配置单元不使用分区来选择外部表中的数据

Question

我从未见过的奇怪行为。

我在Spark生成的HDFS中有拼花文件，分为3个分区。

这是所有分区的计数。它是由Spark计算的。

+----------+--------+
|created_at|count(1)|
+----------+--------+
|  20190101|12774895|
|  20181231|18648432|
|  20190102|30010065|
+----------+--------+

总计：61433392条记录

蜂巢

创建了一个表。

CREATE EXTERNAL TABLE raw.event (
    account_type STRING,
    event_name STRING,
    payload MAP<STRING, STRING>
)
PARTITIONED BY(created_at INT, product_name STRING, event_type STRING)
STORED AS PARQUET LOCATION '/datalake/raw/event'
TBLPROPERTIES('PARQUET.COMPRESS'='SNAPPY');

添加了所有分区。

show partitions raw.event;

+---------------------------------------------------------------------+--+
|                              partition                              |
+---------------------------------------------------------------------+--+
| created_at=20181231/product_name=A/event_type=X  |
| created_at=20190101/product_name=A/event_type=X  |
| created_at=20190102/product_name=A/event_type=X  |
+---------------------------------------------------------------------+--+

执行完整计数以确保一切顺利进行：

0：jdbc：hive2：// headnodehost：10001 />从raw.event中选择count（*）;

+-----------+--+
|    _c0    |
+-----------+--+
| 61433392  |
+-----------+--+

预期结果！好 ：）

现在从一个分区算起来。

0：jdbc：hive2：// headnodehost：10001 />从raw.event中选择count（*），其中created_at = 20190102，product_name ='A'，event_type ='X';

而是得到预期的12774895计数行，我仍然得到完整计数。

+-----------+--+
|    _c0    |
+-----------+--+
| 61433392  |
+-----------+--+

现在我试图通过created_at分区进行计数和分组。

0：jdbc：hive2：// headnodehost：10001 /> SELECT created_at，count（*）FROM raw.event group by created_at;

+-------------+-----------+--+
| created_at  |    _c1    |
+-------------+-----------+--+
| 20190102    | 61433392  |
+-------------+-----------+--+

我仍然得到完整的行数，只是最后添加的分区。

我很确定镶木地板文件包含不同的created_at值。

避免使用统计数据，也没有帮助。

set hive.compute.query.using.stats=false;

分析表也没有帮助：

0：jdbc：hive2：// headnodehost：10001 /> ANALYZE TABLE raw.event PARTITION（created_at，product_name，event_type）COMPUTE STATISTICS;

INFO  : Partition raw.event{created_at=20181231, product_name=A, event_type=X} stats: [numFiles=111, numRows=**61433392**, totalSize=19637211108, rawDataSize=1965868544]
INFO  : Partition raw.event{created_at=20190101, product_name=A, event_type=X} stats: [numFiles=111, numRows=0, totalSize=19637211108, rawDataSize=0]
INFO  : Partition raw.event{created_at=20190102, product_name=A, event_type=X} stats: [numFiles=111, numRows=0, totalSize=19637211108, rawDataSize=0]

强制分区会带来相同的结果。

0：jdbc：hive2：// headnodehost：10001 /> ANALYZE TABLE raw.event PARTITION（created_at = 20190102，product_name，event_type）COMPUTE STATISTICS;

INFO  : Partition raw.event{created_at=20190102, product_name=A, event_type=X} stats: [numFiles=111, numRows=**61433392**, totalSize=19637211108, rawDataSize=1965868544]

有什么建议吗？

Answer 1

这可能与您添加分区的方式有关。看起来您的所有数据都在HDFS的同一目录下。分区指向hdfs中的特定位置（不是多个位置），因此我假设1个分区指向整个数据集。您可以运行以下命令来验证分区位置

describe formatted raw.event  partition ( created_at=20181231,product_name="A",event_type="X");

此外，分区不依赖于数据本身，甚至目录，位置和值取决于您将它们添加到表中的方式