Hive索引原理机制与使用

 

文章来自：http://lxw1234.com/archives/2015/05/207.htm

 

Hive是支持索引的，但基本没用过，只做了下试验。
为什么大家都不用，肯定有它的弊端。

 

Hive索引机制：

 

在指定列上建立索引，会产生一张索引表（Hive的一张物理表），里面的字段包括，索引列的值、该值对应的HDFS文件路径、该值在文件中的偏移量;

 

在执行索引字段查询时候，首先额外生成一个MR job，根据对索引列的过滤条件，从索引表中过滤出索引列的值对应的hdfs文件路径及偏移量，输出到hdfs上的一个文件中，然后根据这些文件中的 hdfs路径和偏移量，筛选原始input文件，生成新的split,作为整个job的split,这样就达到不用全表扫描的目的。

 

Hive索引建立过程：

• 创建索引：

 

create index lxw1234_index on table lxw1234(key)
as 'org.apache.hadoop.hive.ql.index.compact.CompactIndexHandler'
with deferred rebuild;

 之后在Hive中会创建一张索引表，也是物理表：

 

 

 

 

其中，索引表中key字段，就是原表中key字段的值，_bucketname 字段，代表数据文件对应的HDFS文件路径，_offsets 代表该key值在文件中的偏移量，有可能有多个偏移量，因此，该字段类型为数组。

其实，索引表就相当于一个在原表索引列上的一个汇总表。

• 生成索引数据

alter index lxw1234_index on lxw1234 rebuild;

 用一个MR任务，以table lxw1234的数据作为input，将索引字段key中的每一个值及其对应的HDFS文件和偏移量输出到索引表中。

• 自动使用索引

• SET hive.input.format=org.apache.hadoop.hive.ql.io.HiveInputFormat;
  SET hive.optimize.index.filter=true;
  SET hive.optimize.index.filter.compact.minsize=0;

   查询时候索引如何起效：

select * from lxw1234 where key = '13400000144_1387531071_460606566970889';

 

       剩下的流程图不贴了，到原文看吧： http://lxw1234.com/archives/2015/05/207.htm