[一起学Hive]之十五-分析Hive表和分区的统计信息(Statistics)

程序员文章站 2022-05-30 20:09:47

...

关键字：Hive统计信息、分析Hive表、Hive Statistics

类似于Oracle的分析表，Hive中也提供了分析表和分区的功能，通过自动和手动分析Hive表，将Hive表的一些统计信息存储到元数据中。

表和分区的统计信息主要包括：行数、文件数、原始数据大小、所占存储大小、最后一次操作时间等；

14.1 新表的统计信息

对于一个新创建的表，默认情况下，如果通过INSERT OVERWRITE的方式插入数据，那么Hive会自动将该表或分区的统计信息更新到元数据。

有一个参数来控制是否自动统计，hive.stats.autogather，默认为true.

举例来说：

先创建表lxw1234:

CREATE TABLE lxw1234 (
id STRING,
name STRING
) stored AS textfile;

在元数据表TABLE_PARAMS中，会有一条记录，记录了该表上次DDL的时间，

该表中的TBL_ID对应TBLS表中的TBL_ID.

关于Hive元数据结构的详细介绍，可参考前一章：

[一起学Hive]之十四-Hive的元数据表结构详解

SELECT * FROM TABLE_PARAMS WHERE tbl_id = 45857

TBL_ID	PARAM_KEY	PARAM_VALUE
45857	transient_lastDdlTime	1436916981

接下来通过INSERT OVERWRITE向表lxw1234中插入数据：

INSERT overwrite TABLE lxw1234 SELECT pt,pcid FROM lxw1;

其实在hive-cli中执行HQL之后，会打印出统计信息：

Table default.lxw1234 stats:

[numFiles=1, numRows=11067, totalSize=376278, rawDataSize=365211]

再查看元数据：

SELECT * FROM TABLE_PARAMS WHERE tbl_id = 45857

TBL_ID	PARAM_KEY	PARAM_VALUE
45857	transient_lastDdlTime	1436917459
45857	numFiles	1
45857	numRows	11067
45857	rawDataSize	365211
45857	totalSize	376278
45857	COLUMN_STATS_ACCURATE	true

这里的rawDataSize是指原始数据的大小，totalSize是指占用HDFS存储空间大小。

如果再次使用INSERT OVERWRITE方式覆盖该表数据，那么统计信息将会更新。

14.2 新分区的统计信息

对于INSERT OVERWRITE方式新增的分区，统计信息同新创建的表，只不过在元数据中存放的表不一样。

CREATE TABLE lxw1234 (
id STRING,
name STRING
) PARTITIONED BY (day STRING);

创建之后，在分区的元数据中还没有任何该表的信息：

SELECT * FROM `PARTITIONS` WHERE tbl_id = 45858

插入数据到一个新的分区：

INSERT overwrite TABLE lxw1234 PARTITION (day = ‘2015-07-15′)

SELECT pt,pcid

FROM lxw1;

执行打印出的统计信息：

Loading data to table default.lxw1234 partition (day=2015-07-15)

Partition default.lxw1234{day=2015-07-15} stats:

[numFiles=1, numRows=11067, totalSize=376278, rawDataSize=365211]

再查看元数据：

SELECT * FROM `PARTITIONS` WHERE tbl_id = 45858

PART_ID	CREATE_TIME	LAST_ACCESS_TIME	PART_NAME	SD_ID	TBL_ID
56806	1436918167	0	day=2015-07-15	98259	45858

SELECT * FROM PARTITION_PARAMS WHERE PART_ID = 56806

PART_ID	PARAM_KEY	PARAM_VALUE
56806	transient_lastDdlTime	1436918167
56806	numFiles	1
56806	numRows	11067
56806	rawDataSize	365211
56806	totalSize	376278
56806	COLUMN_STATS_ACCURATE	true

与分区统计信息相关的元数据表为

PARTITIONS、PARTITION_PARAMS

14.3 已存在表或分区的统计信息

对于一个已经存在的表、分区或者外部表，则需要通过ANALYZE命令去手动分析表或分区的统计信息。

外部表

    CREATE EXTERNAL TABLE lxw1234 (
    id STRING,
    name STRING
    ) stored AS textfile
    location 'hdfs://namenode/tmp/lxw1234.com/';

创建之后该表的元数据：

SELECT * FROM TABLE_PARAMS WHERE tbl_id = 45859

TBL_ID	PARAM_KEY	PARAM_VALUE
45859	transient_lastDdlTime	1436918758
45859	numFiles	0
45859	numRows	-1
45859	rawDataSize	-1
45859	totalSize	0
45859	COLUMN_STATS_ACCURATE	false
45859	EXTERNAL	true

使用命令分析表lxw1234的统计信息：

ANALYZE TABLE lxw1234 COMPUTE STATISTICS;

该命令也会启动MapReduce去执行，执行之后打印：

Table default.lxw1234 stats:

[numFiles=0, numRows=11067, totalSize=0, rawDataSize=365211]

查看元数据：

SELECT * FROM TABLE_PARAMS WHERE tbl_id = 45859

TBL_ID	PARAM_KEY	PARAM_VALUE
45859	transient_lastDdlTime	1436918995
45859	numFiles	0
45859	numRows	11067
45859	rawDataSize	365211
45859	totalSize	0
45859	COLUMN_STATS_ACCURATE	true
45859	EXTERNAL	true

对于外部表，并没有统计文件数和总大小，估计是统计了该表默认路径下的文件数和大小了。（外部表在创建的时候，同时也会在默认路径下创建一个空目录，比如：hdfs://namenode/user/hive/warehouse/default.db/lxw1234）

分区

如果通过ALTER TABLE ADD PARTITION的方式增加一个分区，道理上其实和外部表没什么区别；

CREATE TABLE lxw1234 (
id STRING,
name STRING
) PARTITIONED BY (day STRING);
 
 
ALTER TABLE lxw1234 ADD PARTITION (day = '2015-07-15')
location 'hdfs://namenode/tmp/lxw1234.com/';

查看元数据：

SELECT * FROM PARTITION_PARAMS WHERE PART_ID = 56807

PART_ID	PARAM_KEY	PARAM_VALUE
56807	transient_lastDdlTime	1436919355
56807	numFiles	20
56807	numRows	-1
56807	rawDataSize	-1
56807	totalSize	376278
56807	COLUMN_STATS_ACCURATE	false

很欣慰，通过这种方式增加分区时候，Hive已经将分区所对应的路径中的文件数和总大小统计到元数据中。

再使用命令分析该分区：

ANALYZE TABLE lxw1234 PARTITION (day = ‘2015-07-15′)

COMPUTE STATISTICS;

Partition default.lxw1234{day=2015-07-15} stats:

[numFiles=20, numRows=11067, totalSize=376278, rawDataSize=365211]

再查看元数据：

SELECT * FROM PARTITION_PARAMS WHERE PART_ID = 56807

PART_ID	PARAM_KEY	PARAM_VALUE
56807	transient_lastDdlTime	1436919604
56807	numFiles	20
56807	numRows	11067
56807	rawDataSize	365211
56807	totalSize	376278
56807	COLUMN_STATS_ACCURATE	true