Performance 使用配置单元分区表优化连接性能

我有一个Hive orc test_dev_db.TransactionUpdateTable表，其中包含一些示例数据，其中包含需要更新到主表（test_dev_db.TransactionMainHistoryTable）的增量数据，主表在Country、Tran_date列上进行分区

配置单元增量加载表模式：它包含需要合并的19行

CREATE TABLE IF NOT EXISTS test_dev_db.TransactionUpdateTable 
(
Transaction_date timestamp,
Product       string,
Price         int,
Payment_Type  string,
Name          string, 
City          string,
State         string,
Country       string
)
ROW FORMAT DELIMITED
FIELDS TERMINATED BY ','
STORED AS orc
;

配置单元主表架构：行总数为77

CREATE TABLE IF NOT EXISTS test_dev_db.TransactionMainHistoryTable
(
Transaction_date timestamp,
Product       string,
Price         int,
Payment_Type  string,
Name          string,
City          string,
State         string
)
PARTITIONED BY (Country string,Tran_date string) 
ROW FORMAT DELIMITED
FIELDS TERMINATED BY ','
STORED AS orc
;

我在下面运行查询，将增量数据与主表合并

SELECT
  case when i.transaction_date is not null then cast(substring(current_timestamp(),0,19) as timestamp)  
  else t.transaction_date   end as transaction_date,
  t.product,
  case when i.price is not null then i.price else t.price end as price,
  t.payment_type,
  t.name,
  t.city,
  t.state,
  t.country,
  case when i.transaction_date is not null then substring(current_timestamp(),0,10) 
  else t.tran_date end as tran_date
  from
test_dev_db.TransactionMainHistoryTable t
full join test_dev_db.TransactionUpdateTable i on (t.Name=i.Name)
;
/hdfs/path/database/test_dev_db.db/transactionmainhistorytable/country=Australia/tran_date=2009-03-01
/hdfs/path/database/test_dev_db.db/transactionmainhistorytable/country=Australia/tran_date=2009-05-01

并在下面运行查询，以筛选出需要合并的特定分区，从而消除对未更新分区的重写

SELECT
  case when i.transaction_date is not null then cast(substring(current_timestamp(),0,19) as timestamp)  
  else t.transaction_date   end as transaction_date,
  t.product,
  case when i.price is not null then i.price else t.price end as price,
  t.payment_type,
  t.name,
  t.city,
  t.state,
  t.country,
  case when i.transaction_date is not null then substring(current_timestamp(),0,10) else t.tran_date end as tran_date
  from
(SELECT 
  *
  FROM 
test_dev_db.TransactionMainHistoryTable
where Tran_date in
(select distinct  from_unixtime(to_unix_timestamp (Transaction_date,'yyyy-MM-dd HH:mm'),'yyyy-MM-dd') from test_dev_db.TransactionUpdateTable
))t
full join test_dev_db.TransactionUpdateTable i on (t.Name=i.Name)
;

在这两种情况下，只需要更新事务处理日期、价格和分区列事务处理日期。这两个查询都运行良好，尽管横向查询需要更长的执行时间

分区表的执行计划如下：

 Stage: Stage-5
    Map Reduce
      Map Operator Tree:
          TableScan
            alias: transactionmainhistorytable
            filterExpr: tran_date is not null (type: boolean)
            Statistics: Num rows: 77 Data size: 39151 Basic stats: COMPLETE Column stats: COMPLETE
            Map Join Operator
              condition map:
                   Left Semi Join 0 to 1
              keys:
                0 tran_date (type: string)
                1 _col0 (type: string)
              outputColumnNames: _col0, _col1, _col2, _col3, _col4, _col5, _col6, _col7, _col8

我在第二个问题上做错了什么吗？我是否需要使用两个分区列来进行更好的修剪。

---

非常感谢任何帮助或建议。

也许这不是一个完整的答案，但我希望这些想法会有用

where tran_date IN (select ... )

实际上和

LEFT SEMI JOIN (SELECT ...)

这反映在计划中：

Map Join Operator
              condition map:
                   Left Semi Join 0 to 1
              keys:
                0 tran_date (type: string)
                1 _col0 (type: string) 

它作为映射连接执行。首先选择子查询数据集，然后将其放置在分布式缓存中，加载到内存中以用于映射联接。所有这些步骤：选择、加载到内存中、映射联接都比读取和覆盖所有表慢，因为它太小且分区过多：统计数据显示Num rows:77 Data size:39151-太小而无法被两列分区，甚至太小而根本无法分区。尝试使用更大的表并使用EXPLAIN EXTENDED检查真正被扫描的内容

此外，请将其替换为：

from_unixtime(to_unix_timestamp (Transaction_date,'yyyy-MM-dd HH:mm'),'yyyy-MM-dd')

使用

substr（交易日期，0,10）

或

date（交易日期）

和

子字符串（当前时间戳，0,10）

和

当前日期

只是为了简化代码

如果要在计划中显示分区筛选器，请尝试将传递的分区筛选器替换为分区列表，您可以在单独的会话中选择该列表，并使用shell将分区列表传递到where子句中，请参见以下答案：