[英]How to tune hive to query metadata?
如果我在具有某些分区列的表上运行下面的配置单元查询,我想确保配置单元不进行全表扫描,而只是从元数据本身中找出结果。 有什么办法可以做到这一点?
Select max(partitioned_col) from hive_table ;
现在,当我运行此查询时,它的启动图会减少任务,并且可以确定它在进行数据扫描,同时可以很好地从元数据本身中找出值。
每次更改数据时都要计算表统计信息。
ANALYZE TABLE hive_table PARTITION(partitioned_col) COMPUTE STATISTICS FOR COLUMNS;
启用CBO和统计信息自动收集:
set hive.cbo.enable=true;
set hive.stats.autogather=true;
使用以下设置可以使用统计信息启用CBO:
set hive.compute.query.using.stats=true;
set hive.stats.fetch.partition.stats=true;
set hive.stats.fetch.column.stats=true;
如果没有帮助, 我建议您采用这种方法快速找到最后一个分区:使用表位置中的shell脚本解析最大分区键。 下面的命令将打印所有表文件夹路径,排序,采用最新排序,采用最后一个子文件夹名称,解析分区文件夹名称并提取值。 您只需要初始化TABLE_DIR
变量并将the number of partition subfolder in the path
放在the number of partition subfolder in the path
:
last_partition=$(hadoop fs -ls $TABLE_DIR/* | awk '{ print $8 }' | sort -r | head -n1 | cut -d / -f [number of partition subfolder in the path here] | cut -d = -f 2
然后使用$last_partition
变量传递给您的脚本为
hive -hiveconf last_partition="$last_partition" -f your_script.hql
声明:本站的技术帖子网页,遵循CC BY-SA 4.0协议,如果您需要转载,请注明本站网址或者原文地址。任何问题请咨询:yoyou2525@163.com.