Amazon web services AWS Athena创建表和分区

我将传感器数据存储在S3中（每5分钟写入一次数据）：

1541252701443是一个json文件，其中包含测量值：

{  "temperature": 14.78,  "pressure": 961.70,  "humidity": 68.32}

我肯定缺少一些蜂巢技能。不幸的是，我没有找到一个能够提取timeseries json数据的示例。我也不确定蜂巢/雅典娜是否支持这种数据争夺

我正在努力为这些数据创建一个雅典娜表

CREATE EXTERNAL TABLE IF NOT EXISTS farm.sensor_data (
  device string,
  sensor string,
  data_point string,
  value double
)
ROW FORMAT SERDE 'org.openx.data.jsonserde.JsonSerDe'
WITH SERDEPROPERTIES (
  'serialization.format' = '1'
) LOCATION 's3://farm-iot/sensor_data/farm/farm0001/sensor01/'
PARTITIONED BY (timestamp string)
TBLPROPERTIES ('has_encrypted_data'='false')

我想的另一种方法是将数据存储在一个更容易处理的结构中/也许我没有对数据进行足够的分区

因此，也许我应该向结构中添加dt，如下所示：

farm_iot/sensor_data/2018-11-03-02-45-02/farm/farm0001/sensor01/1541252701443

仍然无法让我达到我想要的目标：

+---------------+----------+----------+-------------+--------+
| timestamp     | device   | sensor   | data_point  | value  |
+---------------+----------+----------+-------------+--------+
| 1541252701443 | farm0001 | sensor01 | temperature |  14.78 |
+---------------+----------+----------+-------------+--------+
| 1541252701443 | farm0001 | sensor01 | humidity    |  68.32 |
+---------------+----------+----------+-------------+--------+
| 1541252701443 | farm0001 | sensor01 | pressure    | 961.70 |
+---------------+----------+----------+-------------+--------+

任何指向这一目标的指针都将不胜感激。谢谢大家!

---

请注意：我不想使用胶水，我想了解如何手动操作。此外，glue昨天已经创建了约16000个表：）

让我试着解释一下我在前面看到的一些问题

• 看起来您所需的输出需要一些数据，这些数据是路径文件位置、设备和传感器的一部分，但是它没有定义为表定义的一部分，只有表定义中的列或将可用
• 几个小文件可能会影响查询的性能（但这不会影响所需的结果）
• 配置单元分区用于提高查询的性能，避免扫描 所有的数据。分区指向文件夹，在这种情况下，您试图访问特定的文件
• 您想要的输出基本上是将一条记录分解成多条记录，这不应该在表定义中处理，可以通过select语句来完成
• 配置单元分区的命名约定为

  partitionname=partitionvalue

  ，这不是强制性的，但如果您希望提前使用命令根据文件夹结构自动添加分区，则此约定非常有用

如果您主要通过传感器或设备进行查询，我会这样解决您的问题

更改数据的结构 理想的文件夹结构应该是

farm_iot/sensor_data/farm/farm0001/sensor01/1541252701443

至农场物联网/传感器数据/农场/设备=农场0001/传感器=传感器01/1541252701443

更改表定义 您的表定义应该包含您的分区位置，以便能够在不使用正则表达式的情况下选择它，并利用它的性能改进（我猜一个常见查询将按设备或传感器进行过滤。此外，您还需要添加文件中的所有json列）

CREATE EXTERNAL TABLE IF NOT EXISTS farm.sensor_data (
  temperature double,
  preassure double,
  humidity double
)
ROW FORMAT SERDE 'org.openx.data.jsonserde.JsonSerDe'
WITH SERDEPROPERTIES (
  'serialization.format' = '1'
) LOCATION 's3://farm-iot/sensor_data/farm/'
PARTITIONED BY (device string, sensor string)
TBLPROPERTIES ('has_encrypted_data'='false')

查询您的数据 我们缺少时间戳，它本质上是json输入文件名的一部分。我们可以在select语句中使用虚拟列

input\u file\u name

包含文件名，如下所示

select device, sensor, temperature, preassure, humidity, INPUT__FILE__NAME as mytimestamp from farm.sensor_data

ALTER TABLE test ADD PARTITION (device='farm0001', sensor='sensor01') location 's3://farm_iot/sensor_data/farm/farm0001/sensor01'

如果您需要预压力、温度和湿度以及不同的行，我建议您使用这三个行创建一个数组并将其分解，使用UNION ALL运行3个查询以附加结果应该会非常有效

添加新分区 如果遵循配置单元约定，则可以利用该命令在包含新设备/传感器后自动添加新分区。在最坏的情况下，如果要保留文件夹结构，可以按如下方式添加分区

select device, sensor, temperature, preassure, humidity, INPUT__FILE__NAME as mytimestamp from farm.sensor_data

ALTER TABLE test ADD PARTITION (device='farm0001', sensor='sensor01') location 's3://farm_iot/sensor_data/farm/farm0001/sensor01'

注意：新分区不会自动添加，您始终需要添加它们

我试着尽可能多地添加细节。如果有什么不清楚，请告诉我

编辑： 如果您的查询主要基于时间序列（例如日期范围），我建议在日级别添加一个分区（不小于此分区），以提高查询的性能

CREATE EXTERNAL TABLE IF NOT EXISTS farm.sensor_data (
  temperature double,
  preassure double,
  humidity double
)
ROW FORMAT SERDE 'org.openx.data.jsonserde.JsonSerDe'
WITH SERDEPROPERTIES (
  'serialization.format' = '1'
) LOCATION 's3://farm-iot/sensor_data/farm/'
PARTITIONED BY (dt=long, device string, sensor string)
TBLPROPERTIES ('has_encrypted_data'='false')

