Hive中创建S3的外部表

Posted 2020-11-12 qwangxiao

Hive中创建S3的外部表

    数据在S3存放的数据是按时间纬度存放的，每天的数据存放在各自的目录下，目录结构如下截图：

       

    每个目录下面的数据是CSV文件，现在将其导入到Hive中进行查询，通过创建对应的表结构：    

[sql] view plain copy

 

1. hadoop到s3
   hadoop distcp hdfs:/user/hive/data/SearchRecord/2014-02-16 s3n://*/hadoop/user/hive/data/SearchRecord/2014-02-16 
   
   需要在core-site.xml中配置好fs.s3n.awsAccessKeyId和fs.s3n.awsSecretAccessKey
   
   注意s3的路径需要使用s3n
   
   
2. s3到hadoop
   hadoop distcp s3n://*/hadoop/user/hive/data/SearchRecord/2014-02-16/ hdfs:/user/hadoop/test/SearchRecord/2014-02-16

1. CREATE EXTERNAL TABLE `palmplay_log_pv_s3_csv`(  
2.   `meta_id` string COMMENT ‘from deserializer‘,   
3.   `brand` string COMMENT ‘from deserializer‘,   
4.   `channel` string COMMENT ‘from deserializer‘,   
5.   `countrycode` string COMMENT ‘from deserializer‘)  
6. partitioned by (dt www.yongshiyule178.com String)  
7. ROW FORMAT SERDE  
8.   ‘org.apache.hadoop.hive.serde2.OpenCSVSerde‘  
9. WITH SERDEPROPERTIES (  
10.    "separatorChar" www.wanmeiyuele.cn = "\t",  
11.    "quoteChar"     =www.hjha178.com/ "‘",  
12.    "escapeChar"  www.douniu157.com  = "\\"  
13. )    
14. STORED AS www.yongxinzaixian.cn TEXTFILE  
15. LOCATION  
16.   ‘s3a://palmplay_www.wmylpt.com/  log_pv_csv‘;  

    然后通过如下语句进行查询：    

[sql] view plain copy

 

1. select * from palmplay_log_pv_s3_csv limit 10;  
2. select * from palmplay_log_pv_s3_csv where dt=‘2018-04-09‘ limit 10;  

    此时是查询不到结果，因为这个时候分区表的分区信息并没有加载到Hive的Metastore中，需要先执行将分区信息加载到Metastore中，才可以查询到数据。

 

加载表的分区信息到Metastore中

    从S3中将表的分区信息加载到Hive的Metastore中，这个同从HDFS中加载表的分区信息是一样的，执行以下命令进行加载：    

[plain] view plain copy

 

1. MSCK REPAIR TABLE palmplay_log_pv_s3_csv;  

    然后再执行select查询就可以查询到数据了。

    注：可以使用hive.metastore.fshandler.threads参数（缺省值为15，配置在hive-site.xml中）来增加用于在MSCK阶段中扫描分区的线程数。

 

对表进行分析
    在Amazon S3上处理数据时，分析表的步骤与在HDFS中处理数据时的步骤相同。
    可以通过设置hive.stats.autogather = true或运行analyze table table_name compute statistics命令自动收集表统计信息，例如：
ANALYZE TABLE table_name PARTITION（dt =‘2018-04-09‘）COMPUTE STATISTICS;
    但是，列统计信息只能通过运行列命令的分析表测试计算统计信息来收集，例如：    

[sql] view plain copy

 

1. ANALYZE TABLE table_name PARTITION（ds =‘2018-04-09‘）COLUMNS;  

    有关更多信息和示例，请参阅Apache文档。