按现有字段对 Hive 表进行分区？

Question

我可以在插入现有字段时对 Hive 表进行分区吗？

我有一个 10 GB 的文件，其中包含日期字段和一天中的小时字段。我可以将此文件加载到表中，然后插入覆盖到另一个使用这些字段作为分区的分区表中吗？会像下面这样工作吗？

INSERT OVERWRITE TABLE tealeaf_event  PARTITION(dt=evt.datestring,hour=evt.hour) 
SELECT * FROM staging_event evt;

谢谢！

特拉维斯

Answer 1

我刚刚遇到这个问题，试图回答同样的问题，它很有帮助，但并不完整。简短的答案是肯定的，类似问题中的查询之类的东西可以工作，但语法不太正确。

假设您有使用以下语句创建的三个表：

CREATE TABLE staging_unpartitioned (datestring string, hour int, a int, b int);

CREATE TABLE staging_partitioned (a int, b int) 
    PARTITIONED BY (datestring string, hour int);

CREATE TABLE production_partitioned (a int, b int) 
    PARTITIONED BY (dt string, hour int);

列 a 和 b 只是一些示例列。 dt 和 hour 是我们在到达生产表后要对其进行分区的值。将暂存数据从 staging_unpartitioned 和 staging_partitioned 移至生产环境看起来完全相同。

INSERT OVERWRITE TABLE production_partitioned PARTITION (dt, hour)
    SELECT a, b, datestring, hour FROM staging_unpartitioned;

INSERT OVERWRITE TABLE production_partitioned PARTITION (dt, hour)
    SELECT a, b, datestring, hour FROM staging_partitioned;

这使用了一个称为动态分区的过程，您可以阅读这里。需要注意的重要一点是，哪些列与哪些分区关联是由 SELECT 顺序决定的。所有动态分区必须最后按顺序选择。

当您尝试运行上面的代码时，由于您设置的属性，您很可能会遇到错误。首先，如果您禁用了动态分区，它将无法工作，因此请确保：

set hive.exec.dynamic.partition=true;

如果您没有在动态分区之前至少在一个静态分区上进行分区，则可能会遇到错误。当您打算用动态分区覆盖根分区的子分区时，此限制可以避免您意外删除根分区。根据我的经验，这种行为从来没有帮助，而且常常很烦人，但你的情况可能会有所不同。无论如何，改变很容易：

set hive.exec.dynamic.partition.mode=nonstrict;

而且应该可以做到。

Answer 2

也许这已经得到了回答...但是，是的，您可以完全按照您所说的进行操作。我已经做过很多次了。显然，您的新表的定义需要与原始表类似，但没有分区列，并且具有分区规范。另外，我不记得是否必须明确列出原始表中的列，或者星号是否足够。

Answer 3

我对此不太确定，但这样的东西可能会起作用

INSERT OVERWRITE TABLE tealeaf_event
SELECT col1 as tealeaf_col1, ..., datestring as ds;

Answer 4

不可以。您必须删除该字段，或者至少重命名它。