Hive 视图和索引

一、视图

1.1 简介

Hive 中的视图和 RDBMS 中视图的概念一致,都是一组数据的逻辑表示,本质上就是一条 SELECT 语句的结果集。视图是纯粹的逻辑对象,没有关联的存储 (Hive 3.0.0 引入的物化视图除外),当查询引用视图时,Hive 可以将视图的定义与查询结合起来,例如将查询中的过滤器推送到视图中。

1.2 创建视图

  1. CREATE VIEW [IF NOT EXISTS] [db_name.]view_name -- 视图名称
  2. [(column_name [COMMENT column_comment], ...) ] --列名
  3. [COMMENT view_comment] --视图注释
  4. [TBLPROPERTIES (property_name = property_value, ...)] --额外信息
  5. AS SELECT ...;

在 Hive 中可以使用 CREATE VIEW 创建视图,如果已存在具有相同名称的表或视图,则会抛出异常,建议使用 IF NOT EXISTS 预做判断。在使用视图时候需要注意以下事项:

  • 视图是只读的,不能用作 LOAD / INSERT / ALTER 的目标;

  • 在创建视图时候视图就已经固定,对基表的后续更改(如添加列)将不会反映在视图;

  • 删除基表并不会删除视图,需要手动删除视图;

  • 视图可能包含 ORDER BY 和 LIMIT 子句。如果引用视图的查询语句也包含这类子句,其执行优先级低于视图对应字句。例如,视图 custom_view 指定 LIMIT 5,查询语句为 select * from custom_view LIMIT 10,此时结果最多返回 5 行。

  • 创建视图时,如果未提供列名,则将从 SELECT 语句中自动派生列名;

  • 创建视图时,如果 SELECT 语句中包含其他表达式,例如 x + y,则列名称将以_C0,_C1 等形式生成;

    1. CREATE VIEW IF NOT EXISTS custom_view AS SELECT empno, empno+deptno , 1+2 FROM emp;
    Hive 视图和索引 - 图1

1.3 查看视图

  1. -- 查看所有视图: 没有单独查看视图列表的语句,只能使用 show tables
  2. show tables;
  3. -- 查看某个视图
  4. desc view_name;
  5. -- 查看某个视图详细信息
  6. desc formatted view_name;

1.4 删除视图

  1. DROP VIEW [IF EXISTS] [db_name.]view_name;

删除视图时,如果被删除的视图被其他视图所引用,这时候程序不会发出警告,但是引用该视图其他视图已经失效,需要进行重建或者删除。

1.5 修改视图

  1. ALTER VIEW [db_name.]view_name AS select_statement;

被更改的视图必须存在,且视图不能具有分区,如果视图具有分区,则修改失败。

1.6 修改视图属性

语法:

  1. ALTER VIEW [db_name.]view_name SET TBLPROPERTIES table_properties;
  2. table_properties:
  3. : (property_name = property_value, property_name = property_value, ...)

示例:

  1. ALTER VIEW custom_view SET TBLPROPERTIES ('create'='heibaiying','date'='2019-05-05');
Hive 视图和索引 - 图2

二、索引

2.1 简介

Hive 在 0.7.0 引入了索引的功能,索引的设计目标是提高表某些列的查询速度。如果没有索引,带有谓词的查询(如’WHERE table1.column = 10’)会加载整个表或分区并处理所有行。但是如果 column 存在索引,则只需要加载和处理文件的一部分。

2.2 索引原理

在指定列上建立索引,会产生一张索引表(表结构如下),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。在查询涉及到索引字段时,首先到索引表查找索引列值对应的 HDFS 文件路径及偏移量,这样就避免了全表扫描。

  1. +--------------+----------------+----------+--+
  2. | col_name | data_type | comment |
  3. +--------------+----------------+----------+--+
  4. | empno | int | 建立索引的列 |
  5. | _bucketname | string | HDFS 文件路径 |
  6. | _offsets | array<bigint> | 偏移量 |
  7. +--------------+----------------+----------+--+

2.3 创建索引

  1. CREATE INDEX index_name --索引名称
  2. ON TABLE base_table_name (col_name, ...) --建立索引的列
  3. AS index_type --索引类型
  4. [WITH DEFERRED REBUILD] --重建索引
  5. [IDXPROPERTIES (property_name=property_value, ...)] --索引额外属性
  6. [IN TABLE index_table_name] --索引表的名字
  7. [
  8. [ ROW FORMAT ...] STORED AS ...
  9. | STORED BY ...
  10. ] --索引表行分隔符 存储格式
  11. [LOCATION hdfs_path] --索引表存储位置
  12. [TBLPROPERTIES (...)] --索引表表属性
  13. [COMMENT "index comment"]; --索引注释

2.4 查看索引

  1. --显示表上所有列的索引
  2. SHOW FORMATTED INDEX ON table_name;

2.4 删除索引

删除索引会删除对应的索引表。

  1. DROP INDEX [IF EXISTS] index_name ON table_name;

如果存在索引的表被删除了,其对应的索引和索引表都会被删除。如果被索引表的某个分区被删除了,那么分区对应的分区索引也会被删除。

2.5 重建索引

  1. ALTER INDEX index_name ON table_name [PARTITION partition_spec] REBUILD;

重建索引。如果指定了 PARTITION,则仅重建该分区的索引。

三、索引案例

3.1 创建索引

在 emp 表上针对 empno 字段创建名为 emp_index,索引数据存储在 emp_index_table 索引表中

  1. create index emp_index on table emp(empno) as
  2. 'org.apache.hadoop.hive.ql.index.compact.CompactIndexHandler'
  3. with deferred rebuild
  4. in table emp_index_table ;

此时索引表中是没有数据的,需要重建索引才会有索引的数据。

3.2 重建索引

  1. alter index emp_index on emp rebuild;

Hive 会启动 MapReduce 作业去建立索引,建立好后查看索引表数据如下。三个表字段分别代表: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。

Hive 视图和索引 - 图3

3.3 自动使用索引

默认情况下,虽然建立了索引,但是 Hive 在查询时候是不会自动去使用索引的,需要开启相关配置。开启配置后,涉及到索引列的查询就会使用索引功能去优化查询。

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

3.4 查看索引

  1. SHOW INDEX ON emp;
Hive 视图和索引 - 图4

四、索引的缺陷

索引表最主要的一个缺陷在于:索引表无法自动 rebuild,这也就意味着如果表中有数据新增或删除,则必须手动 rebuild,重新执行 MapReduce 作业,生成索引表数据。

同时按照官方文档 的说明,Hive 会从 3.0 开始移除索引功能,主要基于以下两个原因:

  • 具有自动重写的物化视图 (Materialized View) 可以产生与索引相似的效果(Hive 2.3.0 增加了对物化视图的支持,在 3.0 之后正式引入)。
  • 使用列式存储文件格式(Parquet,ORC)进行存储时,这些格式支持选择性扫描,可以跳过不需要的文件或块。

ORC 内置的索引功能可以参阅这篇文章:Hive 性能优化之 ORC 索引–Row Group Index vs Bloom Filter Index

参考资料

  1. Create/Drop/Alter View
  2. Materialized views
  3. Hive 索引
  4. Overview of Hive Indexes