120（以字节为单位）。