Question

Hive是支持索引的，但很少用到。

Hive索引机制

在指定列上建立索引，会产生一张索引表（ Hive 的一张物理表），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;

在执行索引字段查询时候，首先额外生成一个 MR job，根据对索引列的过滤条件，从索引表中过滤出索引列的值对应的 hdfs 文件路径及偏移量，输出到 hdfs 上的一个文件中，然后根据这些文件中的 hdfs 路径和偏移量，筛选原始input 文件，生成新的 split，作为整个 job 的 split，这样就达到不用全表扫描的目的。

Hive索引建立过程

创建索引

create index mapred_index on table mapred1234(key)
as 'org.apache.hadoop.hive.ql.index.compact.CompactIndexHandler'
with deferred rebuild;

之后在 Hive 中会创建一张索引表，也是物理表：

其中，索引表中 key 字段，就是原表中 key 字段的值，_bucketname 字段，代表数据文件对应的 HDFS 文件路径，_offsets 代表该 key 值在文件中的偏移量，有可能有多个偏移量，因此，该字段类型为数组。

其实，索引表就相当于一个在原表索引列上的一个汇总表。

生成索引数据

alter index mapred_index on mapred1234 rebuild;

用一个 MR 任务，以 table mapred1234 的数据作为 input，将索引字段 key 中的每一个值及其对应的 HDFS 文件和偏移量输出到索引表中。

自动使用索引

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

查询时候索引如何起效：

select * from mapred1234 where key = '13400000144_1387531071_460606566970889';

• 首先用一个job，从索引表中过滤出key = '13400000144_1387531071_460606566970889' 的记录，将其对应的HDFS文件路径及偏移量输出到HDFS临时文件中
• 接下来的job中以临时文件为input，根据里面的HDFS文件路径及偏移量，生成新的split，作为查询job的map任务input

• 不使用索引时候，如下图所示：
  

  • 表 mapred1234 的每一个 split 都会用一个 map task 去扫描，但其实只有 split2 中有我们想要的结果数据map task1 和 map task3 造成了资源浪费。

• 使用索引后，如下图所示：
  

  • 查询提交后，先用一个 MR，扫描索引表，从索引表中找出 key=’xx’ 的记录，获取到 HDFS 文件名和偏移量；
  • 接下来，直接定位到该文件中的偏移量，用一个 map task 即可完成查询，其最终目的就是为了减少查询时候的 input size

手动使用索引

其实就是手动完成从索引表中过滤数据的部分，将过滤出来的数据 load 到 HDFS 临时文件，供查询任务使用。

SET hive.input.format=org.apache.hadoop.hive.ql.io.HiveInputFormat;
Insert overwrite directory "/tmp/mapred1234_index_data"
select `_bucketname`, `_offsets`
from  default__mapred_mapred_index__
where key = '13400000144_1387531071_460606566970889';
##指定索引数据文件
SET hive.index.compact.file=/tmp/ll1_index_data;
SET hive.optimize.index.filter=false;
SET hive.input.format=org.apache.hadoop.hive.ql.index.compact.HiveCompactIndexInputFormat;
select * from mapred1234
where key = '13400000144_1387531071_460606566970889';

从以上过程可以看出，Hive 索引的使用过程比较繁琐：

• 每次查询时候都要先用一个 job 扫描索引表，如果索引列的值非常稀疏，那么索引表本身也会非常大；
• 索引表不会自动 rebuild，如果表有数据新增或删除，那么必须手动 rebuild 索引表数据；