您的文件夹结构如下所示

CREATE EXTERNAL TABLE IF NOT EXISTS farm.sensor_data (
  temperature double,
  preassure double,
  humidity double
)
ROW FORMAT SERDE 'org.openx.data.jsonserde.JsonSerDe'
WITH SERDEPROPERTIES (
  'serialization.format' = '1'
) LOCATION 's3://farm-iot/sensor_data/farm/'
PARTITIONED BY (dt=long, device string, sensor string)
TBLPROPERTIES ('has_encrypted_data'='false')

农场物联网/传感器数据/农场/dt=20191204/设备=farm0001/传感器=sensor01/1541252701443

作为说明，您不需要为每个新分区修改表，只需将此分区添加到表中，这基本上就是Hive知道新分区已创建的方式。如果您决定使用分区，这是唯一的方法，如果您不使用（这将影响性能），还有其他一些方法可以让它发挥作用

编辑2：

如果您希望保持数据结构不变，并且不使用分区，那么可以得到如下预期结果

CREATE EXTERNAL TABLE IF NOT EXISTS yourdb.sensordata (
  temperature double,
  pressure double,
  humidity double
)
ROW FORMAT SERDE 'org.openx.data.jsonserde.JsonSerDe'
WITH SERDEPROPERTIES (
  'serialization.format' = '1'
) 
LOCATION 's3://farm-iot/sensor_data/farm/'
TBLPROPERTIES ('has_encrypted_data'='false');

SET hive.mapred.supports.subdirectories=TRUE;
SET mapred.input.dir.recursive=TRUE;
select * from yourdb.sensordata;

select 
split(input__file__name, "/")[size(split(input__file__name, "/")) - 1] as ts,
split(input__file__name, "/")[size(split(input__file__name, "/")) - 3] as device,
split(input__file__name, "/")[size(split(input__file__name, "/")) - 2] as sensor,
'temperature' as data_point,
temperature as value
from yourdb.sensordata
union all
select 
split(input__file__name, "/")[size(split(input__file__name, "/")) - 1] as ts,
split(input__file__name, "/")[size(split(input__file__name, "/")) - 3] as device,
split(input__file__name, "/")[size(split(input__file__name, "/")) - 2] as sensor,
'pressure' as data_point,
pressure as value
from yourdb.sensordata
union all
select 
split(input__file__name, "/")[size(split(input__file__name, "/")) - 1] as ts,
split(input__file__name, "/")[size(split(input__file__name, "/")) - 3] as device,
split(input__file__name, "/")[size(split(input__file__name, "/")) - 2] as sensor,
'humidity' as data_point,
humidity as value
from yourdb.sensordata;

如您所见，我从文件路径获取了大部分信息，但是需要设置一些标志以递归方式告知配置单元读取文件夹

ts,device,sensor,_data_point,value
1541252701443,farm0001,sensor01,temperature,14.78
1541252701443,farm0001,sensor01,pressure,961.7
1541252701443,farm0001,sensor01,humidity,68.32

---

首先，非常感谢@hlagos的帮助

AWS Athena无法以我需要的方式转换json传感器数据（我们在@hlagos答案的评论中对此进行了讨论）。因此，处理这种情况的“最简单”方法是将数据格式从json更改为CSV，以更接近我需要的格式

现在，我将传感器数据以CSV格式存储在S3中（每5分钟写入一次数据），并添加了我们讨论的日期和设备分区

生成的文件夹结构：

farm_iot/sensor_data/farm/day=20181129/device=farm0001/1543535738493

CSV文件的数据内容：

sensor01,temperature,2.82
sensor01,pressure,952.83
sensor01,humidity,83.64
sensor02,temperature,2.61
sensor02,pressure,952.74
sensor02,humidity,82.41

AWS雅典娜表格定义：

CREATE EXTERNAL TABLE IF NOT EXISTS farm.sensor_data (
  `sensor` string,
  `data_point` string,
  `value` double 
) 
PARTITIONED BY (day string, device string)
ROW FORMAT DELIMITED
    FIELDS TERMINATED BY ','
    ESCAPED BY '\\'
    LINES TERMINATED BY '\n'
LOCATION 's3://farm-iot/sensor_data/farm/'
TBLPROPERTIES ('has_encrypted_data'='false');

我添加的分区如下（稍后我将有一个脚本来提前创建分区）：

现在我可以查询数据了：

select regexp_extract("$path", '[^/]+$') as timestamp, device, sensor, 
    data_point, value from farm.sensor_data where day='20181104'

Results
    timestamp       device      sensor      data_point  value
1   1541310040278   farm0001    sensor01    temperature 21.61
2   1541310040278   farm0001    sensor01    pressure    643.65
3   1541310040278   farm0001    sensor01    humidity    74.84
4   1541310040278   farm0001    sensor02    temperature 9.14
5   1541310040278   farm0001    sensor02    pressure    956.04
6   1541310040278   farm0001    sensor02    humidity    88.01
7   1541311840309   farm0001    sensor01    temperature 21.61
8   ...

---

写入数据或创建表时是否遇到错误？请发布错误消息。@VamsiPrabhala抱歉，这不是“我有一个错误问题”刚用另一种方法编辑，以保持数据的当前格式，但是性能不如使用分区。只需添加一篇文章，详细说明我正在使用的内容，谢谢你的回答。我不太喜欢你建议的表格更改，因为我必须更改每种新传感器类型的表格定义我介绍一下。如果我理解正确，那么就不可能将json数据配置为我想要的格式。这意味着我最好将传感器数据存储为csv格式（“设备”、“传感器”、“数据”）