原文阅读
表和分区的统计信息主要包括:行数、文件数、原始数据大小、所占存储大小、最后一次操作时间等;
14.1 新表的统计信息
对于一个新创建的表,默认情况下,如果通过INSERT OVERWRITE的方式插入数据,那么Hive会自动将该表或分区的统计信息更新到元数据。
有一个参数来控制是否自动统计,hive.stats.autogather,默认为true.
举例来说:
先创建表lxw1234:
- CREATE TABLE lxw1234 (
- id STRING,
- name STRING
- ) stored AS textfile;
该表中的TBL_ID对应TBLS表中的TBL_ID.
关于Hive元数据结构的详细介绍,可参考前一章:
[一起学Hive]之十四-Hive的元数据表结构详解
SELECT * FROM TABLE_PARAMS WHERE tbl_id = 45857
TBL_ID | PARAM_KEY | PARAM_VALUE |
45857 | transient_lastDdlTime | 1436916981 |
接下来通过INSERT OVERWRITE向表lxw1234中插入数据:
INSERT overwrite TABLE lxw1234 SELECT pt,pcid FROM lxw1;
其实在hive-cli中执行HQL之后,会打印出统计信息:
Table default.lxw1234 stats:
[numFiles=1, numRows=11067, totalSize=376278, rawDataSize=365211]
再查看元数据:
SELECT * FROM TABLE_PARAMS WHERE tbl_id = 45857
TBL_ID | PARAM_KEY | PARAM_VALUE | |
45857 | transient_lastDdlTime | 1436917459 | |
45857 | numFiles | 1 | |
45857 | numRows | 11067 | |
45857 | rawDataSize | 365211 | |
45857 | totalSize | 376278 | |
45857 | COLUMN_STATS_ACCURATE | true | |
如果再次使用INSERT OVERWRITE方式覆盖该表数据,那么统计信息将会更新。
14.2 新分区的统计信息
对于INSERT OVERWRITE方式新增的分区,统计信息同新创建的表,只不过在元数据中存放的表不一样。- CREATE TABLE lxw1234 (
- id STRING,
- name STRING
- ) PARTITIONED BY (day STRING);
创建之后,在分区的元数据中还没有任何该表的信息:
SELECT * FROM `PARTITIONS` WHERE tbl_id = 45858
插入数据到一个新的分区:
INSERT overwrite TABLE lxw1234 PARTITION (day = ‘2015-07-15′)
SELECT pt,pcid
FROM lxw1;
执行打印出的统计信息:
Loading data to table default.lxw1234 partition (day=2015-07-15)
Partition default.lxw1234{day=2015-07-15} stats:
[numFiles=1, numRows=11067, totalSize=376278, rawDataSize=365211]
再查看元数据:
SELECT * FROM `PARTITIONS` WHERE tbl_id = 45858
PART_ID | CREATE_TIME | LAST_ACCESS_TIME | PART_NAME | SD_ID | TBL_ID |
56806 | 1436918167 | 0 | day=2015-07-15 | 98259 | 45858 |
SELECT * FROM PARTITION_PARAMS WHERE PART_ID = 56806
PART_ID | PARAM_KEY | PARAM_VALUE | |
56806 | transient_lastDdlTime | 1436918167 | |
56806 | numFiles | 1 | |
56806 | numRows | 11067 | |
56806 | rawDataSize | 365211 | |
56806 | totalSize | 376278 | |
56806 | COLUMN_STATS_ACCURATE | true | |
与分区统计信息相关的元数据表为
PARTITIONS、PARTITION_PARAMS
14.3 已存在表或分区的统计信息
对于一个已经存在的表、分区或者外部表,则需要通过ANALYZE命令去手动分析表或分区的统计信息。
- 外部表
- CREATE EXTERNAL TABLE lxw1234 (
- id STRING,
- name STRING
- ) stored AS textfile
- location 'hdfs://namenode/tmp/lxw1234.com/';
SELECT * FROM TABLE_PARAMS WHERE tbl_id = 45859
TBL_ID | PARAM_KEY | PARAM_VALUE | |
45859 | transient_lastDdlTime | 1436918758 | |
45859 | numFiles | 0 | |
45859 | numRows | -1 | |
45859 | rawDataSize | -1 | |
45859 | totalSize | 0 | |
45859 | COLUMN_STATS_ACCURATE | false | |
45859 | EXTERNAL | true | |
ANALYZE TABLE lxw1234 COMPUTE STATISTICS;
该命令也会启动MapReduce去执行,执行之后打印:
Table default.lxw1234 stats:
[numFiles=0, numRows=11067, totalSize=0, rawDataSize=365211]
查看元数据:
SELECT * FROM TABLE_PARAMS WHERE tbl_id = 45859
TBL_ID | PARAM_KEY | PARAM_VALUE | |
45859 | transient_lastDdlTime | 1436918995 | |
45859 | numFiles | 0 | |
45859 | numRows | 11067 | |
45859 | rawDataSize | 365211 | |
45859 | totalSize | 0 | |
45859 | COLUMN_STATS_ACCURATE | true | |
45859 | EXTERNAL | true | |
- 分区
- CREATE TABLE lxw1234 (
- id STRING,
- name STRING
- ) PARTITIONED BY (day STRING);
- ALTER TABLE lxw1234 ADD PARTITION (day = '2015-07-15')
- location 'hdfs://namenode/tmp/lxw1234.com/';
SELECT * FROM PARTITION_PARAMS WHERE PART_ID = 56807
PART_ID | PARAM_KEY | PARAM_VALUE | |
56807 | transient_lastDdlTime | 1436919355 | |
56807 | numFiles | 20 | |
56807 | numRows | -1 | |
56807 | rawDataSize | -1 | |
56807 | totalSize | 376278 | |
56807 | COLUMN_STATS_ACCURATE | false | |
再使用命令分析该分区:
ANALYZE TABLE lxw1234 PARTITION (day = ‘2015-07-15′)
COMPUTE STATISTICS;
Partition default.lxw1234{day=2015-07-15} stats:
[numFiles=20, numRows=11067, totalSize=376278, rawDataSize=365211]
再查看元数据:
SELECT * FROM PARTITION_PARAMS WHERE PART_ID = 56807
PART_ID | PARAM_KEY | PARAM_VALUE | |
56807 | transient_lastDdlTime | 1436919604 | |
56807 | numFiles | 20 | |
56807 | numRows | 11067 | |
56807 | rawDataSize | 365211 | |
56807 | totalSize | 376278 | |
56807 | COLUMN_STATS_ACCURATE | true |
没问题了,已经将行数和原始大小统计进来。
Hive相关文章(持续更新):
一起学Hive系列
—-Hive概述,Hive是什么
—-Hive函数大全-完整版
—-Hive中的数据库(Database)和表(Table)
—-Hive的安装配置
—-Hive的视图和分区
—-Hive的动态分区
—-向Hive表中加载数据
—-使用Hive命令行
—-Hive的查询语句SELECT
—-Hive中Join的原理和机制
—-Hive中Join的类型和用法
—-Hive SQL的优化
—-Hive整合HBase,操作HBase表
—-Hive的元数据表结构详解
Hive分析函数系列
Hive索引
hive优化之——控制hive任务中的map数和reduce数
如果觉得本博客对您有帮助,请 赞助作者 。
转载请注明:lxw的大数据田地 » [一起学Hive]之十五-分析Hive表和分区的统计信息(Statistics)