UNION ALL 不会在 Hive 中生成任何数据

Posted 2023-03-23

【中文标题】UNION ALL 不会在 Hive 中生成任何数据

【英文标题】：UNION ALL doesn't generate any data in Hive

【发布时间】：2019-03-05 06:50:50

【问题描述】：

我正在尝试对具有相同 DDL 结构的三个不同表执行 UNION ALL，但最终输出生成零行。我不知道底层执行中发生了什么。有人可以分享您对此的想法吗？我的示例 Hive SQL 如下所示。谢谢。

SET hive.execution.engine=tez;
    SET hive.exec.dynamic.partition.mode=nonstrict;
    SET hive.qubole.cleanup.partial.data.on.failure=true;
    SET hive.tez.container.size=8192;
    SET tez.task.resource.memory.mb=8192;
    SET tez.task.resource.cpu.vcores=2;
    SET hive.mapred.mode=nonstrict;
    SET hive.qubole.dynpart.use.prefix=true;
    SET hive.vectorized.execution.enabled=true;
    SET hive.vectorized.execution.reduce.enabled =true;
    SET hive.cbo.enable=true;
    SET hive.compute.query.using.stats=true;
    SET hive.stats.fetch.column.stats=true;
    SET hive.stats.fetch.partition.stats=true;
    SET mapred.reduce.tasks = -1;
    SET hive.auto.convert.join.noconditionaltask.size=2730;
    SET hive.auto.convert.join=true;
    SET hive.auto.convert.join.noconditionaltask=true;
    SET hive.auto.convert.join.noconditionaltask.size=405306368;
    SET hive.compute.query.using.stats=true;
    SET hive.stats.fetch.column.stats=true;
    SET hive.stats.fetch.partition.stats=true;
    SET mapreduce.job.reduce.slowstart.completedmaps=0.8;


    CREATE  TABLE IF NOT EXISTS X STORED AS PARQUET AS 
      SELECT a,
             b,
             c
        FROM A
      UNION ALL
      SELECT a,
             b,
             c
        FROM B
      UNION ALL
      SELECT a,
             b,
             c
        FROM C;

如果我尝试在 Presto 上运行以下查询，则显示有数据。

SELECT COUNT(1) FROM 
(
          SELECT a,
                 b,
                 c
            FROM A
          UNION ALL
          SELECT a,
                 b,
                 c
            FROM B
          UNION ALL
          SELECT a,
                 b,
                 c
            FROM C 
)Z;

【问题讨论】：

请检查您的桌子上是否有可用的数据。

【参考方案1】：

UNION ALL 在 Tez 上运行时并行运行并在表位置创建额外的子目录（检查表位置内的内容）。尝试在读取表之前添加这些配置设置，以允许 Hive 读取子目录：

set hive.mapred.supports.subdirectories=true; 
set mapred.input.dir.recursive=true;

您的查询非常简单并且在映射器上运行——只有每个子查询编写它自己的子目录并且不会干扰另一个子目录。

或者您可以通过在末尾添加distribute by 或order by（运行速度较慢）来强制额外的减速器阶段，运行 UNION 而不是 UNION ALL，在联合之后应用过滤器等 - 它会在没有子目录的表文件夹中创建文件：

CREATE  TABLE IF NOT EXISTS X STORED AS PARQUET AS 
select * from 
(
      SELECT a,
             b,
             c
        FROM A
      UNION ALL
      SELECT a,
             b,
             c
        FROM B
      UNION ALL
      SELECT a,
             b,
             c
        FROM C
      )s distribute by a; --this will force reducer step

【讨论】：

我的底层文件存储在 S3 上。这会导致任何问题吗？

@Teja 为了避免重新加载此表后 S3 中的最终一致性（删除后读取），请应用创建较少文件数的方法。通过低基数列或例如 distribute by FLOOR(RAND()*100.0)%20 分发 - 它将创建 20 个相等的文件，并将在最终减速器顶点上并行运行 20 个减速器。但如果可能的话，使用递归目录应用第一种方法

leftjoin 可能是什么问题？我确保 DDL 完全相同并运行上述查询。它产生零行。 :(

您是如何检查数据未加载的？我想在加载后从表中选择计数（*）？

SELECT COUNT(*) FROM (UNION ALL QUERY) in hive 返回 > 0 行。我已经检查了 presto 和 hive。