我知道Hive / Hadoop不是要更新/删除,但我的要求是根据表person21的数据更新表person20。随着Hive和ORC的进步,它支持ACID,但看起来还不成熟。

$ hive --version

hive 1.1.0-cdh5.6.0

以下是我为测试更新逻辑而执行的详细步骤。
CREATE TABLE person20(
  persid int,
  lastname string,
  firstname string)
CLUSTERED BY (
  persid)
INTO 1 BUCKETS
ROW FORMAT SERDE
  'org.apache.hadoop.hive.ql.io.orc.OrcSerde'
STORED AS INPUTFORMAT
  'org.apache.hadoop.hive.ql.io.orc.OrcInputFormat'
OUTPUTFORMAT
  'org.apache.hadoop.hive.ql.io.orc.OrcOutputFormat'
LOCATION
  'hdfs://hostname.com:8020/user/hive/warehouse/person20'
TBLPROPERTIES (
  'COLUMN_STATS_ACCURATE'='true',
  'numFiles'='3',
  'numRows'='2',
  'rawDataSize'='348',
  'totalSize'='1730',
  'transactional'='true',
  'transient_lastDdlTime'='1489668385')

插入语句:
INSERT INTO TABLE person20 VALUES (0,'PP','B'),(2,'X','Y');

选择语句:
set hive.cli.print.header=true;

select * from person20;

persid lastname  firstname
2       X       Y
0       PP      B

我有另一个表是person20的副本,即person21:
CREATE TABLE person21(
  persid int,
  lastname string,
  firstname string)
ROW FORMAT SERDE
  'org.apache.hadoop.hive.serde2.lazy.LazySimpleSerDe'
STORED AS INPUTFORMAT
  'org.apache.hadoop.mapred.TextInputFormat'
OUTPUTFORMAT
  'org.apache.hadoop.hive.ql.io.HiveIgnoreKeyTextOutputFormat'
LOCATION
  'hdfs://hostname.com:8020/user/hive/warehouse/person21'
TBLPROPERTIES (
  'COLUMN_STATS_ACCURATE'='true',
  'numFiles'='1',
  'numRows'='2',
  'rawDataSize'='11',
  'totalSize'='13',
  'transient_lastDdlTime'='1489668344')

插入语句:
INSERT INTO TABLE person20 VALUES (0,'SS','B'),(2,'X','Y');

选择语句:
select * from person21;

persid lastname firstname
2       X1       Y
0       SS       B

我想实现MERGE逻辑:
Merge into  person20 p20 USING person21 p21
ON (p20.persid=p21.persid)
WHEN MATCHED THEN
UPDATE set p20.lastname=p21.lastname
  • 但是,合并不能与我的HIVE Hive 1.1.0-cdh5.6.0版本一起使用。
    从Hive 2.2开始将提供此功能。

  • 其他选项是相关子查询更新:
    hive -e "set hive.auto.convert.join.noconditionaltask.size = 10000000; set hive.support.concurrency = true; set hive.enforce.bucketing = true; set hive.exec.dynamic.partition.mode = nonstrict; set hive.txn.manager = org.apache.hadoop.hive.ql.lockmgr.DbTxnManager; set hive.compactor.initiator.on = true;
    set hive.compactor.worker.threads = 1 ; UPDATE person20 SET lastname = (select lastname from person21 where person21.lastname=person20.lastname);"
    
  • 此语句给出以下错误:-



  • 我认为它不支持子查询。相同的语句适用于常量。
    hive -e "set hive.auto.convert.join.noconditionaltask.size = 10000000; set hive.support.concurrency = true; set hive.enforce.bucketing = true; set hive.exec.dynamic.partition.mode = nonstrict; set hive.txn.manager = org.apache.hadoop.hive.ql.lockmgr.DbTxnManager; set hive.compactor.initiator.on = true;
    set hive.compactor.worker.threads = 1 ; UPDATE person20 SET lastname = 'PP' WHERE  persid = 0;"
    

    -此语句成功更新了记录。

    您能否帮助我找到在HIVE中执行DML /合并操作的最佳策略。

    最佳答案

    您可以通过蛮力做到这一点:

  • 重新创建表person20,但不创建ACID,在虚拟col名称上进行分区,并为“dummy”
  • 分配一个分区
  • 填充person20person21
  • 创建工作表tmpperson20,其结构与person20完全相同,并且具有相同的“虚拟”分区
  • INSERT INTO tmpperson20 PARTITION (dummy='dummy') SELECT p20.persid, p21.lastname, ... FROM person20 p20 JOIN person21 p21 ON p20.persid=p21.persid
  • INSERT INTO tmpperson20 PARTITION (dummy='dummy') SELECT * FROM person20 p20 WHERE NOT EXISTS (select p21.persid FROM person21 p21 WHERE p20.persid=p21.persid)
  • ALTER TABLE person20 DROP PARTITION (dummy='dummy')
  • ALTER TABLE person20 EXCHANGE PARTITION (dummy='dummy') WITH tmpperson20
  • 现在您可以删除tmpperson20

  • 但是由于存储,使用ACID表可能会更加棘手。

    您也可以尝试使用在游标上迭代并在循环中应用单个UPDATE的过程语言。低效率的大量更新...

    Hive 2.x附带了HPL/SQL实用程序,它可能已安装在Hive 1.x之上,但是我从来没有机会尝试过。 Oracle方言对Hive感到很奇怪...!

    或者,您可以在循环中使用JDBC ResultSetPreparedStatement开发一些自定义Java代码。

    08-27 18:16