BTreeIndex

BTreeIndex使用二叉树数据结构存储。索引的大小随着索引列中不同值的个数而增加。

BTreeIndex利用B+Tree数据结构来允许在调度期间进行过滤。

BTreeIndex与BloomIndex相似,并且对于具有高基数的列非常适用。 但是,索引的大小可能会很大,因为索引的大小会随着数量的增加而增加 列中独特值的百分比增加。

B+Tree的建立构造使用独特列值作为键,并且可以在其中找到该列值的值。 为了减小索引的大小,将为这些值创建一部Dictionary,因此不需要将大型重复项存储多次。

与BloomIndex不同,BTreeIndex还可以使用以下运算符来支持范围查询 大于(>),小于(<),BETWEEN等。

使用场景

注意:当前,启发式索引仅支持ORC存储格式的Hive数据源。

BTreeIndex用于调度时的分片(Split)过滤,被coordinator节点使用。

选择适用的列

在具有高基数(即许多独特值)条件的列上具有过滤predicate的queries可以从BTreeIndex中达到好的效果。

例如,类似SELECT FROM FROM users WHERE phone>123456789的query 可以通过在phone列上使用BTreeIndex而达到好的效果,因为 列中的数据已被过滤,phone列的基数较高。

在BTreeIndex和BloomIndex索引之间选择时,需要考虑:

  • BloomIndex只支持=,而BTreeIndex提供范围咨询
  • BloomIndex是不确定的,而BTreeIndex是确定的。因此BTreeIndex通常有更好的过滤性能
  • BTreeIndex比BloomIndex索引更大

支持的运算符

  1. = Equality
  2. > Greater than
  3. >= Greater than or equal
  4. < Less than
  5. <= Less than or equal
  6. BETWEEN Between range
  7. IN IN set

支持的列类型

  1. "integer", "smallint", "bigint", "tinyint", "varchar", "double", "real", "date", "decimal"

注意: 不支持采用其它数据类型来创建index。

用例

创建索引:

  1. create index idx using btree on hive.hindex.orders (orderid);
  2. create index idx using btree on hive.hindex.orders (orderid) where orderDate='01-10-2020';
  3. create index idx using btree on hive.hindex.orders (orderid) where orderDate in ('01-10-2020', '01-10-2020');
  • 假设表已按照orderDate列分区

使用索引:

  1. select * from hive.hindex.orders where orderid=12345
  2. select * from hive.hindex.orders where orderid>12345
  3. select * from hive.hindex.orders where orderid<12345
  4. select * from hive.hindex.orders where orderid>=12345
  5. select * from hive.hindex.orders where orderid<=12345
  6. select * from hive.hindex.orders where orderid between 10000 AND 20000
  7. select * from hive.hindex.orders where orderid in (12345, 7890)

如何创建BTreeIndex

  1. BTreeIndex在表级别(table level)(如果表已分区,则在分区级别)创建。
  2. 数据作为<Key,Value>对插入。Keys是列值,Values是包含列值的Stripes。 对于下面的示例,数据将按以下方式插入:

    1. <"Ant", "/hive/database.db/animals/000.orc+3+1023+12345">
    2. <"Ant", "/hive/database.db/animals/000.orc+1024+2044+12345">
    3. <"Ant", "/hive/database.db/animals/001.orc+3+1023+12348">
    4. <"Crab", "/hive/database.db/animals/000.orc+3+1023+12345">
    5. ...

    值中包含有关条带的其他信息,以帮助进行过滤并确保不使用陈旧的索引。

  3. 由于多次存储长值"/hive/database.db/animals/000.orc+3+1023+12345"会占用太多空间,因此使用了Dictionary。该Dictionary将值映射为整数。而不是存储长字符串值,而是将整数存储在B+Tree中。

  4. 随着更多数据的插入,B+Tree重新平衡以确保树的高度不会增加太多,并且查找运行时间保持为O(log(n))

btree_animal_table btree_dictionary btree_animal_diagram

如何将BTreeIndex用于分片过滤

当OLK引擎需要读取数据时,它会计划分片。每个分片负责读取一部分数据。 例如,当读取具有ORC数据格式的Hive表时,每个Split将负责读取指定偏移量之间的ORC文件的一部分。

例如,/hive/database.db/animals/000.orc,起始偏移量0,结束偏移量2000

对于诸如SELECT * FROM animals WHERE name=Ant;的点查询(point query), 通常将需要读取所有数据,并且过滤将仅应用于与predicates匹配的返回行。

通过使用BTreeIndex,只会调度与predicates匹配的分片,因此减少了读取的数据。 这样可以大大减少查询的执行时间。

在此示例中,对Ant的BTreeIndex执行查找操作,该操作返回具有以下值的迭代器:

  1. /hive/database.db/animals/000.orc+3+1023+12345
  2. /hive/database.db/animals/000.orc+1024+2044+12345
  3. /hive/database.db/animals/001.orc+3+1023+12348

文件名和偏移量可用于筛选出与predicates不匹配的分片。

此外,上次修改的时间可以用来确保索引仍然有效。 如果自创建索引以来已修改原始ORC文件, 则索引无效,不应将其用于过滤。

磁盘使用

BTree索引使用磁盘来序列化数据结构。因此,无论是创建BTree索引还是在执行语句时使用BTree索引,都需要本地临时磁盘空间。

对于比较大的表和列,BTree使用的空间可能非常庞大(与列的数据大小相当)。

参见 hindex-statements中的“磁盘使用”章节来指定使用的临时路径。